Banca de DEFESA: ALFREDO FELIPE LOPES NETO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ALFREDO FELIPE LOPES NETO
DATA : 08/12/2023
HORA: 14:00
LOCAL: Sala Multimídia (LCC)
TÍTULO:

Aplicação de Deep Learning em dois Estágios para Classificação de Contexto de Patógenos em Plantas

PALAVRAS-CHAVES:

 

deep learning, redes neurais convolucionais, aprendizado supervisionado, detecção de doenças em plantas, classificação por contexto

PÁGINAS: 86
RESUMO:

Deep learning pertence ao domínio de aprendizado de máquina que tem alcançado notáveis êxitos em várias atividades, em comparação com outras abordagens desse domínio. Dentre essas atividades, a detecção e classificação de objetos em imagens destacam-se como exemplos notáveis. Comumente, aplicações desse tipo, segundo a literatura, utilizam uma única rede neural convolucional para realizar o processo de detecção, delimitando as regiões de interesse que contém o objeto, bem como determinando a classificação desse objeto em uma classe. Com o intuito de aprimorar os resultados na detecção e classificação de imagens referentes a plantas com folhas apresentando, ou não, patógenos, esse trabalho propõe explorar a construção de um sistema que utiliza redes neurais convolucionais, composto por dois estágios, um para efetuar a detecção de regiões de interesse na imagem e o outro para determinar a classificação dessas regiões, por intermédio de aprendizado supervisionado, e ao final, com base nos dados obtidos, determinar uma classificação por contexto, ou seja, classificar se a planta presente na imagem está doente ou não, com base no contexto das folhas detectadas. Para validar esse método, foram realizados experimentos utilizando uma base de dados composta por imagens de plantas de maçã, pimentão, milho. batata, tomate e uva. Os resultados indicam que a abordagem do sistema utilizando dois estágios apresentam um desfecho satisfatório, no primeiro estágio para detecção uma precisão de quase 90% e um mAP de 91,27%, com resultados igualmente importantes nas métricas recall e IoU, e no segundo estágio para classificação apresentando uma média de precisão de 93%, com resultados igualmente importantes nas métricas recall e F1-Score. Por fim, o sistema como um todo, em decorrência dos resultados dos estágios, se mostra eficiente para realizar a classificação por contexto, de igual modo, esta abordagem permite uma maior flexibilidade na seleção das redes de detecção e classificação para adequar o modelo a específicos cenários.

MEMBROS DA BANCA:
Interno - 1631848 - ARAKEN DE MEDEIROS SANTOS
Externo à Instituição - DANIEL SABINO AMORIM DE ARAUJO - UFRN
Externo à Instituição - SEBASTIÃO EMIDIO ALVES FILHO
Presidente - 1566120 - SILVIO ROBERTO FERNANDES DE ARAUJO