| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 10.72 MB | Adobe PDF |
Authors
Abstract(s)
Rapid global population growth has put considerable pressure on the agricultural sector,
which is forced to grow by 70 % in order to meet the growing demand for food. The biggest
challenge facing agricultural producers is the existence of plants that become weeds. These not
only compete with crops for vital resources, but also pose significant economic and environmental
threats. In the context of comprehensive vineyard management, vegetation control becomes
especially critical, influencing the prevalence of various pests and emphasising the need for
environmentally sustainable plant control methods. Although herbicides were initially used to
control the growth of unwanted plants, the excessive and indiscriminate use of these chemicals
leads to environmental pollution and the development of resistance on the part of weed
vegetation.
In order to deal with these challenges, the agricultural sector has been relying on ML models.
Rapid advances in Artificial Intelligence (AI), particularly Convolutional Neural Networks (CNN),
have emerged as a predominant solution for solving problems related to this type of plant.
Precision Agriculture (PA) has taken advantage of ML algorithm technology as a resource for
classifying images to distinguish cultivated and undesirable plants.
This work aims to contribute to the promotion of sustainable agriculture and to the
advancement of image classification in the field of plant classification. The main objectives involve
the development of algorithms using CNN for classification using the PyTorch framework, with a
focus on hyperparameter optimisation.
A comprehensive review of the area emphasises plant diversity and uniqueness, as well as
data acquisition methods, vegetation indices used, evaluation metrics, CNN as well as its PyTorch
models. It also analyses recent advances in ML models and methods for detecting and classifying
weeds to improve the sustainability of agricultural crops.
The results highlight the excellent performance of the MaxVit, ShuffleNet and EfficientNet
models, especially when faced with an expanded dataset. The choice of hyperparameters,
including learning rate, layer configuration and weight reduction, significantly influenced model
accuracy. When testing the models in a web application, EfficientNet_B1 and EfficientNet_B5
obtained an exceptional accuracy of 96.15 per cent, standing out among all the models.
These models have the potential to revolutionise agriculture, increasing productivity and
environmental sustainability. By integrating these models into technology solutions, farmers can
monitor crop health, identify pests and undesirable plants, and optimise the use of natural
resources such as water and fertiliser. Automating the detection of crop problems reduces crop
waste and minimises the use of herbicides, promoting organic farming. In addition, through the
prediction of weather conditions and plant growth patterns, farmers can optimise their planting
and harvesting schedules to maximise productivity. Technology is also crucial to precision
farming, enabling individualised treatment of crops and a reduction in wasted resources. By
creating real-time monitoring systems, farmers can make informed decisions and improve crop adaptability in the face of climatic challenges. Ultimately, by incorporating PyTorch models,
farming becomes more efficient, minimises waste and reduces environmental impact,
contributing to a greener and more resilient future for agriculture.
O crescimento populacional global em ritmo acelerado tem exercido uma considerável pressão sobre o setor agrícola, que se vê obrigado a crescer 70% para atender à crescente necessidade de produtos alimentares. O maior desafio com que produtores agrícolas se deparam está ligado à existência de plantas que se tornam infestantes. Estas, não só competem com os cultivos por recursos vitais, como também representam ameaças económicas e ambientais significativas. No contexto da gestão abrangente da vinha, o controlo da vegetação torna-se especialmente crítico, influenciando a prevalência de várias pragas e enfatizando a necessidade de métodos de controlo de plantas ambientalmente sustentáveis. Apesar dos herbicidas terem sido inicialmente empregues com o objetivo de controlar o crescimento de plantas indesejadas, o seu uso excessivo e indiscriminado desses químicos provoca poluição ambiental e desenvolvimento de resistências por parte da vegetação infestante. Para lidar com estes desafios, o sector agrícola tem vindo a apostar em modelos de Machine Learning (ML). Os avanços na Inteligência Artificial, particularmente nas Redes Neurais Convolucionais, emergiram como uma solução predominante para resolver problemas relacionados com este tipo de plantas. A Agricultura de Precisão aproveitou a tecnologia de algoritmos de ML como recurso para classificação de imagens para distinguir plantas cultivadas e indesejáveis. Este trabalho pretende contribuir para a promoção da agricultura sustentável e para o avanço da classificação de imagens no domínio da classificação de plantas indesejáveis. Os objetivos principais envolvem o desenvolvimento de algoritmos utilizando redes neurais convolucionais para classificação de flora usando a estrutura PyTorch, com foco na otimização dos hiperparâmetros. Uma revisão abrangente da área enfatiza a diversidade e a singularidade das plantas, bem como os métodos de aquisição de dados, índices de vegetação utilizados, métricas de avaliação, a redes neurais convolucionais bem como os seus PyTorch modelos. Para além disto, faz a análise de avanços recentes em modelos e métodos de ML para detetar e classificar ervas daninhas para melhorar a sustentabilidade das culturas agrícolas. Os resultados destacam o excelente desempenho dos modelos MaxVit, ShuffleNet e EfficientNet, especialmente quando confrontados com um conjunto de dados expandido. A escolha dos hiperparâmetros, incluindo taxa de aprendizagem, configuração das camadas e redução de peso, influenciou significativamente a exatidão do modelo. Ao testar os modelos em uma aplicação web, o EfficientNet_B1 e o EfficientNet_B5 obtiveram uma exatidão excecional de 96.15%, destacando-se entre todos os modelos. Estes modelos têm o potencial de revolucionar a agricultura, impulsionando a produtividade e a sustentabilidade ambiental. Ao integrar esses modelos em soluções tecnológicas, os agricultores podem monitorizar a saúde das plantas, identificar pragas e plantas indesejáveis, e otimizar o uso de recursos naturais como água e fertilizantes. A automação na deteção de problemas nas plantações reduz o desperdício das culturas e minimiza o uso de herbicidas, promovendo uma agricultura ecológica. Além disso, ao prever padrões climáticos e de crescimento das plantas, os agricultores podem otimizar seus calendários de plantio e colheita, maximizando a produtividade. A tecnologia também é crucial para a agricultura de precisão, permitindo tratamento individualizado das plantas e redução do desperdício de recursos. Ao criar sistemas de monitorização em tempo real, os agricultores podem tomar decisões informadas, melhorando a adaptabilidade das culturas diante de desafios climáticos. Em última análise, ao incorporar modelos PyTorch, a agricultura torna-se mais eficiente, minimiza o desperdício e reduz os impactos ambientais, contribuindo para um futuro mais verde e resiliente para a agricultura.
O crescimento populacional global em ritmo acelerado tem exercido uma considerável pressão sobre o setor agrícola, que se vê obrigado a crescer 70% para atender à crescente necessidade de produtos alimentares. O maior desafio com que produtores agrícolas se deparam está ligado à existência de plantas que se tornam infestantes. Estas, não só competem com os cultivos por recursos vitais, como também representam ameaças económicas e ambientais significativas. No contexto da gestão abrangente da vinha, o controlo da vegetação torna-se especialmente crítico, influenciando a prevalência de várias pragas e enfatizando a necessidade de métodos de controlo de plantas ambientalmente sustentáveis. Apesar dos herbicidas terem sido inicialmente empregues com o objetivo de controlar o crescimento de plantas indesejadas, o seu uso excessivo e indiscriminado desses químicos provoca poluição ambiental e desenvolvimento de resistências por parte da vegetação infestante. Para lidar com estes desafios, o sector agrícola tem vindo a apostar em modelos de Machine Learning (ML). Os avanços na Inteligência Artificial, particularmente nas Redes Neurais Convolucionais, emergiram como uma solução predominante para resolver problemas relacionados com este tipo de plantas. A Agricultura de Precisão aproveitou a tecnologia de algoritmos de ML como recurso para classificação de imagens para distinguir plantas cultivadas e indesejáveis. Este trabalho pretende contribuir para a promoção da agricultura sustentável e para o avanço da classificação de imagens no domínio da classificação de plantas indesejáveis. Os objetivos principais envolvem o desenvolvimento de algoritmos utilizando redes neurais convolucionais para classificação de flora usando a estrutura PyTorch, com foco na otimização dos hiperparâmetros. Uma revisão abrangente da área enfatiza a diversidade e a singularidade das plantas, bem como os métodos de aquisição de dados, índices de vegetação utilizados, métricas de avaliação, a redes neurais convolucionais bem como os seus PyTorch modelos. Para além disto, faz a análise de avanços recentes em modelos e métodos de ML para detetar e classificar ervas daninhas para melhorar a sustentabilidade das culturas agrícolas. Os resultados destacam o excelente desempenho dos modelos MaxVit, ShuffleNet e EfficientNet, especialmente quando confrontados com um conjunto de dados expandido. A escolha dos hiperparâmetros, incluindo taxa de aprendizagem, configuração das camadas e redução de peso, influenciou significativamente a exatidão do modelo. Ao testar os modelos em uma aplicação web, o EfficientNet_B1 e o EfficientNet_B5 obtiveram uma exatidão excecional de 96.15%, destacando-se entre todos os modelos. Estes modelos têm o potencial de revolucionar a agricultura, impulsionando a produtividade e a sustentabilidade ambiental. Ao integrar esses modelos em soluções tecnológicas, os agricultores podem monitorizar a saúde das plantas, identificar pragas e plantas indesejáveis, e otimizar o uso de recursos naturais como água e fertilizantes. A automação na deteção de problemas nas plantações reduz o desperdício das culturas e minimiza o uso de herbicidas, promovendo uma agricultura ecológica. Além disso, ao prever padrões climáticos e de crescimento das plantas, os agricultores podem otimizar seus calendários de plantio e colheita, maximizando a produtividade. A tecnologia também é crucial para a agricultura de precisão, permitindo tratamento individualizado das plantas e redução do desperdício de recursos. Ao criar sistemas de monitorização em tempo real, os agricultores podem tomar decisões informadas, melhorando a adaptabilidade das culturas diante de desafios climáticos. Em última análise, ao incorporar modelos PyTorch, a agricultura torna-se mais eficiente, minimiza o desperdício e reduz os impactos ambientais, contribuindo para um futuro mais verde e resiliente para a agricultura.
Description
Keywords
Agricultura de Precisão Classificação de Plantas Machine Learning Pytorch Redes Neurais Convolucionais