Utilização de rede neural convolucionária e imagem termal na determinação de déficit hídrico

• Processo: 19/14029-7
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de dezembro de 2019
• Data de Término da vigência: 30 de junho de 2022
• Área do conhecimento: Ciências Agrárias - Engenharia Agrícola - Engenharia de Água e Solo
• Pesquisador responsável: Patricia Angélica Alves Marques
• Beneficiário: Patricia Angélica Alves Marques
• Instituição Sede: Escola Superior de Agricultura Luiz de Queiroz (ESALQ). Universidade de São Paulo (USP). Piracicaba , SP, Brasil
• Pesquisadores associados: Leonardo Leite de Melo ; Roseli Aparecida Francelin Romero
• Bolsa(s) vinculada(s): 21/07306-4 - Utilização de rede neural convolucionaria e imagem termal na determinação de déficit hídrico, BP.TT; 20/04103-2 - Utilização de rede neural convulsionária e imagem termal na determinação de déficit hídrico , BP.TT
• Assunto(s): Manejo da irrigação Demanda de água Inteligência artificial Redes neurais convolucionais Modelagem e simulação Transferência de aprendizado de máquina Imagens termais Aprendizado computacional Glycine max Soja
• Palavra(s)-Chave do Pesquisador: Estimativa por Inteligência Artificial | Glycine Max L | Manejo da irrigação | Modelagem agrícola | Necessidade hídrica | Simulação e aprendizagem de máquina | Modelagem e Simulação

Resumo

A sustentabilidade da produção agrícola está diretamente relacionada ao gerenciamento da disponibilidade de água a cultura durante seu período de desenvolvimento, interferindo diretamente na produção final. Com o intuito de prover melhoria neste gerenciamento, nos últimos anos, vem se destacando a tecnologia de utilização de imagens termais, na qual permite a análise visual da temperatura de uma planta. Apesar das informações fornecidas por este tipo de imagem auxiliar no diagnóstico, a análise não é intuitiva e requer conhecimento sobre os processos físico-químicos da planta. Em advento a novas informações providas pelas imagens termais e a complexidade de sua interpretação, buscou-se métodos computacionais de redes neurais que focem capazes de auxiliar na realização da determinação de déficit hídrico em uma planta. Por se tratar de um problema de classificação de imagens, foi determinado que os modelos neurais convolucionarios melhor se adequariam a tarefa. Assim buscou-se os modelos convolucionarios referência na área de classificação de imagens, e será implementada a técnica de transfer learning nestes modelos a fim de realizar seu treinamento para a classificação do nível de déficit hídrico da planta. Pretende-se com este projeto ser capaz de produzir um modelo treinado que possa realizar tal tarefa de modo não destrutivo e permita a substituição dos métodos clássicos existentes, sem a necessidade de grandes infraestruturas. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

DE MELO, LEONARDO LEITE; MARTINS LEITE DE MELO, VERONICA GASPAR; ALVES MARQUES, PATRICIA ANGELICA; FRIZZONE, JOSE ANTONIO; COELHO, RUBENS DUARTE; FRANCELIN ROMERO, ROSELI APARECIDA; DA SILVA BARROS, TIMOTEO HERCULINO. Deep learning for identification of water deficits in sugarcane based on thermal images. Agricultural Water Management, v. 272, p. 13-pg., 2022-07-22. (19/14029-7)