Publication
Aplicação móvel para a procura ou identificação de plantas e possíveis doenças
| dc.contributor.advisor | Jesus, Rui | |
| dc.contributor.advisor | Marques, Gonçalo | |
| dc.contributor.author | Silva, Henrique | |
| dc.date.accessioned | 2024-01-19T08:42:37Z | |
| dc.date.available | 2024-01-19T08:42:37Z | |
| dc.date.issued | 2023 | |
| dc.description | Trabalho de projeto de natureza científica para obtenção do grau de Mestre em Engenharia Informática e Multimédia. | pt_PT |
| dc.description.abstract | As plantas são uma forma das gerações mais jovens preencherem a necessidade de cultivar, para além de proporcionar benefícios tanto físicos como mentais. As doenças em plantas domésticas são decorrentes, em particular, quando não se tem conhecimento para as prevenir. Para tentar mitigar este problema este trabalho pretende desenvolver uma solução automática e fiável de forma a obter informação sobre uma planta ou providenciar um diagnóstico sobre a mesma. A automatização do trabalho é hoje em dia uma prática cada vez mais frequente em diversas áreas, diminuindo a mão de obra e melhorando os erros comuns ao fator humano. Neste sentido, foi desenvolvida uma aplicação móvel que utiliza técnicas de Deep Learning, nomeadamente Redes Neuronais Convolucionais, para a classificação de plantas e possíveis doenças em imagens obtidas com recurso à câmara do dispositivo móvel. Deste modo, foram construídos vários conjuntos de dados de imagens que serviram de base de treino aos modelos usados. Foram ainda feitos estudos de métodos para o pré-processamento e melhoria de imagens. Foram usados modelos para a deteção e classificação de planta, deteção e classificação de doença e deteção se a planta está saudável. Foram usados métodos para a deteção de imagens escuras e desfocadas, nomeadamente, a média e a variância de Laplace, respetivamente. Os modelos foram treinados recorrendo as Redes Neuronais Convolucionais InceptionResNetV2 e Mobile-NetV2. A primeira rede foi usada para a deteção e classificação das doenças e o resto dos modelos foram implementados utilizando a segunda rede. Foram realizados vários testes para avaliar os vários modelos. Em geral, foi conseguida uma taxa de acertos média de 95% nos modelos. Nos algoritmos de pré-processamento para melhorar as imagens, foi obtida uma precisão de 99% no método para a deteção de imagens escuras e 84.39% para a deteção de imagens desfocadas. Com o algoritmo proposto para detetar e classificar doenças em plantas foi obtida uma precisão de 92.9. | pt_PT |
| dc.description.abstract | Plants are a way for younger generations to fill the need to farm, as well as providing both physical and mental benefits. Diseases in houseplants are particularly prevalent when there is no knowledge to prevent them. To try to mitigate this problem this work aims to develop an automatic and reliable solution to obtain information about a plant or provide a diagnosis about it. The automation of work is nowadays an increasingly common practice in several areas, reducing labor and improving the errors common to the human factor. In this sense, a mobile application was developed that uses Deep Learning techniques, namely Convolutional Neural Networks, for the classification of plants and possible diseases in images obtained using the camera of the mobile device. This way, several image data sets were built and used as a training basis for the models used. Methods for pre-processing and image enhancement were also studied. Models were used for plant detection and classification, disease detection and classification, and healthy plant detection. Methods were used for the detection of dark and blurred images, namely, the Laplace mean and Laplace variance, respectively. The models were trained using Convolutional Neural Networks InceptionResNetV2 and MobileNetV2. The first network was used for disease detection and classification and the rest of the models were implemented using the second network. Several tests were performed to evaluate the various models. Overall, na average accuracy of 95% was achieved on the models. In the preprocessing algorithms for enhancing the images, an accuracy of 99% was obtained in the method for detecting dark images and 84.39% for detecting blurry images. An accuracy of 92.9% was obtained with the proposed algorithm for detecting and classifying diseases on plants. | |
| dc.description.version | N/A | pt_PT |
| dc.identifier.citation | Silva, Henrique- Aplicação móvel para a procura ou identificação de plantas e possíveis doenças. Lisboa: Instituto Superior de Engenharia de Lisboa, 2023. Dissertação de Mestrado. | pt_PT |
| dc.identifier.tid | 203416279 | |
| dc.identifier.uri | http://hdl.handle.net/10400.21/16908 | |
| dc.language.iso | por | pt_PT |
| dc.peerreviewed | yes | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | pt_PT |
| dc.subject | Deep Learning | pt_PT |
| dc.subject | Redes Neuronais Convolucionais | pt_PT |
| dc.subject | Deteção e classificação de doenças em plantas domésticas | pt_PT |
| dc.subject | Métodos de melhoria de imagens | pt_PT |
| dc.subject | Web Scraping | pt_PT |
| dc.subject | Computação móvel | pt_PT |
| dc.subject | Deep Learning | |
| dc.subject | Convolutional Neural Networks | |
| dc.subject | Detection and classification in houseplants | |
| dc.subject | Image enhancement methods | |
| dc.subject | Web Scraping | |
| dc.title | Aplicação móvel para a procura ou identificação de plantas e possíveis doenças | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| oaire.citation.conferencePlace | Lisboa, Instituto Superior de Engenharia de Lisboa | pt_PT |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |