Publicado em 23 de fevereiro de 2023.

Olá, seja muito bem-vindo!
O texto deste livro é originário de uma tese de doutorado, organizada
em uma coletânea de cinco artigos científicos publicados em revistas nacionais
e internacionais de alto impacto, disponível no endereço eletrônico: http://
repositorio.ufgd.edu.br/jspui/handle/prefix/2385. O artigo apresentado no
Capítulo 6 foi vencedor do Prêmio Mercosul de Ciência e Tecnologia, Edição
2018, na categoria pesquisador sênior.
Neste livro, estudaremos os conceitos fundamentais necessários para criar
uma abordagem de visão computacional que seja capaz de identificar doenças
e pragas da soja em um ambiente de campo real, sob diferentes condições de
iluminação, tamanho de objeto e variações de fundo. Para tal propósito, serão
implementadas e avaliadas diferentes técnicas rasas (SVM, k-NN, Naive Bayes,
J48, AdaBoost e Random Forest) e profundas (Inception-V3, Resnet-50, VGG-
16, VGG-19, Xception, Inception-Resnet-v2 e DenseNet-201) de aprendizagem
de máquina. As imagens capturadas pelo VANT serão submetidas à tarefa de
classificação de doenças foliares e espécies de insetos encontrados na soja.
Diferentes métricas, como taxa de classificação correta (TCC), medida-F, área
sob a curva ROC e tempo para criar o modelo de classificação serão usadas para
avaliar o desempenho dos classificadores e verificar se os algoritmos testados
diferem estatisticamente em relação ao desempenho.
Este livro está organizado em sete capítulos com os seguintes objetivos:
• Determinar os parâmetros tecnológicos de voo do VANT, como a altura
ideal recomendada para a identificação de doenças da soja e o
limite de altura mais baixo;
• Verificar se ao catalogar novas doenças da soja e aumentar a quantidade
de classes ao dobro existe evidência de diferença significativa
da taxa de classificação correta em relação aos classificadores comparados;
• Definir o melhor classificador para o reconhecimento de doenças e
quais atributos visuais levam a maiores taxas de classificação correta;
• Avaliar modelos de aprendizagem profunda reconhecidos da literatura,
usando imagens capturadas pelo VANT com a altura ideal recomendada
para a identificação de doenças. Em seguida, comparar os
resultados de desempenho dos modelos de aprendizagem profunda
com outras técnicas tradicionais da área;
• Avaliar diferentes estratégias de treinamento para os modelos de
aprendizagem profunda, como ajuste fino, transferência de aprendizagem
e inicialização de pesos aleatórios, apropriadas para os proPREFÁCIO
blemas abordados;
• Avaliar modelos de aprendizagem profunda reconhecidos da literatura,
treinados com diferentes parâmetros de ajuste fino e transferência
de aprendizagem, para as tarefas de classificação e contagem de
insetos-praga da soja.
Para mais detalhes, vocês podem consultar o meu currículo na plataforma
Lattes do CNPq disponível em: http://lattes.cnpq.br/4761324267689856
Boa leitura!
Prof. Dr. Everton Castelão Tetila