Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/7180
Título: Sensoriamento para a agricultura de precisão : embarcados para aeromodelos.
Autor(es): Oliveira, Richard Stanley Mota de
Orientador(es): Sica, Fernando Cortez
Reis, Agnaldo José da Rocha
Membros da banca: Sica, Fernando Cortez
Reis, Agnaldo José da Rocha
Ramalho, Regiane de Sousa e Silva
Monteiro, Paulo Marcos de Barros
Palavras-chave: Agricultura de precisão
Rede neural convolucional
Microcontrolador
Data do documento: 2024
Referência: OLIVEIRA, Richard Stanley Mota de. Sensoriamento para a agricultura de precisão: embarcados para aeromodelos. 2024. 46 f. Monografia (Graduação em Engenharia de Controle e Automação) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2024.
Resumo: Este trabalho apresenta o desenvolvimento de um sistema para identificar doenças em folhas de soja, utilizando o microcontrolador ESP32-CAM para a captura de imagens em tempo real. As folhas são classificadas em três categorias: saudáveis, com Mancha Olho-de-Rã ou com Mosaico Amarelo. Para essa classificação, foi desenvolvido um mo- delo de rede neural convolucional capaz de reconhecer padrões nas imagens. O modelo foi treinado e validado, apresentando resultados satisfatórios e uma boa precisão na identi- ficação das doenças. No entanto, a qualidade das imagens capturadas pela ESP32-CAM influenciou negativamente o desempenho. Dessa forma, o uso de uma base de dados gerada diretamente pela câmera pode aprimorar ainda mais os resultados futuros. O sistema foi integrado a uma interface gráfica em Python, que facilita a visualização dos resultados de maneira clara e intuitiva. Essa abordagem oferece uma solução eficiente para auxiliar os agricultores no monitoramento de doenças, contribuindo para um manejo agrícola mais preciso e eficaz.
Resumo em outra língua: This work presents the development of a system for identifying diseases in soybean leaves, using the ESP32-CAM microcontroller for real-time image capture. The leaves are clas- sified into three categories: healthy, affected by Frogeye Leaf Spot, or affected by Yellow Mosaic. A convolutional neural network model was developed to recognize patterns in these images. The model was trained and validated, yielding satisfactory results and good accuracy in disease identification. However, the quality of the images captured by the ESP32-CAM negatively impacted performance. Thus, the use of a dataset generated di- rectly by the camera could further enhance future results. The system was integrated with a Python graphical interface, providing clear and intuitive visualization of the re- sults. This approach offers an efficient solution to assist farmers in disease monitoring, contributing to more precise and effective agricultural management.
URI: http://www.monografias.ufop.br/handle/35400000/7180
Licença: Este trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).
Aparece nas coleções:Engenharia de Controle e Automação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_SensoriamentoAgriculturaPrecisao.pdf6,59 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.