AMIPDI: architecture model to identify pests in soybean defoliation images using convolutional neural networks
DOI:
https://doi.org/10.5335/rbca.v17i2.16186Keywords:
Soybean, Deep Learning, Pest, Defoliates, AgricultureAbstract
Pests that attack crops are one of the leading causes of low production and economic losses. Identifying and diagnosing
forecasts is one way to reduce losses and maintain quality in production. Defoliation of crops harms production and
production quality. Using computational technologies such as Artificial Intelligence andMachine Learning has enabled
the identification of pests faster and earlier. In this paper, we propose a Deep Learning-based architecture aimed at
identifying and diagnosing insects by analyzing defoliation in crop images. Different Convolutional Neural Network
approacheswere considered to evaluate the proposed architecture. The training and testing of themodelswere performed
using images collected by drone in a natural environment. The approach that presented the best performance in our
scenario was the VGG16. The average accuracy in the validation phase was 0.95, while in the test set, we obtained 0.86.
Downloads
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Todos os artigos estão licenciados com a licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional. Autores que publicam nesta revista concordam com os seguintes termos:
a) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
b) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
c) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
