Detecção de pragas em plantações usando aprendizado semissupervisionado

• Processo: 18/08731-8
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de junho de 2018
• Data de Término da vigência: 29 de fevereiro de 2020
• Área de conhecimento: Interdisciplinar
• Pesquisador responsável: Luiz Fernando Sommaggio Coletta
• Beneficiário: Douglas Cardozo de Almeida
• Instituição Sede: Faculdade de Ciências e Engenharia. Universidade Estadual Paulista (UNESP). Campus de Tupã. Tupã , SP, Brasil
• Vinculado ao auxílio: 17/00357-7 - Detecção de padrões em plantações a partir da combinação de classificadores e agrupadores de dados, AP.R
• Assunto(s): Agricultura de precisão Pragas de plantas Controle de pragas Aprendizado computacional Agrupamento de dados Classificação de dados
• Palavra(s)-Chave do Pesquisador: Agricultura de precisão | Agrupamento de Dados | Aprendizado de Máquina | Classificação de Dados | Engenharia de Biossistemas, Ciência da Computação

Resumo

Este trabalho tem como foco o estudo de algoritmos de Aprendizado de Máquina (AM) capazes de fornecer melhores resultados na detecção de doenças em plantações ao superar dificuldades encontradas nesta tarefa. Em outras palavras, embora alguns trabalhos da literatura têm focado no uso de algoritmos supervisionados para induzir modelos capazes de detectar diferentes padrões visuais em plantações (e.g., pragas, ervas daninhas, falhas de plantio, etc.), nenhum desses estudos aborda diretamente a falta de dados rotulados para a indução desses classificadores. Assim, investigações com base em algoritmos semissupervisionados serão conduzidas. Neste contexto, o bolsista auxiliará em experimentos empíricos e estatísticos com o intuito de avaliar a eficácia e eficiência de classificadores semissupervisionados na detecção de pragas em cultivares (como a praga Migdolus Fryanus na cana-de-açúcar). Esta pesquisa ajudará no desenvolvimento de uma abordagem auto-adaptativa para superar a dificuldade de escassez de dados rotulados, permitindo, assim, a detecção do Migdolus Fryanus em dados visuais capturados por um VANT. (AU)