Using machine learning and RGB images to assess nitrogen and potassium status in sorghum (Sorghum bicolor L.) under field conditions (2025)
- Authors:
- USP affiliated authors: BAESSO, MURILO MESQUITA - FZEA ; TECH, ADRIANO ROGERIO BRUNO - FZEA ; DEVECHIO, FERNANDA DE FÁTIMA DA SILVA - FZEA ; LEAO, MURILO DE LIMA - FZEA ; MARTINS, GUILHERME AUGUSTO - ESALQ ; REGAZZO, JAMILE RAQUEL - ESALQ ; RICCI, CARLOS EDUARDO NUNES - ESALQ
- Unidades: FZEA; ESALQ
- DOI: 10.3390/agriengineering7110367
- Subjects: APRENDIZADO COMPUTACIONAL; ESTADO NUTRICIONAL; IMAGEM DIGITAL; NUTRIÇÃO VEGETAL; NUTRIENTES MINERAIS DO SOLO; POTÁSSIO; SORGO
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Source:
- Título: AgriEngineering
- ISSN: 2624-7402
- Volume/Número/Paginação/Ano: v. 7, art. 367, p. 1-17, 2025
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
MARTINS, Guilherme Augusto et al. Using machine learning and RGB images to assess nitrogen and potassium status in sorghum (Sorghum bicolor L.) under field conditions. AgriEngineering, v. 7, p. 1-17, 2025Tradução . . Disponível em: https://doi.org/10.3390/agriengineering7110367. Acesso em: 07 maio 2026. -
APA
Martins, G. A., Baesso, M. M., Devechio, F. de F. da S., Tech, A. R. B., Regazzo, J. R., Ricci, C. E. N., & Leão, M. de L. (2025). Using machine learning and RGB images to assess nitrogen and potassium status in sorghum (Sorghum bicolor L.) under field conditions. AgriEngineering, 7, 1-17. doi:10.3390/agriengineering7110367 -
NLM
Martins GA, Baesso MM, Devechio F de F da S, Tech ARB, Regazzo JR, Ricci CEN, Leão M de L. Using machine learning and RGB images to assess nitrogen and potassium status in sorghum (Sorghum bicolor L.) under field conditions [Internet]. AgriEngineering. 2025 ; 7 1-17.[citado 2026 maio 07 ] Available from: https://doi.org/10.3390/agriengineering7110367 -
Vancouver
Martins GA, Baesso MM, Devechio F de F da S, Tech ARB, Regazzo JR, Ricci CEN, Leão M de L. Using machine learning and RGB images to assess nitrogen and potassium status in sorghum (Sorghum bicolor L.) under field conditions [Internet]. AgriEngineering. 2025 ; 7 1-17.[citado 2026 maio 07 ] Available from: https://doi.org/10.3390/agriengineering7110367 - Análise do status do nitrogênio no feijoeiro utilizando imagens
- Frota virtual: pesquisadores da USP desenvolvem software para controle da manutenção de máquinas agrícolas, que pretende descomplicar os diversos precessos desde a identificação de peças até a sua cotação e disponibilidade nas concessionárias
- Uso de um sistema computacional para gestão da manutenção de frotas agrícolas
- Desenvolvimento de um sistema de gerenciamento de manutenção para máquinas agrícolas
- Classification of the nutritional condition of bean plants (Phaseolus Vulgaris) using convolutional neural networks and image analysis
- Machine learning in the classification of RGB images of maize (Zea mays L.) using texture attributes and different doses of nitrogen
- Avaliação do estado nutricional da cultura do sorgo (Sorghum bicolor L.) submetido a diferentes níveis de nitrogênio e potássio através de métodos de Machine Learning
- Análise de indicadores de produtividade com aplicação de ferramentas de gestão da qualidade na manutenção de colhedoras de cana-de-açúcar
- Sistema de visão artificial para a identificação da nutrição de milho submetido a níveis de cálcio, magnésio e enxofre
- Reconhecimento de padrões de nutrição para nitrogênio e potássio em híbridos de milho por análise de imagens digitais
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3280825-Using_Machine_Lea... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
