Para citar este trabalho use um dos padrões abaixo:
As técnicas de Machine Learning atreladas às imagens de alta resolução espacial, obtidas por meio de VANTs, oferecem novas prospecções para a identificação e o monitoramento de plantios. Neste cenário, o objetivo deste trabalho foi utilizar VANT para a identificação e a quantificação da severidade do ataque da sigatoka-amarela na cultura da banana. Foram utilizados cinco algoritmos de classificação supervisionada (Maximum Likelihood, Mahalanobis Distance, Minimum Distance, Neural Networks e Suport Vector Machine) para um voo realizado em plantio comercial de bananeiras. Como resultados, o algoritmo Mahalanobis Distance alcançou melhor desempenho (99,28% de acurácia) e 4,97% e 6,08% de grau de severidade da sigatoka-amarela, em comparação às verdades de campo, que resultaram em grau de infecção de 1% a 5%, demonstrando que as ferramentas de monitoramento de manchas foliares podem ser realizadas por meio de técnicas de aprendizagem computacional e imagens pancromáticas de alta resolução espacial.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo