Análise comparativa do redimensionamento do mapa de índice de vegetação e ampliação do conjunto de dados no treinamento de Redes Neurais Artificiais
Resumo
Este artigo tem como objetivo fazer uma análise comparativa do impacto do redimensionamento dos mapas de vegetação no consumo de hardware durante o treinamento da Rede Neural e o impacto da ampliação do conjunto de dados na generalização do modelo para previsão da produtividade do algodão. Neste trabalho foram utilizadas imagens com resoluções de 64x64 e 128x128 dos índices NDVI e NDRE. Como resultado, obtivemos uma redução no consumo de hardware utilizando o redimensionamento. Além disso, a técnica de ampliação do conjunto de dados teve um impacto negativo no treinamento da Rede Neural.
Palavras-chave:
aprendizado de máquina, agricultura de precisão, algodão
Referências
BENOS, L. et al. Machine learning in agriculture: A comprehensive updated review. Sensors, v. 21, n. 11, p. 3758, 2021.
BUDACH, Lukas et al. The effects of data quality on machine learning performance. arXiv preprint arXiv:2207.14529, 2022.
FAROOQ, A.; HU, J.; JIA, X. Analysis of spectral bands and spatial resolutions for weed classification via deep convolutional neural network. IEEE Geoscience and Remote Sensing Letters, v. 16, n. 2, p. 183-187, 2018.
FLORENCIO, Mariele Parteli. TRANSFORMAÇÕES NO PLANO E GRUPOS DE SIMETRIA. Trabalho de Conclusão de Curso, 2011.
HABIB, M. T. et al. Machine vision based papaya disease recognition. Journal of King Saud University-Computer and Information Sciences, v. 32, n. 3, p. 300-309, 2020.
INAMASU, R. Y.; BERNARDI, A. C. de C. Agricultura de precisão. In: BERNARDI, A. C. de C.; NAIME, J. de M.; RESENDE, A. V. de; BASSOI, L. H.; INAMASU, R. Y. (Ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, 2014. p. 21-33.
JOHNSON, Michael D. et al. Crop yield forecasting on the Canadian Prairies by remotely sensed vegetation indices and machine learning methods. Agricultural and forest meteorology, v. 218, p. 74-84, 2016.
KHOSLA, Cherry; SAINI, Baljit Singh. Enhancing performance of deep learning models with different data augmentation techniques: A survey. In: 2020 International Conference on Intelligent Engineering and Management (ICIEM). IEEE, 2020. p. 79-85.
MKHABELA, M. S. et al. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data. Agricultural and Forest Meteorology, v. 151, n. 3, p. 385-393, 2011.
PATRÍCIO, D. I.; RIEDER, R. Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review. Computers and electronics in agriculture, v. 153, p. 69-81, 2018.
SAPONARA, Sergio; ELHANASHI, Abdussalam. Impact of image resizing on deep learning detectors for training time and model performance. In: International Conference on Applications in Electronics Pervading Industry, Environment and Society. Cham: Springer International Publishing, 2021. p. 10-17.
BUDACH, Lukas et al. The effects of data quality on machine learning performance. arXiv preprint arXiv:2207.14529, 2022.
FAROOQ, A.; HU, J.; JIA, X. Analysis of spectral bands and spatial resolutions for weed classification via deep convolutional neural network. IEEE Geoscience and Remote Sensing Letters, v. 16, n. 2, p. 183-187, 2018.
FLORENCIO, Mariele Parteli. TRANSFORMAÇÕES NO PLANO E GRUPOS DE SIMETRIA. Trabalho de Conclusão de Curso, 2011.
HABIB, M. T. et al. Machine vision based papaya disease recognition. Journal of King Saud University-Computer and Information Sciences, v. 32, n. 3, p. 300-309, 2020.
INAMASU, R. Y.; BERNARDI, A. C. de C. Agricultura de precisão. In: BERNARDI, A. C. de C.; NAIME, J. de M.; RESENDE, A. V. de; BASSOI, L. H.; INAMASU, R. Y. (Ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, 2014. p. 21-33.
JOHNSON, Michael D. et al. Crop yield forecasting on the Canadian Prairies by remotely sensed vegetation indices and machine learning methods. Agricultural and forest meteorology, v. 218, p. 74-84, 2016.
KHOSLA, Cherry; SAINI, Baljit Singh. Enhancing performance of deep learning models with different data augmentation techniques: A survey. In: 2020 International Conference on Intelligent Engineering and Management (ICIEM). IEEE, 2020. p. 79-85.
MKHABELA, M. S. et al. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data. Agricultural and Forest Meteorology, v. 151, n. 3, p. 385-393, 2011.
PATRÍCIO, D. I.; RIEDER, R. Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review. Computers and electronics in agriculture, v. 153, p. 69-81, 2018.
SAPONARA, Sergio; ELHANASHI, Abdussalam. Impact of image resizing on deep learning detectors for training time and model performance. In: International Conference on Applications in Electronics Pervading Industry, Environment and Society. Cham: Springer International Publishing, 2021. p. 10-17.
Publicado
28/11/2023
Como Citar
TOLEDO, Allan Vitor W.; SILVA, Carlos Rafael N. de A.; RODRIGUES, Carlos Gabriel S.; SANTOS, Raul T.; MARTINS, Claudia A..
Análise comparativa do redimensionamento do mapa de índice de vegetação e ampliação do conjunto de dados no treinamento de Redes Neurais Artificiais. In: ESCOLA REGIONAL DE INFORMÁTICA DE MATO GROSSO (ERI-MT), 12. , 2023, Cuiabá/MT.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 166-175.
ISSN 2447-5386.
DOI: https://doi.org/10.5753/eri-mt.2023.236618.
