Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/34381| Título: | Análise de carbono de solo com deep learning |
| Título(s) alternativo(s): | Soil organic matter analisys with deep learning |
| Autor(es): | Suemitsu, Rafael Antonio |
| Orientador(es): | Casanova, Dalcimar |
| Palavras-chave: | Carbono Redes neurais (Computação) Processamento de imagens Carbon Neural networks (Computer science) Image processing |
| Data do documento: | 20-Jun-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | SUEMITS, Rafael Antonio. Análise de carbono de solo com deep learning. 2024. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2024. |
| Resumo: | Na agricultura, a medição da matéria orgânica presente no solo é imprescindível, ela influencia diretamente nos resultados das colheitas, portanto, os agricultores precisam ter um bom controle de seus níveis. Atualmente, o método mais utilizado para medir os teores de matéria orgânica é um processo laboratorial demorado com diversas etapas, que geram resíduos químicos. Para ajudar neste problema, um método rápido, fácil e limpo para medição se faz necessário. Uma possível solução é fazer a análise utilizando processamento de imagens e sistemas inteligentes utilizando deep learning, especialmente as Convolutional Neural Network (CNN)s têm se provado muito eficiente em suas aplicações. Neste sentido, este trabalho propõe-se em treinar e utilizar um modelo baseado em CNN, utilizando uma base de dados de imagens Red, Green, Blue (RGB) das amostras de solo cambissolo e latossolo, solos minerais subsuperficiais, coletadas e rotuladas de acordo com teores de carbono detectados. A hipótese avaliada neste trabalho é que variações nos teores de matéria orgânica no solo resultam em variações de cor e textura que podem ser detectados nas imagens pelos três modelos de CNN utilizados, a Resnet50, Resnet18 e um modelo personalizado, treinados a partir das imagens separadas em três conjuntos com tratamento do Region of interest (ROI), utilizando somente a parte da amostra de solo na imagem. Antes dos testes da estimativa dos teores de carbono foram realizados dois testes introdutórios de classificação das imagens entre os dois tipos de solos, Latotosso e Cambissolo. No treinamento os conjuntos foram divididos pelo método holdout em conjuntos de treino, validação e teste, com proporção e demais variações dos testes como normalização e data augmentation escolhidos empiricamente. A validação dos resultados foi feita utilizando acurácia e matriz de confusão para as classificações. Para a regressão dos teores de carbono foram utilizados o Mean Absolute Error (MAE), Mean Squared Error (MSE) e Coeficiente de Determinação (R²), além de gráficos de dispersão com os valores reais e valores estimados pelos modelos. Na análise dos resultados, todos os testes realizados apresentaram overfitting, conclui-se que com imagens RGB e o conjunto de imagens utilizado não foi possível classificar nem obter uma boa estimativa para os teores de carbono orgânico. |
| Abstract: | In agriculture, the measurement of soil organic matter is essential as its varying levels directly influence the outcomes of harvests, therefore requiring diligent management by farmers. Currently, the most used method used to measure organic matter content is a labor-intensive laboratory process with multiple stages, that generates chemical waste. To address this issue, a rapid, easy, and clean measurement method is needed. One possible solution is to perform the analysis using image processing and intelligent systems employing deep learning, especially Convolutional Neural Network (CNN), which have proven highly effective in their applications. In this context, this study proposes to train and utilize a CNN-based model, using a database of Red, Green, Blue (RGB) images of collected Cambisol and Latosol soil samples labeled according to detected carbon content. The hypothesis evaluated in this study is that variations in soil organic matter content result in color and texture variations detectable in images by the three CNN models used: Resnet50, Resnet18, and a custom model, trained on images divided into three sets with Region of Interest (ROI) treatment, focusing solely on the soil sample area within the image. Before testing the carbon content, two introductory tests were conducted to classify the images between the two types of soil, Latosol and Cambisol. During training, the sets were divided by the holdout method into training, validation, and test sets, with the proportion and other variations of the tests such as normalization and data augmentation chosen empirically. The validation of the results was done using accuracy and confusion matrix for classifications. For the regression of carbon content, the Mean Absolute Error (MAE), Mean Squared Error (MSE), and Coeficiente de Determinação (R²) were used, along with scatter plots with the real and models estimated values. In the analysis of the results, all the tests conducted showed overfitting, concluding that with RGB images and the set of images used, it was not possible to classify or obtain a good estimate for the organic carbon content. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/34381 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| analisecarbonosolodeep.pdf | 25,91 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
