Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/45297
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2022_JacóCirinoGomes.pdf10,35 MBAdobe PDFVisualizar/Abrir
Título: Uma arquitetura de few-shot learning para classificação de insetos na agricultura usando poucas amostras
Autor(es): Gomes, Jacó Cirino
Orientador(es): Borges, Díbio Leandro
Assunto: Aprendizado do computador
Inseto
Agricultura
Data de publicação: 15-Dez-2022
Referência: GOMES, Jacó Cirino. Uma arquitetura de few-shot learning para classificação de insetos na agricultura usando poucas amostras. 2022. xii, 63 f., il. Dissertação (Mestrado em Sistemas Mecatrônicos) — Universidade de Brasília, Brasília, 2022.
Resumo: O reconhecimento rápido de pragas e insetos em lavouras é uma das estratégias de controle para mitigar perdas na produtividade agrícola. Algoritmos de aprendizagem de máquinas têm sido bem sucedidos como ferramentas de reconhecimento automático em aplicações envolvendo grandes conjuntos de dados, mas os modelos tendem a reduzir drasticamente seu desempenho quando lidam com conjuntos de dados pequenos, o que dificulta a ampla utilização dessa tecnologia em campo. A capacidade de aprender com poucas amostras visuais, e um dos principais desafios no campo da aprendizagem de máquinas. A Few-shot Learning (FSL), entretanto, e uma abordagem de aprendizagem recente e mais adequada para lidar com poucos dados. Neste trabalho, conduzimos um estudo sobre a FSL baseada em métrica para fornecer um modelo competitivo de classificação de insetos usando poucas amostras. O modelo proposto inclui dois módulos principais: 1) um mecanismo de redes neurais convolucionais (CNN) para extração e fusão de recursos multicamada (FMC) para a geração de vetores representativos ricos em informações de classes, e 2) um modulo de similaridade baseado nas divergências de Bregman para comparação de vetores gerados pela FMC. Dois conjuntos de dados desafiadores de insetos da agricultura foram propostos para os experimentos: o primeiro contendo insetos separados por estagio de maturidade, e o segundo abrangendo pragas e insetos benéficos (incluindo predadores e parasitoides) da cultura do milho. Uma ampla cadeia experimental foi realizada para análise de divergências e validação do modelo proposto. A validação do modelo foi realizada comparando-se os resultados aos de redes consolidadas na literatura. Os resultados mostraram que o modelo apresentado melhorou a acurácia em até 3.62% e 2,82% em tarefas de classificação de 1-shot e 5-shot respectivamente usando a FMC. Além disso, o modelo superou os resultados das redes ResNet50, VGG16 e Mo- bilenetv2, com redução em até 99% da quantidade de parâmetros de aprendizagem. Este trabalho mostrou que a aprendizagem few-shot e uma abordagem relevante para pesquisas relacionadas a classificação de insetos na agricultura, servindo como uma alternativa para o desenvolvimento de soluções de prototipagem rápida para aplicação em campo.
Abstract: Rapid recognition of crop insect pests is one of the control strategies to mitigate losses in agricultural productivity. Machine Learning algorithms have been successful as automatic recognition tools in large data sets applications. But models tend to drastically reduce their performance when dealing with small data sets, which makes it difficult for the wide use of this technology in the crop field. The ability to learn with few visual samples is one of the main challenges in the field of machine learning. Few-shot Learning (FSL), however, is a recent and suitable learning approach to deal with few samples. In this work, we conducted a study to provide a competitive metric-based FSL insect classification model. The proposed model includes two main modules: 1) an image feature extraction and fusion mechanism (FMC) based on convolutional neural networks (CNN) to generate information-rich representative vectors of classes, and 2) a similarity module based on Bregman divergences to compare vectors generated by the FMC. Two challenging agricultural insect data sets were proposed for the experiments: the first containing insect pests separated by maturity stages, and the second covering pests and beneficial insects (including predators and parasitoids) of the maize crops. A wide experimental chain was carried out for the divergence analysis and validation of the proposed model. Validation was performed by comparing our results to those of networks consolidated in the literature. The results showed that the presented model improved the accuracy by up to 3.62% and 2.82% in 1-shot and 5-shot classification tasks, respectively, using FMC. Furthermore, the model outperformed the results of the ResNet50, VGG16, and Mobilenetv2 networks, with the advantage of reducing the number of learnable parameters by up to 99%. This work showed that Few-shot learning is a relevant approach for research related to insect classification in agriculture, serving as an alternative for the development of rapid prototyping solutions for field application.
Unidade Acadêmica: Faculdade de Tecnologia (FT)
Departamento de Engenharia Mecânica (FT ENM)
Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2022.
Programa de pós-graduação: Programa de Pós-Graduação em Sistemas Mecatrônicos
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.