AVALIAÇÃO DO CONDICIONAMENTO DO SOLO: UMA ABORDAGEM UTILIZANDO O TEACHABLE MACHINE
Abstract
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.
References
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.
Copyright Notice
The submission of originals to this periodic implies in transference, by the authors, of the printed and digital copyrights/publishing rights. The copyrights for the published papers belong to the author, and the periodical owns the rights on its first publication. The authors will only be able to use the same results in other publications by a clear indication of this periodical as the one of its original publication. Due to our open access policy, it is allowed the free use of papers in the educational, scientific and non-commercial application, since the source is quoted (please, check the Creative Commons License on the footer area of this page).
