Machine learning and deep learning applied to computer vision for nutritional status classification in maize (Zea mays L.) (2025)
- Authors:
- Autor USP: SILVA, THIAGO LIMA DA - ESALQ
- Unidade: ESALQ
- Sigla do Departamento: LEB
- DOI: 10.11606/T.11.2025.tde-02122025-093111
- Subjects: APRENDIZADO COMPUTACIONAL; DIAGNOSE FOLIAR; ESTADO NUTRICIONAL; MILHO; NITROGÊNIO; NUTRIÇÃO VEGETAL; REDES NEURAIS; VISÃO COMPUTACIONAL
- Keywords: Fenotipagem digital
- Language: Inglês
- Abstract: O uso de técnicas de aprendizado de máquina e aprendizado profundo têm se mostrado promissor para o reconhecimento de padrões em imagens de interesses agrícolas, especialmente na avaliação do estado nutricional de culturas. Este trabalho teve como objetivo geral classificar folhas de milho (Zea mays L.) submetidas a diferentes doses de nitrogênio em dois estágios fenológicos V4 e R1, por meio da extração de atributos de textura e do uso de diferentes algoritmos de aprendizado de máquina e arquiteturas de redes neurais convolucionais. As folhas foram escaneadas em alta resolução, segmentadas em blocos de imagens de 224×224 pixels e organizadas em classes referentes às doses de nitrogênio como, D1 (omissão), D2 (metade da dose recomendada), D3 (dose recomendada), D4 (excesso). Para os métodos clássicos, aplicou-se a Matriz de Coocorrência de Níveis de Cinza para a extração de atributos como, contraste, correlação, energia, homogeneidade, dissimilaridade, entropia, média e variância, posteriormente utilizados em classificadores como Support Vector Machine e Artificial Neural Network. Para os métodos baseados em aprendizado profundo, foram avaliadas as arquiteturas AlexNet, DenseNet201, EfficientNetB0, GoogLeNet, NasNetMobile, ResNet50, ResNet101 e VGG19, utilizando validação cruzada k-fold (k = 10). Os resultados mostraram que, no estádio V4, a separação entre as classes apresentou maior sobreposição, refletindo em desempenhos moderados, especialmente para AlexNet e GoogLeNet.No estádio R1, observou-se ganho expressivo na acurácia e no coeficiente Kappa, com destaque para as arquiteturas mais profundas como ResNet50, ResNet101 e DenseNet, que superaram consistentemente os métodos de aprendizado de máquina clássicos. Concluiu-se que as redes de maior profundidade apresentam maior capacidade de generalização e discriminação de padrões espectrais relacionados ao nitrogênio em milho, principalmente em estágios reprodutivos. Assim, este trabalho contribui para o avanço da fenotipagem digital e diagnóstico nutricional de plantas, reforçando o potencial do uso de visão computacional e inteligência artificial em sistemas agrícolas
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2025
- Data da defesa: 25.09.2025
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
SILVA, Thiago Lima da. Machine learning and deep learning applied to computer vision for nutritional status classification in maize (Zea mays L.). 2025. Tese (Doutorado) – Universidade de São Paulo, Piracicaba, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-02122025-093111/. Acesso em: 22 jan. 2026. -
APA
Silva, T. L. da. (2025). Machine learning and deep learning applied to computer vision for nutritional status classification in maize (Zea mays L.) (Tese (Doutorado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11152/tde-02122025-093111/ -
NLM
Silva TL da. Machine learning and deep learning applied to computer vision for nutritional status classification in maize (Zea mays L.) [Internet]. 2025 ;[citado 2026 jan. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-02122025-093111/ -
Vancouver
Silva TL da. Machine learning and deep learning applied to computer vision for nutritional status classification in maize (Zea mays L.) [Internet]. 2025 ;[citado 2026 jan. 22 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-02122025-093111/ - Spatial and temporal variability management for all farmers: a cell-size approach to enhance coffee yields and optimize inputs
- Classification of the nutritional condition of bean plants (Phaseolus Vulgaris) using convolutional neural networks and image analysis
- Fusão de sensores aplicada à estimativa da intensidade luminosa (LUX) em aula prática
- Performance of machine learning models in predicting common bean (Phaseolus vulgaris L.) crop nitrogen using NIR spectroscopy
- Machine learning in the classification of RGB images of maize (Zea mays L.) using texture attributes and different doses of nitrogen
- Performance of neural networks in the prediction of nitrogen nutrition in strawberry plants
Informações sobre o DOI: 10.11606/T.11.2025.tde-02122025-093111 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
