@inproceedings{larcc:DL_Classificaiton_MPI:ERAD:21,
title = {Aceleração da Classificação de Lavouras de Milho com MPI e Estratégias de Paralelismo},
author = {Anthony Vanzan and Gabriel Fim and Greice Welter and Dalvan Griebler},
url = {https://doi.org/10.5753/eradrs.2021.14772},
doi = {10.5753/eradrs.2021.14772},
year = {2021},
date = {2021-04-01},
booktitle = {21th Escola Regional de Alto Desempenho da Região Sul (ERAD-RS)},
pages = {49-52},
publisher = {Sociedade Brasileira de Computação},
address = {Joinville, RS, Brazil},
abstract = {Este trabalho visou acelerar a execução de um algoritmo de classificação de lavouras em imagens áreas. Para isso, foram implementadas diferentes versões paralelas usando a biblioteca MPI na linguagem Python. A avaliação foi conduzida em dois ambientes computacionais. Conclui-se que é possível reduzir o tempo de execução a medida que mais recursos paralelos são usados e a estratégia de distribuição de trabalho dinâmica é mais eficiente.},
keywords = {Agriculture, Distributed computing, Parallel programming, Stream processing},
pubstate = {published},
tppubtype = {inproceedings}
}

@article{larcc:DL_solos:REABTIC:21,
title = {Simplificando a Interpretação de Laudos de Análise de Solo com Deep Learning em Nuvem},
author = {Alisson Allebrandt and Diego Henrique Schmidt and Dalvan Griebler},
url = {https://revistas.setrem.com.br/index.php/reabtic/article/view/387},
doi = {10.5281/zenodo.4445204},
year = {2021},
date = {2021-01-01},
journal = {Revista Eletrônica Argentina-Brasil de Tecnologias da Informação e da Comunicação (REABTIC)},
volume = {1},
number = {13},
publisher = {SETREM},
address = {Três de Maio, RS, Brazil},
abstract = {Um dos aspectos que interfere em uma boa produtividade agrícolaé o solo, consequentemente, a sua conservação por meio da aplicação corretade nutrientes e adubação é de suma importância. Neste artigo, propõe-se umaarquitetura de software e um aplicativo mobile capaz de auxiliar agricultores eengenheiros agrônomos na interpretação de análises de solo geradas em laboratórios.A arquitetura de software foi concebida para atuar em um ambientede nuvem e o aplicativo mobile é a interface para captura e apresentação dosdados. Inicialmente, foi necessário criar uma base de dados com diferentestipos e configurações de imagens. O dataset foi tratado para eliminar ruídos(tais como luminosidade, sombras e distorções) e usado para avaliação de duassoluções de Deep Learning (Google Vision e Tesseract OCR), onde o TesseractOCR se mostrou mais preciso usando as mesmas imagens. Além de ofertar oaplicativo mobile, que é um primeiro passo, a pesquisa realizada revela váriascarências tecnológicas e oportunidades para inovações na área de ciência dossolos.},
keywords = {Agriculture, Cloud computing, Deep learning},
pubstate = {published},
tppubtype = {article}
}

@inproceedings{larcc:DL_Classificacao:SAPS:20,
title = {Algoritmo de Deep Learning para Classificação de Áreas de Lavaoura com VANTs},
author = {Anthony Vanzan and Gabriel Rustick Fim and Greice Aline Welter and Matheus César Sausen and Dalvan Griebler},
url = {https://larcc.setrem.com.br/wp-content/uploads/2020/11/SAPS_2020_Anthony.pdf},
year = {2020},
date = {2020-10-01},
booktitle = {22 Salão de Pesquisa Setrem (SAPS)},
pages = {5},
publisher = {Sociedade Educacional Três de Maio},
address = {Três de Maio, RS, Brazil},
abstract = {O Brasil é um dos maiores produtores e exportadores de milho do globo. A criação e implementação de novas tecnologias partindo da inteligência artificial podem proporcionar melhorias na produção do grão e, consequentemente, uma melhoria econômica no país. Nota-se também que as tecnologias de inteligência artificial estão conquistando espaço no mercado e auxiliando diversas áreas, tendo um avanço considerável de desempenho e produtividade. Nesse sentido, o presente trabalho visa apresentar a implementação e resultados de um modelo de rede neural utilizando a arquitetura LeNet5 para realizar a classificação de imagens, de cultivo do milho. Estas áreas classificadas servirão futuramente para o cálculo de estimativa de produção.},
keywords = {Agriculture, Deep learning, IoT},
pubstate = {published},
tppubtype = {inproceedings}
}

@inproceedings{larcc:DL_preprocessamento:SAPS:20,
title = {Desenvolvimento de Um Algoritmo de Pré-processamento Automático de Imagens Retiradas com VANTs},
author = {Gabriel Rustick Fim and Anthony Vanzan and Greice Aline Welter and Matheus César Sausen and Dalvan Griebler},
url = {https://larcc.setrem.com.br/wp-content/uploads/2020/11/SAPS_2020_Gabriel.pdf},
year = {2020},
date = {2020-10-01},
booktitle = {22 Salão de Pesquisa Setrem (SAPS)},
pages = {5},
publisher = {Sociedade Educacional Três de Maio},
address = {Três de Maio, RS, Brazil},
abstract = {Um dos passos mais importantes para a realização do treinamento de uma rede neural é a criação de um dataset que possua imagens que satisfaçam os requisitos de entrada da rede. O presente trabalho tem como objetivo o desenvolvimento de um algoritmo na linguagem de programação Python para realizar o pré-processamento de uma série de imagens retiradas com veículos aéreos não tripulados. Para realizar este pré-processamento duas bibliotecas foram utilizadas, o NumPy e o OpenCV, ambas trabalhando em conjunto para realizar modificações nas imagens, tais como cortá-las em imagens menores e realizar conversões de cores de forma automática. Ao final, foi possível testar no escopo do projeto AGROCOMPUTAÇÃO (uma parceria entre SETREM e TECNICON Sistemas) e concluir que o algoritmo criado foi eficiente. Ele permitiu o pré-processamento de uma grande quantidade de imagens de forma automática.},
keywords = {Agriculture, IoT},
pubstate = {published},
tppubtype = {inproceedings}
}

@inproceedings{larcc:DL_Metodologia:SAPS:20,
title = {Metodologia para Captura de Imagens com VANT para a Cultura do Milho},
author = {Matheus César Sausen and Greice Aline Welter and Anthony Vanzan and Gabriel Rustick Fim and Dalvan Griebler},
url = {https://larcc.setrem.com.br/wp-content/uploads/2020/11/SAPS_2020_Matheus.pdf},
year = {2020},
date = {2020-10-01},
booktitle = {22 Salão de Pesquisa Setrem (SAPS)},
pages = {5},
publisher = {Sociedade Educacional Três de Maio},
address = {Três de Maio, RS, Brazil},
abstract = {O setor agropecuário ao longo das décadas vem passando por transformações, que por muitas vezes tem relação direta com o avanço tecnológico. Os Veículos Aéreos não Tripulados (VANTs) vêm sendo utilizados como forma auxiliar para pulverização, detecção de pragas e realizar estimativas sobre diferentes culturas. Grande parte desse processo envolve a extração de imagens que são analisadas por programas especializados. Porém, as imagens não podem ser capturadas na lavoura e da cultura de qualquer forma, pois compromete a eficiência nas análises. Por isso, o objetivo é definir uma metodologia de captura de imagens para obter métricas na cultura do milho (Zea mays). Essa metodologia com representação taxonômica foi elaborada baseando-se em artigos publicados em eventos e revistas internacionais e nacionais. Assim, foi possível oferecer um guia para que agrônomos saibam como capturar as imagens com VANTS.},
keywords = {Agriculture, IoT},
pubstate = {published},
tppubtype = {inproceedings}
}

@inproceedings{larcc:DL_survey:SAPS:20,
title = {Uma Revisão Sistemática da Literatura sobre Deep Learning na Agricultura},
author = {Claudio Roberto Scheer Junior and Larissa Canepple Guder and Dalvan Griebler},
url = {https://larcc.setrem.com.br/wp-content/uploads/2020/11/SAPS_2019_Claudio_Larissa.pdf},
year = {2019},
date = {2019-10-01},
booktitle = {21 Salão de Pesquisa Setrem (SAPS)},
pages = {5},
publisher = {Sociedade Educacional Três de Maio},
address = {Três de Maio, RS, Brazil},
abstract = {Com o crescimento do poder computacional, algoritmos de deep learning atingiram bons resultados em inúmeras áreas. Agricultura é uma das áreas que estão buscando aplicar esses algoritmos nos mais variados domínios. Sabendo disso, este trabalho apresenta uma revisão sistemática da literatura sobre o uso de deep learning na agricultura. Foram considerados artigos de janeiro de 2012 até abril de 2019. Dos 819 artigos encontrados, 230 foram incluídos na revisão. Neste trabalho foram avaliadas as técnicas de deep learning utilizadas, culturas abordadas, bases de dados utilizadas, desafios relacionados à agricultura e deep learning, e entre outros insights importantes. Os resultados apresentados mostraram que deep learning é aplicada com sucesso em diversas áreas da agricultura. Na pecuária, por exemplo, a maioria dos resultados atingiram 95% de acurácia. No total, 47.2% dos artigos atingiram acurácia maior que 95%. Isso mostra que ainda há muito trabalho a ser feito na área de deep learning na agricultura. Sendo assim, as análises apresentadas neste trabalho são de extrema importância para dar suporte a novas pesquisas com uso de deep learning na agricultura, e também para definir as possíveis lacunas a serem exploradas.},
keywords = {Agriculture, Deep learning, Literature review},
pubstate = {published},
tppubtype = {inproceedings}
}

@misc{larcc:claudio_larissa:TCC:19,
title = {Deep Learning in Agriculture: A Systematic Literature Review},
author = {Claudio Scheer and Larissa Guder},
year = {2019},
date = {2019-06-01},
address = {Três de Maio, RS, Brazil},
school = {Sociedade Educacional Três de Maio (SETREM)},
abstract = {With the growth of computational power, the deep learning algorithms have achieved remarkable results in several areas. Agriculture is one of the areas that are using these algorithms for the most varied domains. Therefore, this work presents a systematic literature review to consolidate the state-of-the-art about the use of deep learning applied to agricultural challenges. Papers published between January 2012 and April 2019 were considered. From the 819 papers found, 230 papers were classified. We evaluated the deep learning techniques used, crops covered, data sets used, deep learning and agriculture challenges, and among other important insights. The results have shown that deep learning is successfully used for several crops in agriculture. In the livestock branch, for example, most of the works achieved an accuracy above 95%. In total, 47.2% of the papers achieved an accuracy above 95%. Consequently, there is a lot of work to be done in the area of deep learning for agriculture. Our analysis are very important to support new research that seeks to apply deep learning in agriculture and highlight the research gaps.},
howpublished = {Undergraduate Thesis},
keywords = {Agriculture, Deep learning, Literature review},
pubstate = {forthcoming},
tppubtype = {misc}
}

@misc{larcc:alisson_diego:TCC:19,
title = {Simplificando a Interpretação de Análise de Solo com Inteligência Artificial},
author = {Alisson Allebrandt and Diego Henrique Schimidt},
url = {https://larcc.setrem.com.br/wp-content/uploads/2020/08/TCC_SETREM__Alisson_e_Diego_.pdf},
year = {2019},
date = {2019-06-01},
address = {Três de Maio, RS, Brazil},
school = {Sociedade Educacional Três de Maio (SETREM)},
abstract = {One of the aspects that interferes in a good production and agricultural crop is the soil. Its conservation through the correct application of nutrients and fertilization is of paramount importance. Based on this scenario and with the accelerated growth of agricultural technology, an application capable of interpreting the soil analyzes that are generated by soil laboratories resulting from a sample of land collected by the rural producer is proposed. After the analysis, the idea is to suggest the appropriate amount of fertilizers and agricultural nutrients that the producer should apply in his crop. Currently this recommendation process is still manually done by agronomists or desktop software that uses liming and fertilization manuals as the basis for recommendation calculations. This work aims to use machine learning technology, in which more than 30,000 soil analysis records were extracted from the SETREM soil laboratory. Based on the study and analysis of these data, a solution was proposed aimed at creating a training model and a generic way to receive soil analyzes, normalize them, interpret, generate recommendations, and save to a single database so that this data can be used for BI and mining in the future. Therefore, it was developed a mobile application capable of interpreting a photo taken from the soil analysis and then transform the values of the chemical elements present in the image into digital information, which can be consulted and shared in a faster way among the interested people, in addition to starting with the process of feeding a database with information on soil analysis. We obtained results regarding the current need to still use manuals of liming and fertilization as well as the application of artificial intelligence in front of this area. Also, we studied tools of image processing and interpretation of characters with the use of Machine Learning, such as Tesseract OCR and Google Vision, which resulted in a comparison of the two interpretation tools tested.},
howpublished = {Undergraduate Thesis},
keywords = {Agriculture, Deep learning},
pubstate = {published},
tppubtype = {misc}
}