Orientador: Rouverson Pereira da Silva / Coorientador: Walter Maldonado Jr. / Coorientador: Cristiano Zerbato / Resumo: Uma maneira de melhorar a qualidade da operação de colheita mecanizada do algodão é alterar as configurações e regulagens de colhedora ao longo do processo de acordo com informações que podem ser adquiridas durante a própria colheita. Acreditamos que a previsão da produtividade pode se tornar uma informação de grande importância no gerenciamento da qualidade da operação, visando ao aumento da eficiência e redução das perdas no processo. Portanto, nessa pesquisa apresentamos o desenvolvimento de um sistema inteligente capaz de prever a produtividade do algodão em imagens coloridas, adquiridas por um dispositivo mobile simples. Propomos uma abordagem robusta às condições ambientais, treinando algoritmos de detecção com imagens adquiridas em diferentes horários ao longo do dia. Os resultados experimentais para o modelo SSD Mobilenet V1 indicaram que é possível realizar a contagem dos capulhos presentes nas imagens adquiridas em diferentes horários ao longo do dia, com erros médios de 8.84% (~5 capulhos). Além disso, avaliando a previsão da produtividade em 204 imagens do conjunto de dados de teste, o erro foi igual à 11%. Esse valor representa variações de até 11.90 gramas entre cada previsão. / Abstract: The predict of yield before the mechanized harvesting of a cotton crop depends on the rigorous collection of data in the field, making it impossible to perform in large areas. We believe that this prediction can become a very important information in the management of the quality of the operation. Therefore, in this research we present the development of an intelligent system capable of predicting the productivity of cotton in images acquired by a simple mobile device. We propose a robust approach to environment conditions by training detection algorithms with images acquired at different times throughout the day. The experimental results for the Mobilenet V1 SSD model indicated that it is possible to count the bolls present in the images acquired at different times throughout the day, with average errors of 8.84%. In addition, evaluating the productivity forecast in 204 images of the test dataset, the error was equal to 11%, this value represents variations of up to 11.90 grams between predictions. In future studies we will evaluate the performance of this system to perform the counting of the bolls and predict the productivity of cotton in real time during the mechanized harvesting operation. / Mestre
| Identifer | oai:union.ndltd.org:UNESP/oai:www.athena.biblioteca.unesp.br:UEP01-000915694 |
| Date | January 2019 |
| Creators | Oliveira, Danilo Tedesco de. |
| Contributors | Universidade Estadual Paulista "Júlio de Mesquita Filho" Faculdade de Ciências Agrárias e Veterinárias. |
| Publisher | Jaboticabal, |
| Source Sets | Universidade Estadual Paulista |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | text |
| Format | i, 41 f. : |
| Relation | Sistema requerido: Adobe Acrobat Reader |
Page generated in 0.0029 seconds