Banca de DEFESA: ANTONIO TEIXEIRA SANTANA NETO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ANTONIO TEIXEIRA SANTANA NETO
DATA : 24/06/2024
HORA: 16:00
LOCAL: Online
TÍTULO:

lassificação e predição dos níveis de susceptibilidade do Coffea arabica à ferrugem do cafeeiro usando redes convolucionais ajustadas por transferência de aprendizado. 

 
 
 
 

PALAVRAS-CHAVES:

 

Banco de Imagens, Coffea arabica, Melhoramento Genético, Hemileia vasta- trix, Redes Neurais Convolucionais, Visão Computacional, Inteligência Artificial.

 
 
 
 

PÁGINAS: 70
RESUMO:

 

O café é uma das culturas agrícolas mais importantes do mundo, com o Brasil sendo o maior produtor e segundo maior consumidor. A produtividade das lavouras de Coffea arabica é afetada por diversos fatores, incluindo a ferrugem do cafeeiro causada pelo fungo Hemileia vastatrix. O controle dessa doença é crucial, e a seleção de cultivares resistentes é uma estraté- gia eficiente. Em programas de melhoramento genético, a resistência é avaliada usando discos foliares inoculados com o patógeno, um processo que depende de avaliações subjetivas por especialistas, sendo demorado e custoso. A inteligência artificial (IA) desenvolve algoritmos que simulam tarefas cognitivas humanas, como raciocínio e aprendizagem. Redes Neurais Con- volucionais (CNNs) são ferramentas de IA eficazes no processamento de imagens, permitindo inferências precisas e rápidas. No entanto, o desempenho das CNNs depende de grandes conjuntos de imagens de treinamento. Embora existam muitos bancos de dados sobre ferrugem do cafeeiro, poucos utilizam a metodologia de discos foliares ou apresentam diferentes estágios da doença de forma padronizada. Este estudo propõe o uso de transferência de aprendizado e CNNs para classificação e predição da severidade da ferrugem do cafeeiro. Foi utilizado um banco de imagens com 9.426 fotos de discos foliares inoculados e categorizados em seis classes. As CNNs pré-treinadas, VGG-16, VGG-19, InceptionV3, ResNet50, ResNet101 e DenseNet121, alcançaram acurácias superiores a 91% na classificação binária e acima de 73% no problema multiclasse, superando métodos tradicionais. Além disso, os modelos previram as notas finais com uma e duas semanas de antecedência à última avaliação humana, com acurácias acima de 89% na penúltima semana. Esses resultados destacam o potencial das técnicas de visão computacional e redes neurais profundas para acelerar e aprimorar o processo de melho- ramento genético em plantas.

 
 
 
 

MEMBROS DA BANCA:
Presidente - 039.539.296-90 - LEONARDO BONATO FELIX - UFV
Externo ao Programa - 054.836.936-47 - DANTON DIEGO FERREIRA - UFLA
Externa ao Programa - 839.775.706-68 - EVELINE TEIXEIRA CAIXETA MOURA - UFV
Externo ao Programa - 089.268.766-59 - RODOLPHO VILELA ALVES NEVES - UFV
Externo à Instituição - HEVERTON AUGUSTO PEREIRA - UFV
Notícia cadastrada em: 13/06/2024 12:16
SIGAA | NTInf - Núcleo de Tecnologia da Informação - +55(32)3379-5824 | Copyright © 2006-2024 - UFSJ - sigaa05.ufsj.edu.br.sigaa05