Export iten: EndNote BibTex

Please use this identifier to cite or link to this item: http://tede.upf.br:8080/jspui/handle/tede/1671
Full metadata record
DC FieldValueLanguage
dc.creatorPatrício, Diego Inácio-
dc.creator.Latteshttp://lattes.cnpq.br/6716075708723113por
dc.contributor.advisor1Rieder, Rafael-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3010497094377497por
dc.date.accessioned2019-05-10T19:03:41Z-
dc.date.issued2019-01-16-
dc.identifier.citationPATRÍCIO, Diego Inácio. SeedFlow: Sistema de Visão Computacional para classificação de grãos de aveia. 2019. 81 f. Dissertação (Mestrado em Computação Aplicada) - Universidade de Passo Fundo, Passo Fundo, RS, 2019.por
dc.identifier.urihttp://tede.upf.br/jspui/handle/tede/1671-
dc.description.resumoA aveia é um cereal de grande importância para a alimentação humana e animal devido aos benefícios nutricionais que oferece. Esses são oriundos principalmente das estruturas que compõem o grão. Em praticamente todas as etapas de seu processo de produção, a identificação correta da espécie e da cultivar que está sendo utilizada é uma informação essencial. O presente trabalho estabelece uma metodologia para aquisição, processamento e classificação de imagens digitais de grãos de aveia utilizando técnicas de visão computacional e de inteligência artificial. As técnicas de aprendizado profundo, aplicadas à imagens digitais, são caracterizadas pelo uso de redes neurais convolucionais capazes de reconhecer estruturas complexas presentes nessas imagens. Essas técnicas foram empregadas com duas finalidades: a primeira, identificar espécies de grãos de aveia, a exemplo de Avena sativa e Avena strigosa, e a segunda, classificar grãos quanto a cultivar para grãos da espécie Avena sativa. Entre as cultivares selecionadas estão a UPFA Ouro, UPFA Fuerza e UPFA Gaudéria. Diferentes arquiteturas de redes convolucionais estão disponíveis na literatura. Sendo assim, seis arquiteturas distintas foram comparadas para identificar qual produziria o melhor desempenho considerando o contexto deste trabalho. Essa abordagem proporcionou o resultado de acurácia de 99,7% para a identificação de espécies e 89,7% para a classificação de cultivares de aveia. Uma solução computacional denominada "SeedFlow" foi desenvolvida para a utilização da metodologia proposta. Essa solução é composta por três módulos: uma biblioteca de software; uma aplicação para treinamento e manipulação de bancos de imagens; e uma aplicação de análise e classificação de grãos utilizando redes neurais pré-treinadas. A abordagem proposta visa melhorar a eficiência em relação aos métodos manuais atualmente empregados. Segundo o experimento realizado, o seu emprego apresentou-se como viável, e pode servir como ferramenta para uso em testes de pré-seleção, em análise laboratorial ou no suporte à tomada de decisão em programas de melhoramento vegetal e avaliação de propriedade intelectual.por
dc.description.abstractOat is a cereal of great importance for human and animal food because of the nutritional benefits it offers from the structures that make up the grain. In practically every step of the production process, the correct identification of the species and the cultivar being used is essential information. The present work establishes a methodology for the acquisition, processing, and classification of digital images of oat grains using computer vision and artificial intelligence techniques. The techniques of deep learning, applied to digital images, are characterized by the use of convolutional neural networks capable of recognizing complex structures present in the acquired images. These techniques were used for two purposes: first, to identify species of oat grains, such as Avena sativa and Avena strigosa, and the second to classify grains for the cultivars of the species Avena sativa. Among the cultivars selected are UPFA Ouro, UPFA Fuerza, and UPFA Gaudéria. Different convolutional network architectures are available in the literature. Thus, six different architectures were compared to identify which would produce the best performance considering the context of this work. This approach provided the 99.7% accuracy result for species identification and the 89.7% accuracy result for the classification of oat cultivars. A computational solution called “SeedFlow” was developed for the use of the proposed methodology. This solution consists of three modules: a software library; an application for training and manipulation of image banks; and an application of grain analysis and classification using pre-trained neural networks. Our approach aims to provide better efficiency compared to the manual methods currently employed. According to the experiment carried out, its use proved to be viable, and it can be a useful tool in pre-selection tests, in laboratory analysis or in making-decision support for plant breeding programs and intellectual property evaluation.eng
dc.description.provenanceSubmitted by Mariana Freitas (marianafreitas@upf.br) on 2019-05-10T19:03:41Z No. of bitstreams: 1 2019DiegoInacioPatricio.pdf: 2135745 bytes, checksum: 03763584ed1b34da9c1add40c0e1d013 (MD5)eng
dc.description.provenanceMade available in DSpace on 2019-05-10T19:03:41Z (GMT). No. of bitstreams: 1 2019DiegoInacioPatricio.pdf: 2135745 bytes, checksum: 03763584ed1b34da9c1add40c0e1d013 (MD5) Previous issue date: 2019-01-16eng
dc.formatapplication/pdf*
dc.languageporpor
dc.publisherUniversidade de Passo Fundopor
dc.publisher.departmentInstituto de Ciências Exatas e Geociências – ICEGpor
dc.publisher.countryBrasilpor
dc.publisher.initialsUPFpor
dc.publisher.programPrograma de Pós-Graduação em Computação Aplicadapor
dc.rightsAcesso Abertopor
dc.subjectSoftwarepor
dc.subjectAgriculturapor
dc.subjectAveiapor
dc.subjectInformática na agriculturapor
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpor
dc.titleSeedFlow: Sistema de Visão Computacional para classificação de grãos de aveiapor
dc.title.alternativeSeedFlow: Computational Vision System for grading oatseng
dc.typeDissertaçãopor
Appears in Collections:Programa de Pós-Graduação em Computação Aplicada

Files in This Item:
File Description SizeFormat 
2019DiegoInacioPatricio.pdfDissertação Diego Inácio Patrício2.09 MBAdobe PDFView/Open ???org.dspace.app.webui.jsptag.ItemTag.preview???


Items in TEDE are protected by copyright, with all rights reserved, unless otherwise indicated.