Banca de DEFESA: FRANKLIN DANIEL INACIO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: FRANKLIN DANIEL INACIO
DATA: 17/01/2025
HORA: 08:00
LOCAL: Online
TÍTULO:

MACAÚBA-IA: IMPULSIONANDO A PRODUÇÃO SUSTENTÁVEL DE BIOCOMBUSTÍVEL POR MEIO DA IDENTIFICAÇÃO AUTOMATIZADA DE PLANTAS ATRAVÉS DE INTELIGÊNCIA ARTIFICIAL

PALAVRAS-CHAVES:

Acrocomia aculeata. aprendizado profundo, drones, YOLO

PÁGINAS: 55
GRANDE ÁREA: Ciências Agrárias
ÁREA: Agronomia
SUBÁREA: Fitotecnia
ESPECIALIDADE: Manejo e Tratos Culturais
RESUMO:

A substituição de combustíveis fosseis por energias renováveis tem atraído atenção
nos últimos tempos. Nesse cenário, a cultura da macaúba (Acrocomia aculeata) é uma
excelente alternativa, uma vez que possui alto potencial de produção de biocombustível e
pode ser uma fonte de extrativismo vegetal, devido a sua ampla ocorrência em ambientes naturais. No entanto, o mapeamento preciso e a quantificação de populações de macaúba visando extrativismo é um desafio, o que dificulta o aproveitamento econômico otimizado.

Dessa forma, objetivou-se identificar e contar plantas de macaúba em ambiente nativo por
meio de imagens de drone utilizando modelos de inteligência artificial implementados com
ajuda do YOOLOv8, bem como verificar qual versão (nano, small, medium, large e
extralarge) é mais eficaz na detecção das plantas de macaúba. As imagens foram coletadas em
duas regiões de ocorrência natural das plantas de macaúba no município de Lavras-MG,
Brazil, utilizando câmera RGB acoplada ao drone DJI Mavic 3. No total foram adquiridas
1921 imagens que foram divididas entre treinamento (70%), teste (20%) e validação (10%) e
treinadas por 100 épocas cada rede. Os resultados mostram um desempenho elevado para
todas as versões do YOLOv8 aplicadas ao mapeamento de macaúba, com precisões variando
entre 95% e 96%. As redes YOLOv8 diferiram principalmente na época em que atingiram
esses resultados esses resultados, sendo a versão nano a mais rápida com apenas 52 épocas de
treinamento. O mAP foi elevado em todas as redes, atingindo 98%, com a versão large
alcançando esse valor de forma mais precoce com apenas 74 épocas. Em termos de perda, a
versão xlarge foi a primeira a atingir os valores mínimos, mas apresentou o pior desempenho
no teste, enquanto a versão large se sobressaiu com uma taxa de acerto de 94,71% nas
imagens de teste. Esses resultados demonstram o potencial robusto das redes YOLOv8 para
aplicações de mapeamento e detecção de plantas com o uso de drones, com destaque para as
versões large e nano.

MEMBROS DA BANCA:
Externo à Instituição - MAILSON FREIRE DE OLIVEIRA - UNESP (Suplente)
Externo à Instituição - ROUVERSON PEREIRA DA SILVA - UNESP (Membro)
Externo à Instituição - ALEXANDRE DOS SANTOS - IFMT (Membro)
Interno - HELOISA OLIVEIRA DOS SANTOS (Suplente)
Presidente - ADAO FELIPE DOS SANTOS (Membro)