Um sistema inteligente que prevê a produtividade do algodão em imagens de lavouras comerciais

Carregando...
Imagem de Miniatura

Data

2019-03-01

Título da Revista

ISSN da Revista

Título de Volume

Editor

Universidade Estadual Paulista (Unesp)

Resumo

Uma maneira de melhorar a qualidade da operação de colheita mecanizada do algodão é alterar as configurações e regulagens de colhedora ao longo do processo de acordo com informações que podem ser adquiridas durante a própria colheita. Acreditamos que a previsão da produtividade pode se tornar uma informação de grande importância no gerenciamento da qualidade da operação, visando ao aumento da eficiência e redução das perdas no processo. Portanto, nessa pesquisa apresentamos o desenvolvimento de um sistema inteligente capaz de prever a produtividade do algodão em imagens coloridas, adquiridas por um dispositivo mobile simples. Propomos uma abordagem robusta às condições ambientais, treinando algoritmos de detecção com imagens adquiridas em diferentes horários ao longo do dia. Os resultados experimentais para o modelo SSD Mobilenet V1 indicaram que é possível realizar a contagem dos capulhos presentes nas imagens adquiridas em diferentes horários ao longo do dia, com erros médios de 8.84% (~5 capulhos). Além disso, avaliando a previsão da produtividade em 205 imagens do conjunto de dados de teste, o erro foi igual à 17.86%. Esse valor representa variações de até 19.14 gramas entre cada previsão.
One way to improve the quality of the mechanized cotton harvesting operation is to change settings and adjustments of the harvester throughout the process according to information acquired during the operation. We believe that yield prediction can become important information in managing the quality of the operation aiming at increasing efficiency and reducing losses in the process. Therefore, we present in this research the development of an intelligent system capable of predicting cotton yield from color images acquired by a simple mobile device. We propose a robust approach to environmental conditions, training detection algorithms with images acquired at different times throughout the day. The experimental results for the SSD MobileNet V1 model indicated the possibility of counting bolls present in the images acquired at different times throughout the day, with mean errors of 8.84% (~5 bolls). Also, the error was equal to 17.86% when evaluating yield prediction on 205 images from the test dataset. This value represents variations of up to 19.14 grams between each prediction.

Descrição

Palavras-chave

Aprendizagem de máquina, Detecção de objetos, Previsão de produtividade, Tendências para colheita inteligente, Deep Learning

Como citar