Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/35297
Título: Modelos de aprendizado de máquina para detectar estresse abiótico e clorofila total em folhas de trigo usando espectroscopia óptica
Título(s) alternativo(s): Machine learning models to detect abiotic stress and total chlorophyll in wheat leaves using optical spectroscopy
Autor(es): Cutipa Flores, Walter Oswaldo
Orientador(es): Fabris, José Luís
Palavras-chave: Espectroscopia de refletância
Clorofila
Aprendizado do computador
Fluorimetria
Plantas - Efeito do estresse
Reflectance spectroscopy
Chlorophyll
Machine learning
Fluorimetry
Plants - Effect of stress on
Data do documento: 8-Out-2024
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Curitiba
Citação: CUTIPA FLORES, Walter Oswaldo. Modelos de aprendizado de máquina para detectar estresse abiótico e clorofila total em folhas de trigo usando espectroscopia óptica. 2024. Dissertação (Mestrado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2024.
Resumo: A detecção do estresse abiótico e a estimativa da clorofila é fundamental para determinar a saúde das plantas. Existem diferentes métodos para estimar e detectar esses valores nas plantas com espectroscopia óptica. Os métodos podem ser destrutivos (espectroscopia de absorção) ou não destrutivos (espectroscopia de reflexão). Assim, o objetivo principal desta pesquisa é desenvolver modelos de inteligência artificial para detectar estresse abiótico e estimar a clorofila total em trigo por meio de espectroscopia de reflexão difusa. Foi realizado um experimento para gerar quinze condições de estresse diferentes, incluindo iluminação e quantidade de água, a partir de sementes de trigo que germinaram e cresceram até o sétimo dia. Com as amostras de folhas de trigo, foram obtidos espectros de reflexão e absorção. Na análise para a classificação por estresse hídrico (3ml, 5ml e 10ml), foram comparados vários modelos MiniRocket com técnicas de pré-processamento, como o filtro Savitzky-Golay, a remoção de contínuo (CR), a remoção de tendência (DT), a normalização dos espectros de reflexão por área, a variante padrão normal (SNV) e a correção multiplicativa de dispersão (MSC). Os resultados mostram que os modelos que empregam SNV e CR alcançaram precisão perfeita para dados de validação. Para a classificação por estresse luminoso (LED verde, vermelho, azul, branco e um escuro), os modelos avaliados com diferentes técnicas de pré-processamento atingiram precisões que variam entre 0.841 e 0.986, onde o melhor modelo obtido para a classificação do estresse luminoso alcançou uma precisão de 0.986 para dados de validação. A previsão do conteúdo de clorofila em folhas de trigo a partir de espectroscopia de reflexão difusa multiangular foi abordada utilizando modelos de aprendizado de máquina que incluem rede neural profunda (DNN) e MiniRocket, revelando que tanto DNN quanto MiniRocket apresentaram alto desempenho na previsão do conteúdo de clorofila. MiniRocket mostrou tempos de processamento mais curtos (tão baixos quanto 2.667 s e até 6.840 s), mas com um coeficiente de determinação de 0.928 para o melhor modelo. DNN teve tempos de processamento mais longos (variando de 76.50 s a 152.35 s), mas alcançou coeficientes de determinaçãon de 0.993 no conjunto de dados de validação. Finalmente, concluise que a pesquisa demonstrou a eficácia de combinar a espectroscopia de reflexão multiangular com técnicas de aprendizado de máquina para detectar estresse e estimar o conteúdo de clorofila em folhas de trigo. Essa abordagem fornece um método mais preciso e robusto, abrindo novas perspectivas e possíveis direções para futuras pesquisas em análise de plantas e aplicações espectrais.
Abstract: The detection of abiotic stress and the estimation of chlorophyll are fundamental for determining plant health. There are different methods to estimate and detect these values in plants using optical spectroscopy. The methods can be destructive (absorption spectroscopy) or non-destructive (reflection spectroscopy). Thus, the main objective of this research is to develop artificial intelligence models to detect abiotic stress and estimate total chlorophyll in wheat through diffuse reflection spectroscopy. An experiment was conducted to generate fifteen different stress conditions, including lighting and water amount, from wheat seeds that germinated and grew until the seventh day. With the wheat leaf samples, reflection and absorption spectra were obtained. In the analysis for water stress classification (3ml, 5ml, and 10ml), several MiniRocket models were compared with preprocessing techniques such as the Savitzky-Golay filter, Continuum Removal (CR), De-trending (DT), Normalization of Reflectance Spectra by Area, Standard Normal Variate (SNV), and Multiplicative Scatter Correction (MSC). The results show that models using SNV and CR achieved perfect precision for validation data. For light stress classification (green, red, blue and white LEDs and one dark), models evaluated with different preprocessing techniques achieved precisions ranging from 0.841 to 0.986, where the best model obtained for light stress classification achieved a precision of 0.986 for validation data. The prediction of chlorophyll content in wheat leaves from multi-angular diffuse reflection spectroscopy was addressed using machine learning models including deep neural network (DNN) and MiniRocket, revealing that both DNN and MiniRocket achieved high performance in predicting chlorophyll content. MiniRocket showed shorter processing times (as low as 2.667 s and up to 6.840 s) but with a coefficient of determination of 0.928 for the best model. DNN had longer processing times (ranging from 76.50 s to 152.35 s) but achieved coefficients of determination of 0.993 for the validation dataset. Finally, it is concluded that the research demonstrated the effectiveness of combining multi-angular reflection spectroscopy with machine learning techniques to detect stress and estimate chlorophyll content in wheat leaves. This approach provides a more accurate and robust method, opening new perspectives and possible directions for future research in plant analysis and spectral applications.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/35297
Aparece nas coleções:CT - Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
machinelearningmodelschlorophyl.pdf12,19 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons