Use este identificador para citar ou linkar para este item: https://repositorio.ufms.br/handle/123456789/9053
Tipo: Trabalho de Conclusão de Curso
Título: Identificação de mamonas em plantações de cana-de-açúcar utilizando aprendizado ativo
Autor(es): JUAN CARLOS CONCEIÇÃO DE LIMA SALES
Primeiro orientador: WESLEY NUNES GONCALVES
Resumo: A mamona tem aplicações em múltiplas indústrias, mas pode se tornar uma planta daninha em diversas culturas. A identificação e controle manual são inviáveis em grandes plantações. O emprego de modelos de aprendizado de máquina pode tornar o processo de identificação eficiente e preciso, porém é necessário rotular uma grande quantidade de dados, o que é trabalhoso e ineficiente, visto que muitas das imagens são similares e não melhoram o treinamento dos modelos. Active learning permite a rotulação apenas de dados que impactam positivamente o desempenho do modelo, que pode se igualar ou superar o desempenho de um modelo treinado no conjunto inteiro, com um esforço significativamente menor na rotulação dos dados. Neste trabalho, testamos um método de active learning que utiliza tarefas auxiliares auto supervisionadas para separar os dados que devem ser rotulados. Os modelos treinados com as tarefas auxiliares apresentaram diminuição na revocação em relação ao modelo de referência, que obteve 68%. Também treinamos uma pseudo tarefa, que gera os batches com a distribuição ideal. O classificador da pseudo tarefa obteve uma revocação de 86%, sendo treinado em menos de 1% do conjunto de dados.
Abstract: Castor bean plants have applications in multiple industries but can become a weed in several crops. Manual identification and control are unfeasible in large plantations. Using machine learning models can make the identification process efficient and accurate. Still, it is necessary to label a large amount of data, which is laborious and inefficient since many of the images are similar and do not improve model training. Active learning allows labeling only data that positively impacts model performance, which can match or surpass the performance of a model trained on the entire set, with significantly less data labeling effort. In this work, we test an active learning method that uses self-supervised pretext tasks to separate the data that must be labeled. The models trained with the pretext tasks presented a decrease in the recall relative to the reference model, which has 68%. We also trained a pseudo task that creates batches with the ideal distribution. The pseudo task's classifier obtained a recall of 86%, while being trained in less than 1% of the dataset.
Palavras-chave: Aprendizado Ativo
Aprendizado de Máquina
Plantas Daninhas
País: 
Editor: Fundação Universidade Federal de Mato Grosso do Sul
Sigla da Instituição: UFMS
Tipo de acesso: Acesso Aberto
URI: https://repositorio.ufms.br/handle/123456789/9053
Data do documento: 2024
Aparece nas coleções:Ciência da Computação - Bacharelado (FACOM)

Arquivos associados a este item:
Arquivo TamanhoFormato 
1100.pdf338,92 kBAdobe PDFVisualizar/Abrir


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