Quantification and classification of coffee fruits with computer vision (2021)
- Authors:
- Autor USP: BAZAME, HELIZANI COUTO - ESALQ
- Unidade: ESALQ
- Sigla do Departamento: LEB
- DOI: 10.11606/T.11.2021.tde-14122021-160103
- Subjects: AGRICULTURA DE PRECISÃO; CAFÉ; COLHEDORAS; COLHEITA; REDES NEURAIS; VISÃO COMPUTACIONAL
- Language: Inglês
- Abstract: O café é uma das bebidas mais consumidas e comercializadas do mundo. O conhecimento sobre a produtividade e o estágio de maturação dos frutos de café antes, e após a colheita, ainda é um desafio para o setor cafeeiro. A criação de um sistema que permita obter essa informação de forma rápida e não invasiva é fundamental para uma gestão eficiente da lavoura. O avanço do monitoramento da cultura do café deve permitir a geração de mapas que apresentem informações essenciais na diagnose da variabilidade espacial e temporal da lavoura e, consequentemente, no eficiente uso das técnicas de agricultura de precisão. Umas das alternativas utilizadas para estimar a produtividade e o estágio de maturação dos frutos de café, seria a utilização de técnicas de visão computacional baseadas na detecção e classificação de objetos. O uso de visão computacional oferece solução de baixo custo e acessível, apresentado grande potencial para a melhoria do monitoramento da lavoura de café. Este estudo foi dividido em três capítulos que apresentam o uso de modelos de visão computacional baseados na arquitetura de redes neurais YOLO para detectar frutos de café em diferentes contextos. No capítulo 1, o modelo é utilizado para detectar e classificar frutos de café na planta, uma ferramenta que pode auxiliar pequenos e grandes produtores na decisão do início da colheita de forma rápida e objetiva. No capítulo 2, o modelo é utilizado para detectar e contar frutos de café durante a colheita mecanizada, oque permite que se gere mapas de produtividade para as áreas colhidas. No capítulo 3, o modelo é utilizado para detectar e classificar os frutos de café em diferentes estágios de maturação durante a colheita mecanizada, o que permite a espacialização do estágio de maturação do café para os talhões colhidos. Os modelos de visão computacional baseados na arquitetura YOLOv4 e uma imagem de entrada com resolução de 800x800 pixels apresentaram precisão média (mAP) de 81,2%, 83,5% e 91,8% para os cenários experimentados nos capítulos 1, 2 e 3, respectivamente. O mapa de produtividade estimado a partir das detecções obtidas pelo modelo foi capaz de explicar 81% da variância do mapa de produtividade utilizado como referência. O conhecimento da variabilidade espacial e temporal de informações como produtividade e o estágio de maturação são fundamentais para implantação de técnicas de agricultura de precisão na lavoura de café
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2021
- Data da defesa: 03.11.2021
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
BAZAME, Helizani Couto. Quantification and classification of coffee fruits with computer vision. 2021. Tese (Doutorado) – Universidade de São Paulo, Piracicaba, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-14122021-160103/. Acesso em: 17 out. 2024. -
APA
Bazame, H. C. (2021). Quantification and classification of coffee fruits with computer vision (Tese (Doutorado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11152/tde-14122021-160103/ -
NLM
Bazame HC. Quantification and classification of coffee fruits with computer vision [Internet]. 2021 ;[citado 2024 out. 17 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-14122021-160103/ -
Vancouver
Bazame HC. Quantification and classification of coffee fruits with computer vision [Internet]. 2021 ;[citado 2024 out. 17 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-14122021-160103/ - Assessing rainfall spatial variability in the Brazilian savanna region with TMPA rainfall dataset
- Spectral sensors prove beneficial in determining nitrogen fertilizer needs of Urochloa brizantha cv. Xaraes grass in Brazil
- Improvement of Hargreaves-Samani reference evapotranspiration estimates with local calibration
- Modeling the net primary productivity: a study case in the Brazilian territory
- Uncertainty quantification for hydrological models based on neural networks: the dropout ensemble
- Untangling hybrid hydrological models with explainable artificial intelligence
- Definition of optimal maize seeding rates based on the potential yield of management zones
- Detection, classification, and mapping of coffee fruits during harvest with computer vision
- Detection of coffee fruits on tree branches using computer vision
- Obtaining and validating high-density coffee yield data
Informações sobre o DOI: 10.11606/T.11.2021.tde-14122021-160103 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas