Análisis de morfometría de agregados de suelo utilizando imágenes digitales mediante redes neuronales

Autor: Rosas, Claudia Liliana Gutierrez
Přispěvatelé: Universidade Estadual Paulista (Unesp), Diniz, Ivando Severino [UNESP], Ribeiro, Admilson Irio [UNESP]
Jazyk: portugalština
Rok vydání: 2021
Předmět:
Zdroj: Repositório Institucional da UNESP
Universidade Estadual Paulista (UNESP)
instacron:UNESP
Popis: Submitted by Claudia Liliana Gutierrez Rosas (claudia.gutierrez-rosas@unesp.br) on 2021-05-18T01:23:43Z No. of bitstreams: 1 Versão final da Dissertação- Claudia Liliana Gutierrez Rosas.pdf: 2792903 bytes, checksum: 8782f1075b2849292952a2da64f80bfd (MD5) Approved for entry into archive by Roberta Honorato Goria (roberta.goria@unesp.br) on 2021-05-21T20:17:34Z (GMT) No. of bitstreams: 1 rosas_clg_me_soro.pdf: 2792903 bytes, checksum: 8782f1075b2849292952a2da64f80bfd (MD5) Made available in DSpace on 2021-05-21T20:17:34Z (GMT). No. of bitstreams: 1 rosas_clg_me_soro.pdf: 2792903 bytes, checksum: 8782f1075b2849292952a2da64f80bfd (MD5) Previous issue date: 2021-03-26 Outra A estrutura do solo consiste em uma das propriedades físicas mais sensíveis ao manejo e pode ser afetada pelo uso intenso de máquinas e aplicação regular de insumos. A perda estrutural do solo pode ser avaliada por diferentes metodologias, no entanto a análise de agregados e suas diferentes formas mostram-se de fácil interpretação e expedita, mas, a avaliação estrutural por meio dos agregados ainda requer desenvolvimento de pesquisas. Dentro dos conceitos de agricultura de precisão buscou-se nessa proposta o desenvolvimento e avaliação de um modelo de rede neural artificial capaz de detectar e classificar diferentes formas de agregados do solo. A metodologia desenvolvida utilizou-se da linguagem de programação "Python3" com a biblioteca "Keras" e "TensorFlow", utilizando uma Rede Neural Convolucional, com aplicação de transferência de aprendizagem da arquitetura MobileNetV2 em três experimentos, Experimento 1 com 5 classes morfométricas (prismática, angular, subangular, arredondada e redonda), Experimento 2 com 4 classes (prismática, angular, subangular e redondado) e Experimento 3 com 3 classes (prismática, angular, redondado). Durante o desenvolvimento da rede e tratamento da data_set, foram utilizados os métodos de data_augmentation, Under sampling e data cleaning. Treinando assim uma da rede neural capaz de identificar as diferenças e similaridades das classes morfométricas dos agregados por meio de imagens, visando aplicações em sistemas de precisão e inteligentes para a manutenção estrutural dos solos. Os resultados do treinamento da MobileNetV2 dos três experimentos mostraram uma accuracy média de 79%, sendo o Experimento 3 com melhor desempenho com uma accuracy de 87%. Para os três experimentos, as classes morfométricas de maior precisão foram as arredondadas, redondo e o angular, enquanto, para as classes prismática e subangular a rede apresentou capacidade de detecção e classificação errática. Conclui-se, que a preparação da data_set é uma fase muito importante, pode influenciar e fazer diferença no desempenho da rede, possuir um conjunto de dados robusto aos ajustes, a qualidade e quantidade de imagens por classe, o pré-processamento em geral, além do hardware, software e o nível formação na matéria da pesquisa. A concepção da aplicação de aprendizado de máquinas para a avaliação estrutural dos solos mostra-se promissora. Essa condição denota que esse trabalho não se constitui em um produto final “acabado” e pelo contrário constitui-se em um ponto de partida para pesquisas, desenvolvimento e inovação na gestão ambiental da qualidade estrutural dos solos em processos produtivos agrícolas. Soil structure is one of the most sensitive physical properties to management and can be affected by intense use of machinery and regular application of inputs. The structural loss of the soil can be evaluated by different methodologies; however, the aggregates analysis and its different forms are easy to interpret and expedite, but the structural evaluation through the aggregates still requires research development. Within the concepts of precision agriculture, this proposal sought to develop and evaluate an artificial neural network model capable of detecting and classifying different forms of soil aggregates. The methodology developed used the programming language "Python3" with the library "Keras" and "TensorFlow", using a Convolutional Neural Network, with learning transfer application of the MobileNetV2 architecture in three experiments, Experiment 1 with 5 morphometric classes (prismatic, angular, subangular, rounded and rounded), Experiment 2 with 4 classes (prismatic, angular, subangular and rounded) and Experiment 3 with 3 classes (prismatic, angular, rounded). During the development of the network and treatment of data_set, the methods of data_augmentation, under sampling and data cleaning were used. Thus, training a neural network capable of identifying the differences and similarities of the morphometric classes of aggregates through images, aiming at applications in precision and intelligent systems for the structural maintenance of soils. The MobileNetV2 training results from the three experiments showed an average accuracy of 79%, with Experiment 3 having the best performance with an accuracy of 87%. For the three experiments, the morphometric classes with the highest accuracy were rounded, round and angular, while for the prismatic and sub-angular classes the network showed erratic detection and classification capabilities. It is concluded, that the preparation of the data_set is a very important phase, can influence and make a difference in the performance of the network, having a dataset robust to the adjustments, the quality and quantity of images per class, the preprocessing in general, besides the hardware, software and the level of training in the research subject. The design of the application of machine learning for the structural assessment of soils shows promise. This condition denotes that this work is not a "finished" final product, but rather a starting point for research, development, and innovation in the environmental management of the structural quality of soils in agricultural production processes. La estructura del suelo es una de las propiedades físicas más sensibles a la gestión y puede verse afectada por el uso intenso de maquinaria y la aplicación regular de insumos. La pérdida estructural del suelo puede ser evaluada por diferentes metodologías, sin embargo, el análisis de agregados y sus diferentes formas muestran ser de fácil y expedita interpretación, pero la evaluación estructural a través de los agregados aún requiere desarrollo de investigación. Dentro de los conceptos de agricultura de precisión, se buscó en esta propuesta el desarrollo y evaluación de un modelo de red neuronal artificial capaz de detectar y clasificar diferentes formas de agregados del suelo. La metodología desarrollada utilizó el lenguaje de programación "Python3" con la librería "Keras" y "TensorFlow", utilizando una Red Neural Convolucional, con aplicación de transferencia de aprendizaje de la arquitectura MobileNetV2 en tres experimentos, Experimento 1 con 5 clases morfométricas (prismática, angular, subangular, redondeada y redondeada), Experimento 2 con 4 clases (prismática, angular, subangular y redondeada) y Experimento 3 con 3 clases (prismática, angular, redondeada). Durante el desarrollo de la red y el tratamiento de data_set, se utilizaron los métodos de data_augmentation, Under sampling y data cleaning. De este modo, se entrena una red neuronal capaz de identificar las diferencias y similitudes de las clases morfométricas de los agregados a través de imágenes, con el objetivo de aplicarse en sistemas de precisión e inteligentes para el mantenimiento estructural de los suelos. Los resultados de entrenamiento de MobileNetV2 de los tres experimentos mostraron una precisión media del 79%, siendo el Experimento 3 el de mejor rendimiento con una precisión del 87%. En los tres experimentos, las clases morfométricas de mayor precisión fueron las redondas, las redondas y las angulares, mientras que para las clases prismáticas y subangulares la red mostró capacidad de detección y clasificación errática. Se concluye, que la preparación del data_set es una fase muy importante, puede influir y marcar la diferencia en el rendimiento de la red, teniendo un dataset robusto a los ajustes, la calidad y cantidad de imágenes por clase, el preprocesamiento en general, además del hardware, software y el nivel de formación en el tema de investigación. El diseño de la aplicación del aprendizaje automático para la evaluación estructural de los suelos es prometedor. Esta condición denota que este trabajo no constituye un producto final "acabado" y que, por el contrario, constituye un punto de partida para la investigación, el desarrollo y la innovación en la gestión ambiental de la calidad estructural de los suelos en los procesos de producción agrícola.
Databáze: OpenAIRE
Externí odkaz: