Navegando por Autor "Bento, Nicole Lopes"

Filtrar resultados informando as primeiras letras
Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Quality of coffee planting techniques by aerial sensors and statistical process control
    (Universidade Federal do Ceará, 2024) Santana, Lucas Santos; Ferraz, Gabriel Araújo e Silva; Cunha, João Paulo Barreto; Marin, Diego Bedin; Bento, Nicole Lopes; Faria, Rafael de Oliveira
    Planting is considered one of the most essential steps in coffee growing. Lack of uniformity in planting may compromise future operations. Therefore, verifying planting operations quality is fundamental to optimizing production processes and reducing costs. This study aimed to investigate planting techniques through Statistical Process Control (SPC) and aerial images. Carried out in two areas, managed manually and semi-mechanized in the Bom Jardim Farm (MG - Brazil). Data were collected through Remotely Piloted Aircraft (RPA). Quality control charts and density maps were used to identify variations in distribution and spacing between plants and planting rows. It was found that the planting carried out manually was 4.7% wider than projected due to spacing reduction from 0.5 m to 0.48 m. The semi-mechanized system displayed a deficit of 7% compared to the projected planting system, using 0.55 m between plants. The density map showed the most significant planting alignment variations. Despite displaying lower results than the manual system, the semi-mechanized system improvements are valid for their minimal average variations. Thus, correcting points found outside the limits can increase the efficiency of semi-mechanized planting.
  • Imagem de Miniatura
    Item
    Treinamento de algoritmo para identificação de mudas de café por meio de imagens aéreas
    (Embrapa Café, 2019-10) Santana, Lucas Santos; Santos, Gabriel Henrique Ribeiro dos; Ferraz, Gabriel Araújo e Silva; Santos, Luana Mendes dos; Barbosa, Brenon Diennevan Souza; Bento, Nicole Lopes
    Aplicação de sistemas computacionais na agricultura vem se tornando necessidade, para incrementos de produtividade. A cafeicultura é considerada um dos mais importantes ramos do agronegócio brasileiro, mas alguns pontos ainda podem ser melhorados. A contagem de mudas de café é feita manualmente a campo, considerada uma técnica que apresenta baixa agilidade principalmente em grandes plantações, causando perda de tempo e desconforto à pessoa encarregada por este trabalho. A utilização de tecnologias avançadas no campo surge no contexto da agricultura de precisão. Esta pesquisa tem como intuito apresentar treinamento de um algoritmo para contagem automática de mudas de cafeeiros a partir de imagens obtidas por veículo aéreo não tripulado (VANT). O algoritmo desenvolvido é baseado numa rede neural artificial do tipo convolucional (RNC). A pesquisa foi realizada em uma área experimental de café em 2 estágios 3 e 6 totalizando 0,4 hectares no município de Bom Sucesso MG. Para a coleta das imagens foi utilizado um veículo aéreo não tripulado (VANT) modelo phanton 4, com capacidade de coletar imagens na composição Red Blue e Green (RGB). Os voos foram feitos com 30 metros de altura, velocidade de 3 m/s, sobreposição frontal e lateral de 80%. Para a criação do ortomosaico as imagens foram processadas no software Agisoft Photoscan e posteriormente tratadas no software Arcgis 10.2. Em seguida foi submetido a fase de treinamento, para a detecção automática das mudas no ortomosaico. Primeiramente foi necessário a criação de um banco de dados, com a finalidade de treinar e validar a rede neural YOLO (You Only Look Once). Após o treinamento foi utilizada a técnica de usar pequenos recortes de uma imagem se chama janelamento, na qual foram realizados 762 recortes. As imagens usadas para o treino da rede neural são distintas das imagens usadas para validação para assim o software demostrar o aprendizado. Os resultados apresentados em plantas de 3 meses não foram satisfatórios, pois ocorreu confusão na identificação entre mudas e plantas daninhas e sombras. Nas imagens de 6 meses foi observado melhor desempenho na identificação por meio de treinamento de algoritmos. A partir do treinamento de algoritmo por meio de aprendizado foi possível detectar mudas de cafeeiros a campo. Portanto para um refinamento e maior precisão do algoritmo é necessário o treinamento em diversas áreas e cultivares diferentes.