Investigando técnicas de Aprendizado de Máquina aplicadas no manejo da cultura de algodão
Resumo
O algodão é matéria prima para diversos produtos que são utilizados diariamente. Sua produção requer cuidados para que a produtividade atenda as expectativas. Técnicas computacionais podem auxiliar no monitoramento e desempenho da produção. Assim, este trabalho tem como objetivo utilizar imagens obtidas de produção de algodão e, partir de técnicas de aprendizado de máquina, buscar ferramentas que possam auxiliar no manejo da cultura de algodão para que possa analisar a produtividade da plantação. Neste trabalho foram feitos vários experimentos com os algoritmos de regressão usando como métrica o R².
Palavras-chave:
classificação, aprendizado de máquina, agricultura de precisão, algodão
Referências
Adamchuk, Viacheslav I.; Perk, Richard L.; and Schepers, James S., "EC03-702 Precision Agriculture: Applications of Remote Sensing in Site-Specific Management" (2003). Historical Materials from University of Nebraska-Lincoln Extension. 705.
Budach, Lukas et al. The effects of data quality on machine learning performance. arXiv preprint arXiv:2207.14529, 2022.
Gavahale, Kiran R. et al. Uma visão geral da pesquisa sobre detecção de doenças em folhas de plantas usando técnicas de processamento de imagem. Iosr journal of computer engineering (iosr-jce) , v. 16, n. 1, pág. 10-16, 2014.
Gulhane, Viraj A.; Kolekar, Maheshkumar H. Diagnóstico de doenças em folhas de algodoeiro usando classificador de análise de componentes principais. In: Conferência Anual IEEE Índia de 2014 (INDICON). IEEE, 2014. pág. 1-5.
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.
Oliveira, Mailson Freire de. Previsão e estimativa de variáveis de cultivo utilizando níveis e formas de sensoriamento remoto e técnicas de aprendizado de máquina. 2021.
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.
Rodrigues, Luiz Souza; Pereira, Danilo Roberto. Aprendizado de Máquina Aplicado em Imagem NDVI para previsão da produtividade da Cana-de-Açúcar. In: Colloquium Exactarum. ISSN: 2178-8332. 2021. p. 82-98.
Sharma, Abhinav et al. Machine learning applications for precision agriculture: A comprehensive review. IEEE Access, v. 9, p. 4843-4873, 2020.
USDA (2017) “World Agricultural Production”, In: Circular Series, [link].
API deisgn for machine larning software: experiences from the scikit-learn project, Buitinck et al., 2013. Documentação do scikit-learn. Disponível em: [link]. Acesso em: 5 de agosto de 2023.
Scikit-Learn: Machine Learning in Python, Pedregosa et al, JMLR 12, pp 2825-2830, 2011.
Budach, Lukas et al. The effects of data quality on machine learning performance. arXiv preprint arXiv:2207.14529, 2022.
Gavahale, Kiran R. et al. Uma visão geral da pesquisa sobre detecção de doenças em folhas de plantas usando técnicas de processamento de imagem. Iosr journal of computer engineering (iosr-jce) , v. 16, n. 1, pág. 10-16, 2014.
Gulhane, Viraj A.; Kolekar, Maheshkumar H. Diagnóstico de doenças em folhas de algodoeiro usando classificador de análise de componentes principais. In: Conferência Anual IEEE Índia de 2014 (INDICON). IEEE, 2014. pág. 1-5.
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.
Oliveira, Mailson Freire de. Previsão e estimativa de variáveis de cultivo utilizando níveis e formas de sensoriamento remoto e técnicas de aprendizado de máquina. 2021.
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.
Rodrigues, Luiz Souza; Pereira, Danilo Roberto. Aprendizado de Máquina Aplicado em Imagem NDVI para previsão da produtividade da Cana-de-Açúcar. In: Colloquium Exactarum. ISSN: 2178-8332. 2021. p. 82-98.
Sharma, Abhinav et al. Machine learning applications for precision agriculture: A comprehensive review. IEEE Access, v. 9, p. 4843-4873, 2020.
USDA (2017) “World Agricultural Production”, In: Circular Series, [link].
API deisgn for machine larning software: experiences from the scikit-learn project, Buitinck et al., 2013. Documentação do scikit-learn. Disponível em: [link]. Acesso em: 5 de agosto de 2023.
Scikit-Learn: Machine Learning in Python, Pedregosa et al, JMLR 12, pp 2825-2830, 2011.
Publicado
28/11/2023
Como Citar
RODRIGUES, Carlos Gabriel S.; SILVA, Carlos Rafael N. de A.; TOLEDO, Allan Vitor W.; MARTINS, Claudia A.; SANTOS, Raul T..
Investigando técnicas de Aprendizado de Máquina aplicadas no manejo da cultura de algodão. In: ESCOLA REGIONAL DE INFORMÁTICA DE MATO GROSSO (ERI-MT), 12. , 2023, Cuiabá/MT.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 187-195.
ISSN 2447-5386.
DOI: https://doi.org/10.5753/eri-mt.2023.236620.
