Palestrante
Descrição
O Objetivo foi criar um modelo computacional (1) capaz de diferenciar e diagnosticar de maneira precisa qual doença dentre as principais, que são: i) Cancro Cítrico; ii) Greening; iii) Verrugose; e iv) Deficiência de Zinco (2); que acometem uma determinada arvore produtora de citros a partir de uma imagem obtida por meio de espectroscopia de fluorescência (2) de uma folha sintomática. A partir do uso de um conjunto de LEDs de alta potência em 405 nm para realizar a excitação a amostra, combinado a um filtro passa banda de 690 nm foram coletadas imagens de 100 amostras de folhas sintomáticas de cada uma das doenças acima citadas. Estas imagens foram submetidas a um algoritmo de DeepLearn baseado em redes neurais convolucionais e conceitos de TransferLearning (3), onde foram utilizadas 90% delas para treinamento e 10% para teste para a busca da configuração ideal de pesos da rede por meio de técnicas de busca exaustiva. Por meio do uso de algoritmos de força bruta foi encontrado o resultado de 95% de precisão pelo método das redes neurais convolucionais, contra resultados passados que não atingiam os 80%. Concluí-se que O método se mostrou altamente eficiente obtendo resultados os quais podem ser aplicados ao campo e muito superiores aos métodos clássicos da literatura e aos foram utilizados em trabalhos anteriores da área, alcançando uma precisão muito alta mesmo se tratando de uma classificação multiclasses, algo que é extremamente custoso e difícil de se realizar.
Referências
1 NISBET, R.; ELDER, J. F.; MINER, G. Handbook of statistical analysis and data mining applications. Amsterdam: Elsevier, 2009.
2 WETTERICH, C. B. et al. Detection of Huanglongbing in Florida using fluorescence imaging spectroscopy and machine-learning methods. Applied Optics, v. 56, n. 1, p. 15-23, 2017.
3 CHOLLET, F. et al. Keras.2015. Disponivel em:https://keras.io/getting-started/faq/.Acesso em: 05 ago.2019.
Subárea | Física Computacional e Simulações Numéricas |
---|---|
Apresentação do trabalho acadêmico para o público geral | Não |