Resumo
Devido ao baixo custo e a agilidade na coleta de dados, Veículos Aéreos Não Tripulados (VANTs) são tipicamente usados no mapeamento de áreas agrícolas. Estes mapeamentos podem ajudar a detectar, em especial, doenças que afetam áreas plantadas, como as que se destinam ao cultivo da cana-de-açúcar. Neste contexto, a identificação de diferentes padrões em dados coletados por VANTs envolve, em grande parte, o uso de métodos e algoritmos de Aprendizado de Máquina sob o paradigma de aprendizado supervisionado. Contudo, estes métodos e algoritmos exigem significativa quantidade de dados rotulados para induzir modelos de classificação precisos e com boa capacidade de generalização, o que raramente é alcançado em aplicações agrícolas. Essa limitação abre espaço para o desenvolvimento de classificadores que, mesmo induzidos a partir de poucos dados rotulados, sejam capazes de mostrar resultados relevantes na detecção de padrões em plantações. O ponto de partida será a investigação de abordagens para a combinação de classificadores e agrupadores de dados, cuja ideia subjacente é compensar a falta de dados rotulados com a informação de grupos encontrados nos dados. A partir disso pretende-se conceber um método/algoritmo capaz de refinar modelos de classificação alimentados por dados visuais provindos do sensoriamento via VANT para a detecção da praga Migdolus Fryanus (broca da cana) na cultivar da cana-de-açúcar. (AU)
| Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio: |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |