Author:
Mendonça Arthur Uguen de,Guedes Elloá B.
Abstract
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.
Publisher
Sociedade Brasileira de Computação - SBC
Reference23 articles.
1. CONAB (2024). Planilhas de custo de produção – milho. Disponível em [link]. Acesso em 25 de maio de 2024.
2. Cruz, J. C., Karam, D., Magalhães, P. C., and Monteiro, M. A. R. (2008). A Cultura do Milho. Embrapa.
3. 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.
4. 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.
5. Embrapa (2014). Visão 2014–2034 – O Futuro do Desenvolvimento Tecnológico da Agricultura Brasileira (Síntese). Embrapa, Distrito Federal, Brasil.