Modelos de aprendizagem de máquina para predição da presença de desoxinivalenol em grãos de trigo por meio de análises multiespectrais
Resumo
Este trabalho apresenta um estudo sobre modelagem de dados para predizer o estado dos grãos de trigo através da análise multiespectral do sensor AS7265x. Foram analisadas 10 amostras comerciais e 1 amostra sadia de grãos de trigo. Dentre amostras comerciais, 8 estão contaminadas com desoxinivalenol (DON). Foram coletadas 50 leituras de cada amostra, totalizando 550 entradas de dados. O trabalho faz uma análise do desempenho dos algoritmos supervisionados de machine learning: k- nearest neighbors, support vector machine e random forest. Como resultado, o algoritmo random forest teve o melhor desempenho entre os 3. Com base nos resultados conclui-se que, esta solução é um primeiro passo para ajudar um produtor de trigo no processo de tomada de decisão.
Palavras-chave:
Modelagem de Dados, Machine Learning, K- Nearest Neighbors, Support Vector Machine, Random Forest
Referências
AMS. (2018). AS7265x Smart 18-Channel VIS to NIR Spectral_ ID 3-Sensor Chipset with Electronic Shutter. 63 p. Disponível: [link]. Acesso: junho/2021.
Companhia Nacional de Abastecimento. (2017). A cultura do trigo. CONAB. 218 p. Disponível: [link]. Acesso: junho 2021.
Companhia Nacional de Abastecimento. (2020). Acompanhamento da safra brasileira de grãos, v. 7 - Safra 2019/20 - Décimo segundo levantamento. CONAB. 45 p. Disponível: [link]. Acesso: junho, 2021.
Coppin, B. (2015). Inteligência Artificial / Ben Coppin; tradução e revista técnica Jorge Duarte Pires Valério. [Reimpr.]. Rio de Janeiro: LTC. Tradução de: Artificial intelligence illuminated, 1 st ed.
Didática Tech. (2020). Inteligência Artificial & Data Science. O que é e como funciona o algoritmo RandomForest. Disponível: [link]. Acesso: junho/2021.
Empresa Brasileira de Pesquisa Agropecuária. (2016). Trigo: o produtor pergunta, a Embrapa responde / Claudia De Mori et al., editores técnicos. Brasília, DF: Embrapa. 309p. Disponível: [link]. Acesso: junho, 2021.
Empresa Brasileira de Pesquisa Agropecuária. (2018). Espectroscopia no Infravermelho próximo para avaliar indicadores de qualidade tecnológica e contaminantes em grãos / Casiane Salete Tibola et al., editores técnicos. Brasília, DF: Embrapa. 200 p.
Giannoni, L. et al. (2018). Hyperspectral imaging solutions for brain tissue metabolic and hemodynamic monitoring: past, current and future developments. Computer Science, Medicine. Journal of Optics, v. 20, n. 4. p. 25. Disponível: https://iopscience.iop.org/article/10.1088/2040-8986/aab3a6/meta. Acesso: julho/2021.
Habibi, M. (2014) Image sensors. In: Measurement, Instrumentation, and Sensors Handbook. 2. ed. [S.l.]: CRC Press. cap. 4. p. 1921.
Hollas, J. M. (2004). Modern Spectroscopy. Hoboken: John Wiley & Sons, Ltd. 482 p.
Liakos, K.G. et al. (2018). Machine Learning in Agriculture: A Review. Sensors. 18, 2674. Disponível: https://doi.org/10.3390/s18082674. Acesso: junho/2021.
Oliveira, A.R. and Roesler. (2017). Comparison of machine-learning algorithms to build a predictive model for detecting undiagnosed diabetes. ELSA-Brasil: accuracy study. São Paulo Medical Journal, v.135, n. 3, p. 234-46.
VanderPlas, J. (2016). Python Data Science Handbook. Disponível: https://jakevdp.github.io/PythonDataScienceHandbook/. Acesso: junho/2020.
Vapnik, V. (2009). The Nature of Statistical Learning Theory. 2. nd. New York: Springer. 745 p.
Zhou, X. et al. (2019). A novel combined spectral index for estimating the ratio of carotenoid to chlorophyll content to monitor crop physiological and phenological status. International Journal of Applied Earth Observation and Geoinformation, v. 76, p. 128–142. Disponível: [link]. Acesso: junho/2020.
Companhia Nacional de Abastecimento. (2017). A cultura do trigo. CONAB. 218 p. Disponível: [link]. Acesso: junho 2021.
Companhia Nacional de Abastecimento. (2020). Acompanhamento da safra brasileira de grãos, v. 7 - Safra 2019/20 - Décimo segundo levantamento. CONAB. 45 p. Disponível: [link]. Acesso: junho, 2021.
Coppin, B. (2015). Inteligência Artificial / Ben Coppin; tradução e revista técnica Jorge Duarte Pires Valério. [Reimpr.]. Rio de Janeiro: LTC. Tradução de: Artificial intelligence illuminated, 1 st ed.
Didática Tech. (2020). Inteligência Artificial & Data Science. O que é e como funciona o algoritmo RandomForest. Disponível: [link]. Acesso: junho/2021.
Empresa Brasileira de Pesquisa Agropecuária. (2016). Trigo: o produtor pergunta, a Embrapa responde / Claudia De Mori et al., editores técnicos. Brasília, DF: Embrapa. 309p. Disponível: [link]. Acesso: junho, 2021.
Empresa Brasileira de Pesquisa Agropecuária. (2018). Espectroscopia no Infravermelho próximo para avaliar indicadores de qualidade tecnológica e contaminantes em grãos / Casiane Salete Tibola et al., editores técnicos. Brasília, DF: Embrapa. 200 p.
Giannoni, L. et al. (2018). Hyperspectral imaging solutions for brain tissue metabolic and hemodynamic monitoring: past, current and future developments. Computer Science, Medicine. Journal of Optics, v. 20, n. 4. p. 25. Disponível: https://iopscience.iop.org/article/10.1088/2040-8986/aab3a6/meta. Acesso: julho/2021.
Habibi, M. (2014) Image sensors. In: Measurement, Instrumentation, and Sensors Handbook. 2. ed. [S.l.]: CRC Press. cap. 4. p. 1921.
Hollas, J. M. (2004). Modern Spectroscopy. Hoboken: John Wiley & Sons, Ltd. 482 p.
Liakos, K.G. et al. (2018). Machine Learning in Agriculture: A Review. Sensors. 18, 2674. Disponível: https://doi.org/10.3390/s18082674. Acesso: junho/2021.
Oliveira, A.R. and Roesler. (2017). Comparison of machine-learning algorithms to build a predictive model for detecting undiagnosed diabetes. ELSA-Brasil: accuracy study. São Paulo Medical Journal, v.135, n. 3, p. 234-46.
VanderPlas, J. (2016). Python Data Science Handbook. Disponível: https://jakevdp.github.io/PythonDataScienceHandbook/. Acesso: junho/2020.
Vapnik, V. (2009). The Nature of Statistical Learning Theory. 2. nd. New York: Springer. 745 p.
Zhou, X. et al. (2019). A novel combined spectral index for estimating the ratio of carotenoid to chlorophyll content to monitor crop physiological and phenological status. International Journal of Applied Earth Observation and Geoinformation, v. 76, p. 128–142. Disponível: [link]. Acesso: junho/2020.
Publicado
10/11/2021
Como Citar
ZANINI, Eduarda; ZAIONS, Deividi Felipe; ZANATTA, Alexandre Lazaretti; HÖLBIG, Carlos Amaral; PAVAN, Willingthon.
Modelos de aprendizagem de máquina para predição da presença de desoxinivalenol em grãos de trigo por meio de análises multiespectrais. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA (SBIAGRO), 13. , 2021, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 207-214.
ISSN 2177-9724.
DOI: https://doi.org/10.5753/sbiagro.2021.18392.
