Please use this identifier to cite or link to this item: http://repositorio.ufpa.br/jspui/handle/2011/12191
metadata.dc.type: Dissertação
Issue Date: 7-Nov-2019
metadata.dc.creator: REZENDE, Vanessa Castro
metadata.dc.contributor.advisor1: OLIVEIRA, Roberto Célio Limão de
metadata.dc.contributor.advisor2: SANTOS, Adam Dreyton Ferreira dos
Title: Metodologia para a classificação automática de doenças em plantas utilizando redes neurais convolucionais.
Other Titles: Methodology for classification automatic disease in plants using neural networks convolucional
Citation: REZENDE, Vanessa Castro. Metodologia para a classificação automática de doenças em plantas utilizando redes neurais convolucionais. Orientador: Roberto Célio Limão de Oliveira .2019. 81 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em: http://repositorio.ufpa.br:8080/jspui/handle/2011/12191 . Acesso em:.
metadata.dc.description.resumo: As redes neurais convolucionais (CNNs) são uma das técnicas de aprendizado profundo que, devido ao avanço computacional dos últimos anos, alavancaram a área de visão computacional ao possibilitar ganhos substanciais nos mais variados problemas de classificação, principalmente aqueles que envolvem imagens digitais. Tendo em vista as vantagens na utilização dessas redes, diversas aplicações para a identificação automática de doenças de plantas foram desenvolvidas para assistência especializada ou ferramentas de triagem automática, contribuindo para práticas agrícolas mais sustentáveis e maior segurança na produção de alimentos. Nesse contexto, este trabalho tem como objetivo propor uma metodologia para a classificação de múltiplas patologias referentes a diversas espécies de plantas tendo como insumo uma base de dados composta de imagens digitais de doenças em plantas. Inicialmente, esta metodologia envolveu etapas de tratamento das imagens da base de dados de doenças em plantas para possibilitar que estivessem aptas a serem entradas dos modelos de CNNs selecionados (VGG16, RestNet101v1, ResNet101v2, ResNetXt50 e DenseNet169), assim como para geração de dez novas bases, variando entre 50 e 66 classes com maior representatividade, com o intuito de submeter os modelos a situações diversas. Após o treinamento dos modelos, um estudo comparativo foi conduzido com base em métricas de classificação amplamente utilizadas, como acurácia no teste, f1-score e área sob a curva. A fim de atestar a significância dos resultados obtidos, foi realizado o teste estatístico não-paramétrico de Friedman e dois procedimentos post-hoc, que demonstraram que ResNetXt50 e DenseNet169 obtiveram resultados superiores quando comparadas com VGG16 e ResNets.
Abstract: Convolutional neural networks (CNNs) are one of the deep learning techniques that, due to the computational advancement of recent years, have enhanced the field of computer vision by enabling substantial gains in various classification problems, especially those involving digital images. Given the advantages of using these networks, a variety of applications for automatic plant diseases identification have been developed for specialized assistance or automated screening tools, contributing to more sustainable farming practices and improved food production security. In this context, this work aims to propose a methodology for the classification of multiple pathologies from distinct plant species, having as input a database composed of digital images of plant diseases. Initially, this methodology involved image preprocessing activities on the plant disease database to provide the appropriate input for selected CNN models (VGG16, RestNet101v1, ResNet101v2, ResNetXt50 and DenseNet169), as well as to generate ten new bases, ranging from 50 to 66 classes with greater representativeness, to submit the models to different situations. After model training, a comparative study was conducted based on widely used classification metrics such as test accuracy, f1-score, and area under the curve. To attest the significance of obtained results, the Friedman nonparametric statistical test and two post-hoc procedures were performed, which showed that ResNetXt50 and DenseNet169 obtained superior results when compared with VGG16 and ResNets.
Keywords: Redes neurais convolucionais
doenças em plantas
base de dados
classificação
Aprendizado profundo
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal do Pará
metadata.dc.publisher.initials: UFPA
metadata.dc.publisher.department: Instituto de Tecnologia
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Elétrica
metadata.dc.rights: Acesso Aberto
metadata.dc.source: 1 CD-ROM
Appears in Collections:Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC

Files in This Item:
File Description SizeFormat 
Dissertacao_MetodologiaClassificacaoAutomatica.pdf2,36 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons