Uso de Ensemble Learning para controle de qualidade de hortaliças
| dc.contributor.advisor | Carlos Dias da Silva Junior | |
| dc.contributor.author | Leite, André Nery Cruz | |
| dc.date.accessioned | 2025-04-09T01:42:51Z | |
| dc.date.available | 2025-04-09T01:42:51Z | |
| dc.date.issued | 2024-09-24 | |
| dc.description.abstract | O desenvolvimento da tecnologia para a agricultura tem se mostrado essencial para aumentar a eficiência na detecção de doenças em plantas e, consequentemente, melhorar a produção agrícola. Nesse contexto, este trabalho apresenta uma proposta voltada para a implementação de um sistema de classificação de doenças em plantas, utilizando técnicas de aprendizado de máquina. O objetivo principal foi construir um modelo capaz de identificar doenças específicas em cultivos de batata, milho e tomate, auxiliando os agricultores. Foram implementados e testados diferentes modelos de classificação, como Decision Tree, Random Forest, Support Vector Classification (SVC), K-Nearest Neighbors (KNN), Gradient Boosting e Stacking Learning, a fim de selecionar o mais preciso para essa aplicação. O sistema foi desenvolvido em Python, utilizando a biblioteca Scikit-Learn, e os modelos foram avaliados com base em métricas como Erro Médio Absoluto (MAE), Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE) e acurácia. Os resultados indicaram que o modelo de Stacking Learning apresentou o melhor desempenho na classificação das doenças, destacando-se pela precisão superior. Adicionalmente, foi criada uma interface em React Native, facilitando o uso do sistema em dispositivos móveis. A partir da conclusão deste trabalho, foi possível propor uma ferramenta para o diagnóstico automatizado de doenças em plantas, oferecendo um apoio relevante para a agricultura e o manejo mais eficiente das culturas. | |
| dc.description.abstract1 | The development of technology for agriculture has proven essential for increasing efficiency in plant disease detection and, consequently, improving agricultural production. In this context, this work presents a proposal focused on implementing a plant disease classification system using machine learning techniques. The main objective was to build a model capable of identifying specific diseases in potato, corn, and tomato crops, assisting farmers in managing their crops. Different classification models, such as Decision Tree, Random Forest, SVC, KNN, Gradient Boosting, and Stacking Learning, were implemented and tested to select the most accurate model for this application. The system was developed in Python, using the Scikit-Learn library, and the models were evaluated based on metrics like Mean Absolut Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and accuracy. The results indicated that the Stacking Learning model achieved the best performance in disease classification, standing out for its superior accuracy. Additionally, a React Native interface was created to facilitate the system’s use on mobile devices. Upon the conclusion of this work, an automated plant disease diagnosis tool was proposed, offering valuable support for agriculture and more efficient crop management. | |
| dc.identifier.uri | http://hdl.handle.net/20.500.14387/2203 | |
| dc.language.iso | Português | |
| dc.publisher.campi | Ibirité | |
| dc.publisher.country | Brasil | |
| dc.publisher.institution | Instituto Federal de Minas Gerais | |
| dc.rights | Acesso aberto | |
| dc.subject.keyword | Ensemble Learning | |
| dc.subject.keyword | Machine Learning | |
| dc.subject.keyword | Classificação | |
| dc.title | Uso de Ensemble Learning para controle de qualidade de hortaliças | |
| dc.type | Trabalho de Conclusão de Curso |