Use este identificador para citar ou linkar para este item:
https://repositorio.ufpb.br/jspui/handle/123456789/31662
Tipo: | TCC |
Título: | Classificação de Doenças em Folhas de Macieira utilizando Redes Neurais Convolucionais |
Autor(es): | Assis, Marcello Oliveira de |
Primeiro Orientador: | Araújo, Tiago Maritan Ugulino de |
Resumo: | Desde de 2021, o Brasil entrou para o grupo de maiores produtores de frutos de macieiras do mundo. Entretanto, o processo de diagnóstico fitossanitário ocorre por inspeção visual que demanda treinamento especializado que elevam os custos operacionais. Logo, o presente trabalho aborda uma investigação do uso de Redes Neurais Convolucionais (CNNs) para identificar doenças em folhas de macieira, visando oferecer uma solução que pode aprimorar o processo convencional de inspeção visual, amplamente adotado nas campos agrícolas. Para treinamento dos modelos, foram utilizadas imagens disponíveis na base de dados 'New Plant Diseases Dataset'. O objetivo foi identificar se uma folha de macieira estava saudável ou não, e em caso negativo, quais dos 3 tipos de doenças presente na folha. Os resultados obtidos mostraram que o modelo obteve uma acurácia média de 83% no conjunto de teste utilizado para avaliar o modelo, além de uma precisão média de 85%, recall médio de 80% e f1-score médio de 82%. |
Abstract: | Since 2021, Brazil has joined the group of the world's largest producers of apple fruits. However, the phytosanitary diagnostic process relies on visual inspection, requiring specialized training that increases operational costs. So, the following work addresses the application of Convolutional Neural Networks (CNNs) as an effective strategy to identify diseases in apple leaves, aiming to provide a solution that can replace or enhance the conventional process of visual inspection widely adopted in agricultural f ields. The images used by the model were taken from the 'New Plant Diseases Dataset' available on Kaggle, resized, and subjected to a series of normalization enhancements. The goal was to identify whether an apple leaf was healthy or not, and in case of a negative diagnosis, to determine which of the three provided disease types the sample belonged to. The model achieved an accuracy of 83%, precision of 85%, recall of 80%, and f1-score of 82%. |
Palavras-chave: | Redes neurais Redes convolucionais Fitossanitário |
CNPq: | CNPQ::OUTROS |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal da Paraíba |
Sigla da Instituição: | UFPB |
Departamento: | Computação Científica |
Tipo de Acesso: | Acesso aberto Attribution-NoDerivs 3.0 Brazil |
URI: | http://creativecommons.org/licenses/by-nd/3.0/br/ |
URI: | https://repositorio.ufpb.br/jspui/handle/123456789/31662 |
Data do documento: | 13-Nov-2023 |
Aparece nas coleções: | TCC - Ciência da Computação - CI |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Marcello Oliveira de Assis_TCC.pdf | TCC | 368,63 kB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma
Licença Creative Commons