@MASTERSTHESIS{ 2018:577458036,
 	title = {Classificação do inseto Diaphorina citri utilizando Deep Learning},
 	year = {2018},
 	url = "http://tede2.uefs.br:8080/handle/tede/1343",
 	abstract = "O Brasil é um dos principais produtores  de  suco  de  laranja,  exportando  98%  do que produz.  E problemas fitossanitários causam perda na produção e dificuldade de exportação.  Dentre as pragas existentes está a Huanglongbing, também conhecida por Greening.  Esta doença reduz a qualidade do fruto, atrapalha o desenvolvimento da planta e reduz sua produtividade.  O principal inseto propagador da bactéria causadora da doençaé o psilídeo Diaphorina citri, que tem 2 a 3 mm de comprimento. Para o controle do problema, um método usado consiste na captura com armadilhas amarelas e contagem dos insetos para ajuste posterior da dosagem dos inseticidas a serem aplicados.   Essa forma de monitoramento é  um  componente  importante na prevenção, na detecção e contagem do inseto causador da doença, e é realizada de maneira manual sendo esse processo determinante para aplicação mais efetivas de  inseticidas.   Esta pesquisa,  teve  como  objetivo  geral  o  uso  da  metodologia  de Aprendizado Profundo (Deep Learning) com Redes Convolucionais Neurais (CNN) na classificação do psilídeo Diaphorina citri em imagens digitalizadas de armadilhas adesivas, como forma de agilizar o processo de identificação e melhorar os resultados de precisão no reconhecimento do psilídeo.  Para isso, foi necessário criar um banco de dados com as imagens das armadilhas após digitalizadas e analisar os resultados obtidos na classificação do Diaphorina citri utilizando modelos de arquiteturas distintos com abordagem de aprendizado profundo.  Para a classificação automatizada, foram  experimentadas  três  arquiteturas  de  Redes  Convolucionais  Neurais  (CNN). Após  avaliação  e  aplicação  de  testes  estatísticos  para  comparar  os  resultados  das arquiteturas LeNet, AlexNet, Inception, o modelo Inception aplicado ao conjunto de amostras de teste para generalização do modelo apresentou uma média de acurácia de 99.51% na validação cruzada e 99.37% na validação com o conjunto de teste final na classificação do inseto Diaphorina citri.",
 	publisher = {Universidade Estadual de Feira de Santana},
 	scholl = {Mestrado em Computação Aplicada},
 	note = {DEPARTAMENTO DE CIÊNCIAS EXATAS}
}