Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/33800| Título: | Desenvolvimento de manejo de alface em hidroponia por rede neural artificial convolucional |
| Título(s) alternativo(s): | Development of lettuce management in hydroponics by convolutional artificial neural network |
| Autor(es): | Leal, Eduardo Ribeiro Pereira |
| Orientador(es): | Leite, Deborah Catharine de Assis |
| Palavras-chave: | Inteligência artificial Aprendizado do computador Algorítmos computacionais Artificial intelligence Machine learning Computer algorithms |
| Data do documento: | 28-Fev-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | LEAL, Eduardo Ribeiro Pereira. Desenvolvimento de manejo de alface em hidroponia por rede neural artificial convolucional. 2024. Dissertação (Mestrado em Tecnologias Computacionais para o Agronegócio) - Universidade Tecnológica Federal do Paraná, Medianeira, 2024. |
| Resumo: | Obter um maior rendimento na produção ou mesmo diminuir o desperdício é um grande desafio, principalmente associando produtividade e qualidade. Dentre os problemas encontrados estão a preservação ambiental e ausência de tecnologia de automação que auxilie o produtor no monitoramento de seu plantio. O cultivo hidropônico em ambiente controlado possibilita uma opção sustentável de produção rápida e saudável, com redução dos impactos negativos do plantio utilizando solo. O uso de sensores e câmeras possibilitam a coleta de informações das plantas de uma forma não invasiva, não causando danos a elas. O presente trabalho teve por objetivo detectar e classificar padrões de imagens da alface hidropônica crepa verde (Lactuca sativa L.) submetidas a falhas no sistema de irrigação por meio de Rede Neural Artificial convolucional ( CNNs). Para a realização deste trabalho, foi utilizado o delineamento experimental inteiramente casualizado (DIC), onde foram avaliados quatro tratamentos, separados em dois tratamentos com estresse hídrico e um segundo com o mesmo tamanho sem o estresse hídrico, com cinco repetições de cada cultivar, totalizando vinte amostras com a interrupção controlada do fluxo de água e nutrientes durante trinta minutos, simulando o estresse hídrico e sendo analisado a massa úmida(MU),número de folhas maior de 10 cm(NF10) e massa seca(MS). Para a deteção e classificação foi utilizado TensorFlow e Keras, utilizando Unidade Central de Processamento (CPU) e Yolo com Darknet utilizando Unidade de Processamento Gráfico GPU. Os resultados com a simulação controlada do estresse hídrico demonstraram diferença estatísticas para as três variáveis observadas, considerando o teste de Tukey com 5% de probabilidade, onde indicou a perda de massa em 45%, diminuição no número de folhas em 29% e massa úmida em 43%. A média de acurácia utilizando TensorFlow foi de 83%, valor inferior a Yolo que atingiu 98% Mean Average Precision (mAP). Esses resultados indicam que o processamento digital de imagem com o uso de rede neural convolucional artificial é uma abordagem promissora para a detecção de padrões em cultivares hidropônicos. Espera-se que as contribuições deste estudo sejam aplicadas em futuros desenvolvimentos na área de visão computacional, para auxiliar na rápida identificação da crise e evitar perdas, possibilitando obter um maior rendimento na produção ou mesmo diminuir o desperdício. |
| Abstract: | It is a major challenge obtaining higher yields in production or even reducing waste, especially when combining productivity and quality. Environmental preservation and lack of automation technology to assist the producer in monitoring their crops are some issues encountered. Hydroponic cultivation in a controlled environment offers a sustainable option for fast and healthy production, with a reduction in the negative impacts of soil-based planting. Sensors and cameras use allows for non-invasive plants data collection, without harming them. This study aimed to detect and classify image patterns of hydroponic green leaf lettuce (Lactuca sativa L.) subjected to irrigation system failures using Convolutional Neural Network (CNNs). Due to this paper, the experimental design used was completely randomized, evaluating four treatments - two with water stress and one without stress but with the same sizes, with five replicates of each cultivation, totalizing twenty samples with controlled interruption of water and nutrient flow for thirty minutes to simulate hydro stress, analyzing wet mass (WM), number of leaves larger than 10 cm (NL10), and dry mass (DM). TensorFlow and Keras were used for detection and classification, employing Central Processing Unit (CPU), and Yolo with Darknet using Graphics Processing Unit (GPU). Controlled water stress simulation results showed statistical differences for the three observed variables, as per the Tukey test with 5% probability, indicating a 45% mass loss, 29% decrease in leaf number, and 43% decrease in wet mass. The average accuracy using TensorFlow was 83%, lower than Yolo which achieved 98% Mean Average Precision (mAP). These results suggest that digital image processing with artificial convolutional neural networks is a promising approach for pattern detection in hydroponic cultivation. It is expected that the contributions of this study will be applied in future computer vision developments, aiding in the fast crisis identification, preventing losses and achieve higher production yields and waste reduction. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/33800 |
| Aparece nas coleções: | MD - Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| manejoalfacehidroponia.pdf | 3,07 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
