Estimativa de produção do morangueiro por algoritmos de aprendizado de máquina a partir de imagens multiespectrais | Estimation of strawberry crop productivity by machine learn-ing algorithms using data from multispectral images

Estimating strawberry productivity is a manual, hard-working and subjective process. An efficient and accurate estimation process would allow better crop management. Thus, the objective of this work was to evaluate the performance of regression algorithms: Linear Regression and Support Vector Machine in estimating the number of fruits, average fruit mass and number of leaves of the strawberry plant through multispectral images obtained by remotely piloted aircraft (RPA). The experiment was carried out in the experimental area of the Botany Laboratory, at the Federal University of Uberlândia – Campus Monte Carmelo. The experimental design was randomized blocks with six treatments and four replications. The treatments consisted of six commercial strawberry cultivars: San Andreas, Albion, PR, Festival, Oso Grande and Guarani. The use of different cultivars aimed to generate genetic variability to test the estimation efficiency of the algorithms. Flights for image acquisition were performed weekly. The images passed through pre-processing, for the transmission of the radiometric values of each plant in the experimental area. These values were then used for training the production prediction algorithms. In the same period data were collected on average fruit mass, number of fruits per plant and number of leaves. The exciting results that the Linear Regression and Support Vector Machine algorithms are able to estimate in strawberry plants, through multispectral images transmitted by RPA, number of fruits (with accuracy of 99.55% and 84.26%, respectively), average mass of fruits (with accuracy of 99.91% and 89.62%, respectively), and number of leaves (with accuracy of 99.94% and 98.12%, respectively.

CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior

Dissertação (Mestrado)

A estimativa de produtividade do morangueiro é um processo manual, trabalhoso e subjetivo. Um processo de estimativa eficiente e preciso permitiria melhor gestão da cultura. Sendo assim, o objetivo do presente trabalho foi avaliar o desempenho de algoritmos de regressão: Linear Regression e Support Vector Machine na estimativa do número de frutos, massa média de frutos e número de folhas do morangueiro através de imagens multiespectrais obtidas por aeronave remotamente pilotada (ARP). O experimento foi conduzido na área experimental do Laboratório de Botânica, da Universidade Federal de Uberlândia – Campus Monte Carmelo. O delineamento experimental foi de blocos casualizados com seis tratamentos e quatro repetições. Os tratamentos consistiram de seis cultivares comerciais de morango: San Andreas, Albion, PR, Festival, Oso Grande e Guarani. O uso das diferentes cultivares teve por objetivo gerar variabilidade genética para testar a eficiência de estimativa dos algoritmos. Os voos para aquisição das imagens foram realizados semanalmente. As imagens passaram por pré-processamento para extração dos valores radiométricos de cada planta da área experimental. Tais valores foram então utilizados para treinamento dos algoritmos de predição da produção. No mesmo período coletaram-se dados de massa média de frutos, número de frutos por planta e número de folhas. Os resultados demonstraram que os algoritmos Linear Regression e Support Vector Machine são capazes de estimar no morangueiro, por meio de imagens multiespectrais obtidas por ARP, número de frutos (com acurácia de 99,55% e 84,26%, respectivamente), massa média de frutos (com acurácia de 99,91% e 89,62%, respectivamente) e número de folhas (com acurácia de 99,94% e 98,12%, respectivamente.