Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40527| Título: | Segmentação de imagens para análise do crescimento de alface em sistema hidropônico por aprendizado profundo |
| Título(s) alternativo(s): | Image segmentation for the analysis of lettuce growth in a hydroponic system using deep learning |
| Autor(es): | Andrade, Jakeline da Silva |
| Orientador(es): | Paula Filho, Pedro Luiz de |
| Palavras-chave: | Agricultura de precisão Produtividade agrícola Aprendizado do computador Precision farming Agricultural productivity Machine learning |
| Data do documento: | 12-Mar-2026 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | ANDRADE, Jakeline da Silva. Segmentação de imagens para análise do crescimento de alface em sistema hidropônico por aprendizado profundo. 2026. Dissertação (Mestrado em Tecnologias Computacionais para o Agronegócio) - Universidade Tecnológica Federal do Paraná, Medianeira, 2026. |
| Resumo: | A alface é uma hortaliça herbácea que, além de seus benefícios à saúde, apresenta facilidade de cultivo ao longo de todo o ano quando produzida em ambiente protegido. Entre os métodos de cultivo, destaca-se o sistema hidropônico, que oferece vantagens em relação ao cultivo em solo. No entanto, mesmo em condições controladas, podem ocorrer problemas no desenvolvimento das plantas, como má formação, estresse hídrico e deficiência nutricional. Diante disso, este estudo teve como objetivo desenvolver e aplicar técnicas de segmentação de imagens para alfaces cultivadas em sistema hidropônico, com foco na análise e no monitoramento do crescimento ao longo do ciclo de desenvolvimento. Para isso, foi construído um conjunto de dados com 1.570 imagens anotadas de alfaces. A partir desse conjunto, foram avaliados diferentes modelos de segmentação, com o objetivo de comparar seu desempenho e adequação ao problema. Entre os modelos analisados, destacaram-se o SAM 2.1 e o SAM 3, além dos modelos YOLOv11 e YOLOv12, utilizados em tarefas de detecção e segmentação em tempo real. A ferramenta T-Rex também foi empregada como apoio. Como resultado, o modelo SAM 2.1 apresentou o melhor desempenho após treinamento supervisionado, alcançando valores de Dice, Precisão e Recall de 0,90, 0,98 e 0,84, respectivamente. A partir das áreas segmentadas, foi possível quantificar a área ocupada pelas hortaliças nas imagens, em pixels, e acompanhar sua variação ao longo do tempo, permitindo o monitoramento do crescimento vegetal. Esses dados foram utilizados para modelar o crescimento por meio do modelo logístico de Verhulst. O modelo ajustado apresentou coeficiente de determinação médio de 0,978 e erro relativo médio inferior a 7%, indicando boa aderência aos dados observados. Conclui-se que a abordagem proposta é eficaz para o monitoramento do crescimento de hortaliças em sistemas hidropônicos, pois permite extrair automaticamente a área foliar em pixels ao longo do tempo, além de utilizar métricas como Dice, Precisão e Recall para avaliar o desempenho dos modelos, contribuindo para um acompanhamento mais preciso do desenvolvimento das plantas. |
| Abstract: | Lettuce is a herbaceous plant that, in addition to its health benefits, is easy to cultivate yearround when grown in a protected environment. Among the cultivation methods, the hydroponic system stands out, offering advantages over soil-based cultivation. However, even under controlled conditions, issues may arise in plant development, such as poor formation, water stress, and nutrient deficiency. In this context, this study aimed to develop and apply image segmentation techniques for lettuce grown in a hydroponic system, focusing on the analysis and monitoring of growth throughout the development cycle. To achieve this, a dataset consisting of 1,570 annotated images of lettuce was created. Based on this dataset, different segmentation models were evaluated in order to compare their performance and suitability for the problem. Among the analyzed models, SAM 2.1 and SAM 3 stood out, along with YOLOv11 and YOLOv12, which were used for real-time detection and segmentation tasks. The T-Rex tool was also employed as a supporting resource. As a result, the SAM 2.1 model showed the best performance after supervised training, achieving Dice, Precision, and Recall values of 0.90, 0.98, and 0.84, respectively. From the segmented areas, it was possible to quantify the area occupied by the plants in the images in pixels and track its variation over time, enabling the monitoring of plant growth. These data were used to model growth using the Verhulst logistic model. The fitted model showed an average coefficient of determination of 0.978 and an average relative error below 7%, indicating a good fit to the observed data. It is concluded that the proposed approach is effective for monitoring plant growth in hydroponic systems, as it allows the automatic extraction of leaf area in pixels over time, in addition to using metrics such as Dice, Precision, and Recall to evaluate model performance, contributing to a more accurate assessment of plant development. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40527 |
| Aparece nas coleções: | MD - Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| segmentacaoimagensanalisecrescimento.pdf | 47,22 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
