CNN aplicada às imagens CBERS-4A e PlanetScope para identificação e mapeamento de plantas daninhas em áreas de plantio com cana-de-açúcar
Resumo
O setor sucroalcooleiro alagoano tem passado de rudimentar para altamente informatizado. Este artigo teve como objetivo aplicar dados de sensoriamento remoto e algoritmos baseados em CNN para identificar plantas daninhas em áreas de cana-de-açúcar no estado de Alagoas. Os resultados mostraram alta acurácia para o treinamento, porém para classificação será necessária uma adequação para as imagens tipo AnalyticMS_SR (PlanetScope). Uma das maneiras de melhorar esses resultados é melhorar a obtenção de novas amostras para as classes que apresentaram confusões e um novo treinamento para extração e utilização de novos pesos.
Referências
BORDONAL, R. O.; CARVALHO, J. L. N.; LAL, R.; et al. Sustainability of sugarcane production in Brazil. A review. Agronomy for Sustainable Development, v. 38, n. 2, p. 13, 2018. Disponível em: [link]. Acesso em: 5 out. 2023.
COLTRO, I. Tecnologia para o controle químico de plantas invasoras. PublishedVersion, Universidade Tecnológica Federal do Paraná, 2017.
DE MORAES, Douglas Rafael Vidal et al. Detecção semiautomática de nuvens e sombras nas imagens WFI/CBERS-4 utilizando a ferramenta cloud detection do sistema TerraAmazon. Anais do XVIII Simpósio Brasileiro de Sensoriamento Remoto – SBSR. Santos, p. 5009-5016. 2017. Disponível em: [link]. Acesso em: 16 ago. 2023.
GARCIA, B. O.; MOLINARI, H. B. C. PACHECO, T. F.; KOBAYASHI, A. K.; BARBOSA, G. V. S.; PAIVA, L. V.; GUIDUCCI, R. C. N. Análise do potencial econômico de variedade de cana geneticamente modificada para produção de açúcar. In: EMBRAPA AGROENERGIA-ARTIGO EM ANAIS DE CONGRESSO (ALICE), 6., 2020, Brasília. Anais [...] . Df: Embrapa, 2020. v. 6, p. 1-8.
GONÇALVES, M. C. V. O. AGRONEGÓCIO E A MECANIZAÇÃO DO TRABALHO NO CAMPO: ENTRE LUCRO, PRECARIZAÇÃO E EXCLUSÃO. VIII jornada inter-nacional políticas públicas, São Luiz, p. 1-12, 22 ago. 2017. Disponível em: [link]. Acesso em: 05 Out. 2023.
KAMILARIS, A.; PRENAFETA-BOLDÚ, F. X. A review of the use of convolutional neural networks in agriculture. The Journal of Agricultural Science, v. 156, n. 3, p. 312–322, 2018.
LIMA, D. C. Métodos para estimativa de imagens nir a partir de imagens de câmeras rgb. 2020. 126 f. Tese (Doutorado) - Curso de Ciência da Computação, Pós-Graduação em Ciência da Computação da Universidade Federal de São Carlos,, Universidade Federal de São Carlos, São Carlos, 2020. Cap. 5.
Nogueira V, Oliveira H, Silva JA, Vieira T, Oliveira K (2019) Retailnet: a deep learning approach for people counting and hot spots detection in retail stores. In: 2019 32Nd SIBGRAPI conference on graphics, patterns and images (SIBGRAPI). IEEE, pp 155–162
SEVARA, C.; VERHOEVEN, G.; DONEUS, M.; DRAGANITS, E. 2018. Surfaces from the Visual Past: Recovering High-Resolution Terrain Data from Historic Aerial Imagery for Multitemporal Landscape Analysis. J. Archaeol. Method Theory. 2017, 25, 611642.
SILVA, F. H. S. (2022). Deep learning para mapeamento de áreas de plantio da cana-de-açúcar em imagens multissensor. Projeto de Conclusão de Curso. Universidade Federal de Alagoas, Campus de Engenharia e Ciências Agrárias, Rio Largo, p. 45-50, ago. 2022.
TANG, J.; WANG, D.; ZHANG, Z.; HE, L.; XIN, J.; XU, Y. Weed identification based on K-means feature learning combined with convolutional neural network. Computers And Electronics In Agriculture, [S.L.], v. 135, p. 63-70, abr. 2017.
COLTRO, I. Tecnologia para o controle químico de plantas invasoras. PublishedVersion, Universidade Tecnológica Federal do Paraná, 2017.
DE MORAES, Douglas Rafael Vidal et al. Detecção semiautomática de nuvens e sombras nas imagens WFI/CBERS-4 utilizando a ferramenta cloud detection do sistema TerraAmazon. Anais do XVIII Simpósio Brasileiro de Sensoriamento Remoto – SBSR. Santos, p. 5009-5016. 2017. Disponível em: [link]. Acesso em: 16 ago. 2023.
GARCIA, B. O.; MOLINARI, H. B. C. PACHECO, T. F.; KOBAYASHI, A. K.; BARBOSA, G. V. S.; PAIVA, L. V.; GUIDUCCI, R. C. N. Análise do potencial econômico de variedade de cana geneticamente modificada para produção de açúcar. In: EMBRAPA AGROENERGIA-ARTIGO EM ANAIS DE CONGRESSO (ALICE), 6., 2020, Brasília. Anais [...] . Df: Embrapa, 2020. v. 6, p. 1-8.
GONÇALVES, M. C. V. O. AGRONEGÓCIO E A MECANIZAÇÃO DO TRABALHO NO CAMPO: ENTRE LUCRO, PRECARIZAÇÃO E EXCLUSÃO. VIII jornada inter-nacional políticas públicas, São Luiz, p. 1-12, 22 ago. 2017. Disponível em: [link]. Acesso em: 05 Out. 2023.
KAMILARIS, A.; PRENAFETA-BOLDÚ, F. X. A review of the use of convolutional neural networks in agriculture. The Journal of Agricultural Science, v. 156, n. 3, p. 312–322, 2018.
LIMA, D. C. Métodos para estimativa de imagens nir a partir de imagens de câmeras rgb. 2020. 126 f. Tese (Doutorado) - Curso de Ciência da Computação, Pós-Graduação em Ciência da Computação da Universidade Federal de São Carlos,, Universidade Federal de São Carlos, São Carlos, 2020. Cap. 5.
Nogueira V, Oliveira H, Silva JA, Vieira T, Oliveira K (2019) Retailnet: a deep learning approach for people counting and hot spots detection in retail stores. In: 2019 32Nd SIBGRAPI conference on graphics, patterns and images (SIBGRAPI). IEEE, pp 155–162
SEVARA, C.; VERHOEVEN, G.; DONEUS, M.; DRAGANITS, E. 2018. Surfaces from the Visual Past: Recovering High-Resolution Terrain Data from Historic Aerial Imagery for Multitemporal Landscape Analysis. J. Archaeol. Method Theory. 2017, 25, 611642.
SILVA, F. H. S. (2022). Deep learning para mapeamento de áreas de plantio da cana-de-açúcar em imagens multissensor. Projeto de Conclusão de Curso. Universidade Federal de Alagoas, Campus de Engenharia e Ciências Agrárias, Rio Largo, p. 45-50, ago. 2022.
TANG, J.; WANG, D.; ZHANG, Z.; HE, L.; XIN, J.; XU, Y. Weed identification based on K-means feature learning combined with convolutional neural network. Computers And Electronics In Agriculture, [S.L.], v. 135, p. 63-70, abr. 2017.
Publicado
08/11/2023
Como Citar
MEDEIROS, Luciano J. D. et al.
CNN aplicada às imagens CBERS-4A e PlanetScope para identificação e mapeamento de plantas daninhas em áreas de plantio com cana-de-açúcar. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA (SBIAGRO), 14. , 2023, Natal/RN.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 318-325.
ISSN 2177-9724.
DOI: https://doi.org/10.5753/sbiagro.2023.26574.
