Loading...
Publication
Disease detection and mapping in olive groves using UAVs and deep learning for precision agriculture
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 29.46 MB | Adobe PDF |
Abstract(s)
This dissertation presents the implementation and validation of a cost-effective, Unmanned Aerial Vehicle (UAV) based system for automated detection and spatial mapping of olive knot disease in olive groves. Addressing the need for accessible and efficient plant disease monitoring in Precision Agriculture (PA), the proposed methodology leverages existing UAV imagery capabilities with lightweight Deep Learning (DL) models, specifically the You Only Look Once (YOLO) object detection architecture, to enable scalable and accurate detection. The academic contributions presented in this work have resulted in two peer-reviewed publications related to the dissertation topic, as detailed at the end of this document. An annotated dataset of UAV-acquired images was compiled, and several state-of-the-art YOLO object detection models were trained and evaluated under identical conditions. The best-performing model achieved a strong F1-score, demonstrating good results in detecting olive knot disease and accurately mapping its spatial distribution within the plantation. The workflow integrates spatial cross-referencing of detections with UAV flight path data and proximity analysis, enabling the assignment of disease detections to individual trees. An interactive map interface, developed using the Folium Python library, provides visualization of the disease distribution and supports practical grove management. The experimental results indicate that cost-effective UAVs and lightweight DL models can be effectively combined for plant disease detection and spatial analysis, offering a robust and scalable approach for real-world agricultural applications. Limitations regarding early symptom detection and image quality are discussed, and directions for future work are proposed.
Esta dissertação apresenta a implementação e a validação de um sistema economicamente viável baseado em Veículo Aéreo Não Tripulado (VANT) para detecção automatizada e mapeamento espacial da doença nó da oliveira em olivais. Atendendo à necessidade de monitoramento eficiente e acessível de doenças em plantas no âmbito de agricultura de precisão, a metodologia proposta utiliza as capacidades existentes de imagens de VANT em conjunto com modelos computacionalmente leves de aprendizado profundo, utilizando especificamente a arquitetura de detecção de objetos YOLO, permitindo uma detecção escalável e precisa. As contribuições acadêmicas apresentadas neste trabalho resultaram em duas publicações científicas revisadas por pares relacionadas ao tema da dissertação, conforme detalhado no final deste documento. Foi compilado um conjunto de dados anotados a partir de imagens obtidas por VANT, e diversos modelos YOLO de detecção de objetos, considerados estado da arte, foram treinados e avaliados sob as mesmas condições. O modelo de melhor desempenho obteve um F1-score elevado, demonstrando bons resultados na detecção da doença e no mapeamento de sua distribuição espacial dentro da plantação. O fluxo de trabalho utilizado integra o referenciamento cruzado das detecções com dados da trajetória do VANT e análise de proximidade, possibilitando a atribuição das detecções de doença a árvores individuais. Um mapa interativo, desenvolvido com a biblioteca Python Folium, fornece a visualização da distribuição da doença e apoia a tomada de decisões no olival. Os resultados experimentais indicam que VANTs com boa relação custo-benefício e modelos computacionalmente leves de aprendizado profundo como o YOLO podem ser combinados de forma eficaz para detecção de doenças em plantas e análise espacial, oferecendo uma abordagem robusta e escalável para aplicações agrícolas reais. As limitações relacionadas à detecção de sintomas iniciais e à qualidade das imagens são discutidas, e direções para trabalhos futuros são sugeridas.
Esta dissertação apresenta a implementação e a validação de um sistema economicamente viável baseado em Veículo Aéreo Não Tripulado (VANT) para detecção automatizada e mapeamento espacial da doença nó da oliveira em olivais. Atendendo à necessidade de monitoramento eficiente e acessível de doenças em plantas no âmbito de agricultura de precisão, a metodologia proposta utiliza as capacidades existentes de imagens de VANT em conjunto com modelos computacionalmente leves de aprendizado profundo, utilizando especificamente a arquitetura de detecção de objetos YOLO, permitindo uma detecção escalável e precisa. As contribuições acadêmicas apresentadas neste trabalho resultaram em duas publicações científicas revisadas por pares relacionadas ao tema da dissertação, conforme detalhado no final deste documento. Foi compilado um conjunto de dados anotados a partir de imagens obtidas por VANT, e diversos modelos YOLO de detecção de objetos, considerados estado da arte, foram treinados e avaliados sob as mesmas condições. O modelo de melhor desempenho obteve um F1-score elevado, demonstrando bons resultados na detecção da doença e no mapeamento de sua distribuição espacial dentro da plantação. O fluxo de trabalho utilizado integra o referenciamento cruzado das detecções com dados da trajetória do VANT e análise de proximidade, possibilitando a atribuição das detecções de doença a árvores individuais. Um mapa interativo, desenvolvido com a biblioteca Python Folium, fornece a visualização da distribuição da doença e apoia a tomada de decisões no olival. Os resultados experimentais indicam que VANTs com boa relação custo-benefício e modelos computacionalmente leves de aprendizado profundo como o YOLO podem ser combinados de forma eficaz para detecção de doenças em plantas e análise espacial, oferecendo uma abordagem robusta e escalável para aplicações agrícolas reais. As limitações relacionadas à detecção de sintomas iniciais e à qualidade das imagens são discutidas, e direções para trabalhos futuros são sugeridas.
Description
Mestrado de dupla diplomação com o Centro Federal de Educação Tecnológica de Minas Gerais – CEFET-MG
Keywords
Unmanned aerial vehicle Disease detection Olive knot YOLO Computer vision Deep learning