SoyRetrieval - Técnicas de Aprendizado e Recuperação de Imagens para Análise do Vigor de Sementes de Soja
Resumo
A produção e seleção de sementes de alta qualidade são fatores primordiais para o sucesso da cultura da soja. O teste de tetrazólio tem se destacado e sido adotado pela indústria de sementes no Brasil. No entanto, uma problemática que pode ser observada nos processos de testes e análises das sementes é o tempo e esforço do especialista, tornando o processo extremamente laborioso. Portanto, o objetivo desse trabalho é desenvolver e disponibilizar para os especialistas ferramentas de classificação e de recuperação de imagens baseada em conteúdo. Os resultados dos experimentos mostram que a abordagem proposta apresenta ganhos significativos em comparação a técnicas amplamente utilizadas na literatura.
Referências
Alajlan, N., Pasolli, E., Melgani, F., and Franzoso, A. (2014). Large-scale image classification using active learning. IEEE GRSL, 11(1):259–263.
Baeza-Yates, R. and Ribeiro-Neto, B. (2011). Modern Information Retrieval: The Concepts and Technology Behind Search. Addison-Wesley Publ. Comp., 2nd ed.
França-Neto, J. B., Krzyzanowski, F. C., and da Costa, N. P. (1998). O Teste de Tetrazólio em Sementes de Soja. Embrapa - Centro Nacional de Pesquisa de Soja, Londrina.
França-Neto, J. B., Krzyzanowski, F. C., Henning, A. A., de Pádua, G. P., et al. (2007). Tecnologia da produção de semente de soja de alta qualidade. Embrapa Soja-Artigo em periódico indexado (ALICE).
Guo, Z., Zhang, L., and Zhang, D. (2010). Rotation invariant texture classification using LBP variance (LBPV) with global matching. PR, 43(3):706–719.
Liu, D., Hua, K. A., Vu, K., and Yu, N. (2009). Fast query point movement techniques for large cbir systems. IEEE TKDE, 21(5):729–743.
Malode, P. and Gumaste, S. V. (2015). A review paper on content based image retrieval. Intl. Research Journal of Engineering and Technology, 20:883–885.
Moreano, T. B. (2012). Evolução das Qualidades Física e Fisiológica da Semente de Soja no Beneficiamento. Dissertação de mestrado, UEM, Maringá.
Porkaew, K. and Chakrabarti, K. (1999). Query refinement for multimedia similarity retrieval in mars. In ACM Intl. Conference on Multimedia, pages 235–238.
Santanna, M. G. F., Saito, P. T. M., and Bugatti, P. H. (2014). Content-based image retrieval towards the automatic characterization of soybean seed vigor. In ACM Symposium on Applied Computing, pages 964–969.
Settles, B. (2009). Active learning literature survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison.
Smith, J. R. and Chang, S.-F. (1996). Local color and texture extraction and spatial query. In Intl. Conference on Image Processing, volume 3, pages 1011–1014.
Stehling, R. O., Nascimento, M. A., and Falcão, A. X. (2002). A compact and efficient image retrieval approach based on border/interior pixel classification. In Intl. Conference on Information and Knowledge Management, pages 102–109.
Stricker, M. A. and Orengo, M. (1995). Similarity of color images. In Storage and Retrieval for Image and Video Databases III, volume 2420, pages 381–393. International Society for Optics and Photonics.
Tong, S. and Chang, E. (2001). Support vector machine active learning for image retrieval. In ACM International Conference on Multimedia, pages 107–118.
Baeza-Yates, R. and Ribeiro-Neto, B. (2011). Modern Information Retrieval: The Concepts and Technology Behind Search. Addison-Wesley Publ. Comp., 2nd ed.
França-Neto, J. B., Krzyzanowski, F. C., and da Costa, N. P. (1998). O Teste de Tetrazólio em Sementes de Soja. Embrapa - Centro Nacional de Pesquisa de Soja, Londrina.
França-Neto, J. B., Krzyzanowski, F. C., Henning, A. A., de Pádua, G. P., et al. (2007). Tecnologia da produção de semente de soja de alta qualidade. Embrapa Soja-Artigo em periódico indexado (ALICE).
Guo, Z., Zhang, L., and Zhang, D. (2010). Rotation invariant texture classification using LBP variance (LBPV) with global matching. PR, 43(3):706–719.
Liu, D., Hua, K. A., Vu, K., and Yu, N. (2009). Fast query point movement techniques for large cbir systems. IEEE TKDE, 21(5):729–743.
Malode, P. and Gumaste, S. V. (2015). A review paper on content based image retrieval. Intl. Research Journal of Engineering and Technology, 20:883–885.
Moreano, T. B. (2012). Evolução das Qualidades Física e Fisiológica da Semente de Soja no Beneficiamento. Dissertação de mestrado, UEM, Maringá.
Porkaew, K. and Chakrabarti, K. (1999). Query refinement for multimedia similarity retrieval in mars. In ACM Intl. Conference on Multimedia, pages 235–238.
Santanna, M. G. F., Saito, P. T. M., and Bugatti, P. H. (2014). Content-based image retrieval towards the automatic characterization of soybean seed vigor. In ACM Symposium on Applied Computing, pages 964–969.
Settles, B. (2009). Active learning literature survey. Computer Sciences Technical Report 1648, University of Wisconsin–Madison.
Smith, J. R. and Chang, S.-F. (1996). Local color and texture extraction and spatial query. In Intl. Conference on Image Processing, volume 3, pages 1011–1014.
Stehling, R. O., Nascimento, M. A., and Falcão, A. X. (2002). A compact and efficient image retrieval approach based on border/interior pixel classification. In Intl. Conference on Information and Knowledge Management, pages 102–109.
Stricker, M. A. and Orengo, M. (1995). Similarity of color images. In Storage and Retrieval for Image and Video Databases III, volume 2420, pages 381–393. International Society for Optics and Photonics.
Tong, S. and Chang, E. (2001). Support vector machine active learning for image retrieval. In ACM International Conference on Multimedia, pages 107–118.
Publicado
26/07/2018
Como Citar
BRESSAN, Rafael S.; DE SOUZA JÚNIOR, Marcelo; PEREIRA, Douglas F.; BUGATTI, Pedro H.; SAITO, Priscila T. M..
SoyRetrieval - Técnicas de Aprendizado e Recuperação de Imagens para Análise do Vigor de Sementes de Soja. In: SEMINÁRIO INTEGRADO DE SOFTWARE E HARDWARE (SEMISH), 45. , 2018, Natal.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 83-94.
ISSN 2595-6205.
DOI: https://doi.org/10.5753/semish.2018.3434.
