Classificação e Detecção Inteligentes de Grãos para Agricultura Digital na Cultura do Milho
Resumo
Este trabalho teve por objetivo abordar tarefas de classificação e detecção de grãos de milhos em imagens a partir de modelos do estado da arte de Visão Computacional com Deep Learning, viabilizando o desenvolvimento de soluções para Agricultura Digital. Na tarefa de classificação, observou-se que o desbalanceamento das classes contempladas teve baixo impacto no bom desempenho dos modelos, ao passo que na tarefa de detecção foi possível superar resultados de trabalhos da literatura (aumento percentual de 16,33%) e também aferir a generalização em outros cenários. Os resultados obtidos colaboram para a estimativa de produtividade e tomada de decisão no contexto da cultura do milho.
Referências
CONAB (2024). Planilhas de custo de produção – milho. Disponível em [link]. Acesso em 25 de maio de 2024.
Cruz, J. C., Karam, D., Magalhães, P. C., and Monteiro, M. A. R. (2008). A Cultura do Milho. Embrapa.
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Imagenet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition, pages 248–255, Miami, FL, USA. IEEE.
Diwan, T., Anirudh, G., and Tembhurne, J. V. (2023). Object Detection Using YOLO: Challenges, Architectural Successors, Datasets and Applications. Multimed. Tools Appl., 82(6):9243–9275.
Embrapa (2014). Visão 2014–2034 – O Futuro do Desenvolvimento Tecnológico da Agricultura Brasileira (Síntese). Embrapa, Distrito Federal, Brasil.
Gillette, S., Yin, L., Kianian, P. M. A., Pawlowski, W. P., and Chen, C. (2023). Corn360: a method for quantification of corn kernels. Plant Methods, 19(1):23.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. The MIT Press, Cambridge.
Hobbs, J., Khachatryan, V., Anandan, B. S., Hovhannisyan, H., and Wilson, D. (2021). Broad dataset and methods for counting and localization of on-ear corn kernels. Front. Robot. AI, 8:627009.
Howard, A., S. M. Z. M. Z. A. and Chen, L.-C. . (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), page 4510–4520.
Jocher, G., Chaurasia, A., and Qiu, J. (2023). YOLOv8 – real-time object detection. Disponível em [link]. Acesso em 25 de maio de 2024.
Khaki, S., Pham, H., Han, Y., Kuhl, A., Kent, W., and Wang, L. (2020). Convolutional neural networks for image-based corn kernel detection and counting. Sensors (Basel), 20(9):2721.
Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., and Zitnick, C. L. (2014). Microsoft COCO: Common Objects in Context. In Proceedings of the 13th European Conference on Computer Vision (ECVV 2014), pages 740–755, Suíça. Springer.
Michelucci, U. (2019). Advanced Applied Deep Learning: Convolutional Neural Networks and Object Detection. Apress, Suíça.
Miranda, R. A. d., Durães, F. O. M., Garcia, J. C., Parentoni, S., Santana, D. P., Purcino, A. C., and Alves, E. (2019). Supersafra de milho e o papel da tecnologia no aumento da produção. Revista de Política Agrícola, 28(2):149.
Pachouri, V., Pandey, S., Gehlot, A., Negi, P., Chhabra, G., and Joshi, K. (2023). Agriculture 4.0: Inculcation of big data and internet of things in sustainable farming. In 2023 IEEE International Conference on Contemporary Computing and Communications (InC4), volume 1, pages 1–4, Bangalore, India. IEEE.
Padilla, R., Netto, S. L., and da Silva, E. A. B. (2020). A Survey on Performance Metrics for Object-Detection Algorithms. In 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), pages 237–242, Niterói, Brasil.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, Estados Unidos. IEEE.
Rodrigues, V. d. N., Von Pinho, R. G., Paglis, C. M., Bueno Filho, J. S. d. S., and Brito, A. H. d. (2005). Comparação entre métodos para estimar a produtividade de grãos de milho. Ciênc. Agrotecnologia, 29(1):34–42.
Sasseron, J. C. (2013). Modelos matemáticos para previsão da produtividade do milho em dois sistemas de cultivo. Disponível em [link]. Acesso em 25 de maio de 2024.
Souza, A. E. d., Dos Reis, J. G. M., Raymundo, J. C., and Pinto, R. S. (2018). Estudo da produção do Milho no brasil. S. Am. Dev. Soc. J., 4(11):182.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, volume 1, pages 1–9, Massachusetts, Estados Unidos. IEEE.
Tan, M. and Le, Q. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. In Proceedings of the 36th International Conference on Machine Learning, volume 97, pages 6105–6114.
Tang, S., Zhu, Q., Zhou, X., Liu, S., and Wu, M. (2002). A Conception of Digital Agriculture. In IEEE International Geoscience and Remote Sensing Symposium, pages 3026–3028, Canada. IEEE.
Cruz, J. C., Karam, D., Magalhães, P. C., and Monteiro, M. A. R. (2008). A Cultura do Milho. Embrapa.
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Imagenet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition, pages 248–255, Miami, FL, USA. IEEE.
Diwan, T., Anirudh, G., and Tembhurne, J. V. (2023). Object Detection Using YOLO: Challenges, Architectural Successors, Datasets and Applications. Multimed. Tools Appl., 82(6):9243–9275.
Embrapa (2014). Visão 2014–2034 – O Futuro do Desenvolvimento Tecnológico da Agricultura Brasileira (Síntese). Embrapa, Distrito Federal, Brasil.
Gillette, S., Yin, L., Kianian, P. M. A., Pawlowski, W. P., and Chen, C. (2023). Corn360: a method for quantification of corn kernels. Plant Methods, 19(1):23.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. The MIT Press, Cambridge.
Hobbs, J., Khachatryan, V., Anandan, B. S., Hovhannisyan, H., and Wilson, D. (2021). Broad dataset and methods for counting and localization of on-ear corn kernels. Front. Robot. AI, 8:627009.
Howard, A., S. M. Z. M. Z. A. and Chen, L.-C. . (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), page 4510–4520.
Jocher, G., Chaurasia, A., and Qiu, J. (2023). YOLOv8 – real-time object detection. Disponível em [link]. Acesso em 25 de maio de 2024.
Khaki, S., Pham, H., Han, Y., Kuhl, A., Kent, W., and Wang, L. (2020). Convolutional neural networks for image-based corn kernel detection and counting. Sensors (Basel), 20(9):2721.
Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., and Zitnick, C. L. (2014). Microsoft COCO: Common Objects in Context. In Proceedings of the 13th European Conference on Computer Vision (ECVV 2014), pages 740–755, Suíça. Springer.
Michelucci, U. (2019). Advanced Applied Deep Learning: Convolutional Neural Networks and Object Detection. Apress, Suíça.
Miranda, R. A. d., Durães, F. O. M., Garcia, J. C., Parentoni, S., Santana, D. P., Purcino, A. C., and Alves, E. (2019). Supersafra de milho e o papel da tecnologia no aumento da produção. Revista de Política Agrícola, 28(2):149.
Pachouri, V., Pandey, S., Gehlot, A., Negi, P., Chhabra, G., and Joshi, K. (2023). Agriculture 4.0: Inculcation of big data and internet of things in sustainable farming. In 2023 IEEE International Conference on Contemporary Computing and Communications (InC4), volume 1, pages 1–4, Bangalore, India. IEEE.
Padilla, R., Netto, S. L., and da Silva, E. A. B. (2020). A Survey on Performance Metrics for Object-Detection Algorithms. In 2020 International Conference on Systems, Signals and Image Processing (IWSSIP), pages 237–242, Niterói, Brasil.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, Estados Unidos. IEEE.
Rodrigues, V. d. N., Von Pinho, R. G., Paglis, C. M., Bueno Filho, J. S. d. S., and Brito, A. H. d. (2005). Comparação entre métodos para estimar a produtividade de grãos de milho. Ciênc. Agrotecnologia, 29(1):34–42.
Sasseron, J. C. (2013). Modelos matemáticos para previsão da produtividade do milho em dois sistemas de cultivo. Disponível em [link]. Acesso em 25 de maio de 2024.
Souza, A. E. d., Dos Reis, J. G. M., Raymundo, J. C., and Pinto, R. S. (2018). Estudo da produção do Milho no brasil. S. Am. Dev. Soc. J., 4(11):182.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, volume 1, pages 1–9, Massachusetts, Estados Unidos. IEEE.
Tan, M. and Le, Q. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. In Proceedings of the 36th International Conference on Machine Learning, volume 97, pages 6105–6114.
Tang, S., Zhu, Q., Zhou, X., Liu, S., and Wu, M. (2002). A Conception of Digital Agriculture. In IEEE International Geoscience and Remote Sensing Symposium, pages 3026–3028, Canada. IEEE.
Publicado
21/07/2024
Como Citar
MENDONÇA, Arthur Uguen de; GUEDES, Elloá B..
Classificação e Detecção Inteligentes de Grãos para Agricultura Digital na Cultura do Milho. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 15. , 2024, Brasília/DF.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 1-10.
ISSN 2595-6124.
DOI: https://doi.org/10.5753/wcama.2024.1881.
