Nutritional Evaluation of Brachiaria brizantha cv. marandu using Convolutional Neural Networks
Open Access
- 1 January 2020
- journal article
- research article
- Published by IBERAMIA: Sociedad Iberoamericana de Inteligencia Artificial in INTELIGENCIA ARTIFICIAL
- Vol. 23 (66), 85-96
- https://doi.org/10.4114/intartif.vol23iss66pp85-96
Abstract
A identificação do estresse nutricional das plantas com base nos sintomas visuais é predominantemente manual e é realizada por especialistas treinados para identificar tais anomalias. Além disso, esse processo tende a consumir muito tempo, tem uma variabilidade entre as áreas de cultivo e é frequentemente necessário para análise em vários pontos da propriedade. Este trabalho propõe um sistema de reconhecimento de imagens que analisa o estado nutricional da planta para ajudar a resolver esses problemas. A metodologia utiliza aprendizado profundo que automatiza o processo de identificação e classificação do estresse nutricional de Brachiaria brizantha cv. marandu. Um sistema de reconhecimento de imagem foi construído e analisa o estado nutricional da planta usando as imagens digitais de suas folhas. O sistema identifica e classifica as deficiências de nitrogênio e potássio. Ao receber a imagem da folha do pasto, após uma classificação realizada por uma rede neural convolucional (CNN), o sistema apresenta o resultado do estado nutricional diagnosticado. Os testes realizados para identificar o estado nutricional das folhas apresentaram uma precisão de 96%. Estamos trabalhando para expandir os dados do banco de dados de imagens para obter um aumento nos níveis de precisão, visando o treinamento com maior quantidade de informações apresentadas à CNN e, assim, obtendo resultados mais expressivos.Keywords
This publication has 22 references indexed in Scilit:
- Three-channel convolutional neural networks for vegetable leaf disease recognitionCognitive Systems Research, 2019
- Factors influencing the use of deep learning for plant disease recognitionBiosystems Engineering, 2018
- Identification of Maize Leaf Diseases Using Improved Deep Convolutional Neural NetworksIEEE Access, 2018
- Nitrogen diagnosis based on dynamic characteristics of rice leaf imagePLOS ONE, 2018
- An explainable deep machine vision framework for plant stress phenotypingProceedings of the National Academy of Sciences of the United States of America, 2018
- Deep learning in agriculture: A surveyComputers and Electronics in Agriculture, 2018
- Identification of rice diseases using deep convolutional neural networksNeurocomputing, 2017
- Plant species classification using deep convolutional neural networkBiosystems Engineering, 2016
- Using Deep Learning for Image-Based Plant Disease DetectionFrontiers in Plant Science, 2016
- Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image ClassificationComputational Intelligence and Neuroscience, 2016