[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-pt-112":3,"doc-seo-120024-112":49,"doc-detail-120024-pt":124},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},26,"Document","Contos e Romances",60,"story-novel",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},46,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},28,"Exames","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},47,"Geral","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},29,"Histórias em Quadrinhos","comic",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},27,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},32,"Pesquisa e Relatórios","research-report",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},33,"Religião e Espiritualidade","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},31,"Saúde e Cuidados","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},45,"Tecnologia","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":117,"head_meta":119,"extra_data":121,"updated_unix":123},112,"pt","use-of-machine-learning-for-classifying-healthy-plants-and-plants-submitted-to-stress","Utilização de machine learning para classificação de plantas saudáveis e plantas submetidas ao estresse","","A integração de tecnologias na agricultura apoia produtividade e sustentabilidade, e o aprendizado de máquina é proposto como ferramenta para avaliar a saúde vegetal. O trabalho classifica plantas saudáveis e inoculadas com patógeno usando quatro técnicas: Análise Discriminante, Regressão Logística, AdaBoost e SVM. Empregam-se dados de Fluorcam, Espectroscopia induzida por laser (LIFS) e câmera térmica, treinados e testados em modelos separados por equipamento. A acurácia mais alta é observada na termografia com AdaBoost (90%), com 75% e 80% para Fluorcam e LIFS via SVM.",{"@graph":59,"@context":116},[60,77,99],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/pt/document/",2,{"item":72,"name":35,"@type":66,"position":73},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/pt/document/use-of-machine-learning-for-classifying-healthy-plants-and-plants-submitted-to-stress/120024/",4,{"url":75,"name":55,"@type":78,"image":79,"author":84,"headline":55,"publisher":87,"fileFormat":90,"inLanguage":53,"description":57,"dateModified":91,"datePublished":92,"encodingFormat":90,"isAccessibleForFree":93,"interactionStatistic":94},"DigitalDocument",{"url":80,"@type":81,"width":82,"height":83},"https://docshare.wps.com/thumbnails/use-of-machine-learning-for-classifying-healthy-plants-and-plants-submitted-to-stress/120024.png","ImageObject",300,407,{"name":85,"@type":86},"Violet","Person",{"url":64,"name":88,"@type":89},"DocShare","Organization","application/pdf","2026-09-20","2026-08-03",true,{"@type":95,"interactionType":96,"userInteractionCount":98},"InteractionCounter",{"@type":97},"ViewAction",7,{"@type":100,"mainEntity":101},"FAQPage",[102,108,112],{"name":103,"@type":104,"acceptedAnswer":105},"Qual era o objetivo do trabalho com plantas saudáveis e inoculadas?","Question",{"text":106,"@type":107},"Classificar plantas saudáveis e plantas inoculadas com patógeno, avaliando a saúde vegetal por meio de aprendizado de máquina.","Answer",{"name":109,"@type":104,"acceptedAnswer":110},"Quais técnicas de machine learning foram utilizadas na classificação?",{"text":111,"@type":107},"Foram usadas quatro técnicas: Análise Discriminante, Regressão Logística, AdaBoost e SVM (Support Vector Machine).",{"name":113,"@type":104,"acceptedAnswer":114},"Quais equipamentos/dados tiveram melhor desempenho e qual foi a melhor taxa de acerto?",{"text":115,"@type":107},"A melhor taxa de acerto ocorreu na termografia com AdaBoost, atingindo 90%. Fluorcam alcançou 75% com SVM e LIFS atingiu 80% também com SVM.","https://schema.org",{"og:url":75,"og:type":118,"og:title":55,"og:site_name":88,"og:description":57},"article",{"robots":120,"canonical":75},"index,follow",{"doc_id":122,"site_id":52},120024,1785727783,{"code":4,"msg":5,"data":125},{"doc_id":122,"user_id":126,"nickname":85,"user_avatar":127,"doc_module":4,"category_id":34,"category_name":35,"doc_title":55,"doc_description":57,"doc_content":128,"file_id":129,"file_url":130,"file_type":131,"file_size":132,"view_count":98,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":67,"language":133,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":134,"faqs":135,"seo_title":136,"seo_description":57,"update_tm":123,"read_time":70},1099523885336,"https://ap-avatar.wpscdn.com/davatar_276721f389ce27ea32af1340a28f341c","Utilização de machine learning para classificação de plantas saudáveis e plantas submetidas ao estresse  \nJoão Victor Silva Viana1 ; Letícia Piazentin Dantas2 ; Otávio Rodrigues de Paula3 ; Bianca Batista Barreto4 ;  \nDébora Marcondes Bastos Pereira5  \n1Aluno de graduação em Física Computacional, Universidade de São Paulo, São Carlos, SP. Bolsista CNPq, Embrapa Instrumentação, São Carlos, SP; [vianajoao@usp.br](vianajoao@usp.br)  \n2Aluna de graduação em Biotecnologia, Universidade Federal de São Carlos, São Carlos, SP.  \n3Aluno de graduação em Biotecnologia, Universidade Federal de São Carlos, São Carlos, SP.  \n4 Pós doutoranda da Embrapa Instrumentação, São Carlos, SP.  \n5Pesquisadora da Embrapa Instrumentação, São Carlos, SP (orientadora) .  \nA integração de tecnologias na agricultura tem se tornado cada vez mais comum, trazendo consigo uma série de benefícios, desde o aumento da produtividade até contribuições para a sustentabilidade. Uma das tecnologias promissoras que pode ter um papel importante nesse cenário é o aprendizado demáquina (machine learning), especialmente no que diz respeito à avaliação da saúde das plantas. Neste contexto, o objetivo do trabalho foi classificar plantas saudáveis e inoculadas com patógeno utilizando quatro diferentestécnicas de machine learning:Análise Discriminante, Regressão Logística, AdaBoost, um algoritmo de boosting, que combina múltiplos classificadores fracos para formar um classificadormais preciso, e SVM (Support Vector Machine), que é um algoritmo que separa os dados usando um hiperplano. Para esse propósito, foram utilizados dados coletados de três técnicas distintas: Fluorcam, Espectroscopia induzida por laser (LIFS) e Câmera Térmica. No âmbito computacional, diferentes modelos foram treinados e testados para cada equipamento. Os resultados revelaram que a melhor taxa de acerto foi obtida com os dados de imagem de fluorescência fornecidos pelo equipamento Fluorcam, alcançando uma taxa de acerto de 75% utilizando o modelo SVM. Para o LIFS, a taxa de acerto foi maior, atingindo 80% também utilizando o modelo SVM. Já para os dados de termografiaa taxa de acerto foi de 90% utilizando o AdaBoost. Esses resultados evidenciam a relevância e opotencial do uso do machine learning na classificação de plantas inoculadas, especialmente quando combinado com tecnologias específicas. Apartir desses resultados, conclui-se que o desenvolvimentode soluções usando machine learning pode contribuir significativamente para o monitoramento eaprimoramento da detecção do ataque de patógenos na planta, impulsionando assim a eficiência e asustentabilidade da agricultura.  \nApoio financeiro: CNPq  \nÁrea: Ciências Exatas e da Terra  \nPalavras-chave: machine learning, classificação, detecção de doenças  \nN. do Processo PIBIC/PIBITI: 372370/2022-5","cbCaiip6FuIEQtAF","https://ap.wps.com/l/cbCaiip6FuIEQtAF","pdf",326607,"Portuguese","# Objetivo e contexto\n## Técnicas de machine learning\n## Dados experimentais (Fluorcam, LIFS e termografia)\n## Resultados e acurácia\n## Conclusões e implicações","[{\"question\":\"Qual era o objetivo do trabalho com plantas saudáveis e inoculadas?\",\"answer\":\"Classificar plantas saudáveis e plantas inoculadas com patógeno, avaliando a saúde vegetal por meio de aprendizado de máquina.\"},{\"question\":\"Quais técnicas de machine learning foram utilizadas na classificação?\",\"answer\":\"Foram usadas quatro técnicas: Análise Discriminante, Regressão Logística, AdaBoost e SVM (Support Vector Machine).\"},{\"question\":\"Quais equipamentos/dados tiveram melhor desempenho e qual foi a melhor taxa de acerto?\",\"answer\":\"A melhor taxa de acerto ocorreu na termografia com AdaBoost, atingindo 90%. Fluorcam alcançou 75% com SVM e LIFS atingiu 80% também com SVM.\"}]","Utilização de machine learning para classificação de plantas saudáveis e plantas submetidas ao estresse | PDF"]