Desenvolvimento de algoritmo baseado em meta-aprendizagem para classificar famílias de plantas daninhas tóxicas ao gado.

• Silva, Felipe Marlon da ^[1] ; Verçosa, João Pedro dos Santos ^[1] ; Tavares , Arthur Costa Falcão ^[1]
  1. [1] Universidade Federal de Alagoas

     Universidade Federal de Alagoas

     Brasil

     
• Localización: Revista dos Mestrados Profissionais, ISSN-e 2317-0115, Vol. 13, Nº. 2, 2024 (Ejemplar dedicado a: Edição regular de 2024 (V13) e número 2 (N2)), págs. 158-176
• Idioma: portugués
• Títulos paralelos:
  • Development of an algorithm based on meta-learning to classify families of weeds toxic to livestock
• Enlaces
  • Texto completo
• Resumen
  • English

    This work proposes a semantic segmentation algorithm based on Convolutional Neural Networks (CNN) for identifying weeds from the Amaranthaceae, Boraginaceae, and Plantaginaceae families, which can be toxic to livestock. Accurate identification of these plants is crucial for effective control. A dataset of weed images in various contexts, such as pastures, sugarcane fields, and other crops, was collected for the algorithm's development. The images were normalized to a standard size of 704x1056 pixels. The algorithm employs meta-learning techniques, such as MAML, and EfficientNet-B0, a pre-trained feature extractor, within a Feature Pyramid Network (FPN) architecture for semantic segmentation. The Intersection over Union (IoU) metric, also known as mIoU, was used to evaluate the model's performance. During training, the model achieved a loss of 0.007, an mIoU of 0.887, and an accuracy of 0.998. In validation, the results showed a loss of 0.029, an mIoU of 0.851, and an accuracy of 0.996, demonstrating the proposed algorithm's efficiency and high performance.

  • português

    Este trabalho propõe um algoritmo de segmentação semântica baseado em Redes Neurais Convolucionais (RNC) para classificar plantas daninhas das famílias Amaranthaceae, Boraginaceae e Plantaginaceae, que são tóxicas para o gado. A identificação precisa dessas plantas é crucial para um controle eficaz. Para o desenvolvimento do algoritmo, foi coletado um conjunto de imagens de ervas daninhas em diversos cenários, como pastagens, plantações de cana-de-açúcar e outras culturas. As imagens foram normalizadas para um tamanho padrão de 704x1056 pixels. O algoritmo utilizou técnicas de meta-aprendizagem, como MAML, e o EfficientNet-B0, um extrator de características pré-treinado, em uma arquitetura de Rede Piramidal de Características (FPN) para segmentação semântica. A métrica Intersection over Union (IoU), também conhecida como mIoU, foi utilizada para avaliar o desempenho do modelo. Durante o treinamento, o modelo alcançou uma perda de 0,007, mIoU de 0,887 e acurácia de 0,998. Na validação, os resultados foram uma perda de 0,034, mIoU de 0,868 e acurácia de 0,988, demonstrando a eficiência e o alto desempenho do algoritmo proposto.