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

• Processo: 20/04103-2
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de julho de 2020
• Data de Término da vigência: 31 de maio de 2021
• Área de conhecimento: Ciências Agrárias - Engenharia Agrícola - Engenharia de Água e Solo
• Pesquisador responsável: Patricia Angélica Alves Marques
• Beneficiário: Felipe Nogueira de Sá Marto
• Instituição Sede: Escola Superior de Agricultura Luiz de Queiroz (ESALQ). Universidade de São Paulo (USP). Piracicaba , SP, Brasil
• Vinculado ao auxílio: 19/14029-7 - Utilização de rede neural convolucionária e imagem termal na determinação de déficit hídrico, AP.R
• Assunto(s): Produção agrícola Manejo da irrigação Demanda de água Escassez de água Redes neurais convolucionais Transferência de aprendizado de máquina
• Palavra(s)-Chave do Pesquisador: Estimativa por Inteligência Artificial | Glycine Max L | Manejo da irrigação | Modelagem agrícola | Necessidade hídrica | Simulação e aprendizagem de máquina | Manejo da irrigação - Inovação

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 convolucionários melhor se adequariam a tarefa. Assim buscou-se os modelos convolucionários 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.