AVALIAÇÃO DO CONDICIONAMENTO DO SOLO: UMA ABORDAGEM UTILIZANDO O TEACHABLE MACHINE
Resumo
Redes neurais são eficazes na análise de imagens, identificando características do solo como texturas, cores e formas, essenciais para a extração de informações relevantes das amostras analisadas. O objetivo deste artigo consiste na triagem de figuras obtidas na plataforma de pesquisa Google Imagens℗ para avaliação do condicionamento do solo através do Teachable Machine. O modelo de aprendizado de máquina foi configurado com 100 epochs e um batch size de 64 para treinar 200 imagens, visando aprimorar a classificação e identificação de características. Os resultados obtidos evidenciam o potencial dessa tecnologia para auxiliar na avaliação do estado do solo em áreas agrícolas e florestais. O estudo realizado comprovou a viabilidade do uso de Redes Neurais Convolucionais para a identificação e classificação de imagens de solo em diferentes estados de erosão e saúde. A ferramenta Teachable Machine demonstrou ser eficaz no treinamento de modelos para essa finalidade, alcançando percentuais de acerto de até 100% em algumas categorias.
Referências
ANDRIOLI, I.; BEUTLER, A. N.; CENTURION, J. F. Produção de milho em plantio direto com adubação nitrogenada e cobertura do solo na pré-safra. Revista Brasileira de Ciência do Solo, Viçosa, v. 4, 2008
ARAÚJO, A. S. F. de.; MONTEIRO, R. T. R.; ABARKELI, R. B. (2003). Effect of
glyphosate on the microbial activity of two Brazilian soils. Chemosphere, v. 52, n. 5, p. 799-804.
BARELLI, F. da C. Introdução à Visão Computacional: Uma abordagem prática com Python e OpenCV, 2018.
BERTOL, I.; COGO, N. P.; LEVIEN, R. Erosão hídrica em diferentes preparos do solo logo após as colheitas de milho e trigo, na presença e na ausência dos resíduos culturais. Revista Brasileira de Ciência do Solo, v. 21, p. 409-418, 1997.
BISCHOF, H.; SCHNEIDER, W.; PINZ, A. J. Multi-spectral classification of Landsat images using neural network. Transactions on Geoscience and Remote Sensing, v. 30, p. 482- 490, 1992.
BLUM, W. E. Basic concepts: Degradation, resilience, and rehabilitation. In Methods for assessment of soil degradation (pp. 1-16). CRC Press, 2020.
BRAGA, H. C. dos R.; OSÀ, C. Reconhecimento de padrões em imagem empregando aprendizagem profunda. CIPEEX, 2, 2629-2631, 2018.
BROWNLEE, J. Machine learning mastery. Machine Learning Mastery, 2022.
CINTRA, I. F.; FERNANDES, P. G. C. Reconhecimento de imagem voltado à segurança cibernética. Revista Eletrônica de Computação Aplicada, v. 4, n. 2, 2023.
COSTA, Á. E. do R. UARANÁ: aplicativo para identificação de animais do bioma amazônico impressos em 3D, 2022.
DENIS, C.; ASSIS, W. O.; COELHO, A. D. Sorting Tomatoes for Industrial Processing Through of Computer Vision System Based on Neural Networks. In International Congress of Mechanical Engineering, 2009.
DU, X.; CAI, Y.; WANG, S. Overview of deep learning. In 31st Youth Academic Annual Conference of Chinese Association of Automation, 2016.
FAO. Planning for sustainable use of land resources: Towards a new approach. FAO Land and Water Bulletin, n. 2, 1995.
GALLANT, S. Perceptron-based learning algorithms. IEEE transactions on neural networks, 1, 179–191, 1990.
GONÇALVES, J. L. M.; STAPE, J. L.; BENEDETTI, V.; FESSEL, V. A. G.; GAVA, J. L. Reflexos do Cultivo Mínimo e intensivo do solo em sua fertilidade e nutrição das árvores. In J. L. M. Gonçalves & V. Benedetti (Eds.), Nutrição e Fertilização Florestal, 2000.
GUERRA, A. J. T. A erosão dos solos no contexto social. Anuário do Instituto de
Geociências, 17, 14-23, 1994.
HELENE, M. E. M.; BEATRIZ, M. Evolução e biodiversidade: o que nós temos com isso? São Paulo: Scipione, 1996.
HEPNER, G. F.; LOGAN, T.; RITTER, N.; BRYANT, N. Artificial neural network classification using a minimal training set: comparison to conventional supervised classification. Photogrammetric Engineering and Remote Sensing, v. 56, p. 469-473, 1990.
HILLEL, D. Environmental Soil Physics. Academic Press, 1998.
JAWAHAR, C.; RAY, A. Fuzzy statistics of digital images. IEEE Signal Processing Letters, 3(8), 225–227, 1996.
KOCH, M. Visão Computacional para Reconhecimento de Faces aplicado na Identificação e Autenticação de Usuários na Web. [Unpublished bachelor's thesis]. Universidade Regional de Blumenau, 2012.
LÉVÊQUE, C. Biodiversidade. EDUSC, 1999.
MEYSMAN, F. J. R.; MIDDELBURG, J. J.; HEIP, C. H. R. Bioturbation: a fresh
look at Darwin's last idea. Trends in Ecology & Evolution, v. 21, n.12, p. 688-695, 2006.
MENDES, I. D. C.; SOUSA, D. M. G. de; JUNIOR, F. B dos R.; LOPES, A. D. C.
Bioanálise de solo: como acessar e interpretar a saúde do solo, 2018.
MIRANDA, J. F. O.; MATOS, M. R. B. de.; ORGE, M. D. R. Aplicação da modelagem de distribuição de espécies (mde) no bioma mata atlântica: uma análise bibliométrica. Revista Políticas Públicas & Cidades, 13(2), e1017, 2024.
NORIEGA, L. Multilayer perceptron tutorial. School of Computing. Staffordshire University, v. 4, n. 5, 2005.
OLIVEIRA, J. F. et al. A IMPORTÂNCIA DE PRÁTICAS PROMOTORAS DE
CONSERVAÇÃO DO SOLO. Recuperado de https//www.even3.com.br/anais/sustentare- wipis-2023-311985/670932-A-IMPORTÂNCIA-DE-PRATICAS-PROMOTORAS-DE- CONSERVACAO-DO-SOLO, 2023.
PIVA JR, D.; DE CARVALHO, A. S. A. Análise de algoritmos de reconhecimento facial: Haar Cascade (Viola-Jones) e CNN (Convolutional Neural Networks), 2022.
RAMCHOUN, H. et al. Multilayer perceptron: Architecture optimization and training, 2017.
A submissão de originais para este periódico implica na transferência, pelos autores, dos direitos de publicação impressa e digital. Os direitos autorais para os artigos publicados são do autor, com direitos do periódico sobre a primeira publicação. Os autores somente poderão utilizar os mesmos resultados em outras publicações indicando claramente este periódico como o meio da publicação original. Em virtude de sermos um periódico de acesso aberto, permite-se o uso gratuito dos artigos em aplicações educacionais, científicas, não comerciais, desde que citada a fonte (por favor, veja a Licença Creative Commons no rodapé desta página).
