Se você prefere baixar um arquivo único com todas as referências do LARCC, você pode encontrá-lo neste link. Você também pode acompanhar novas publicações via RSS.
Adicionalmente, você também pode encontrar as publicações no perfil do LARCC no Google Scholar .
2023 |
Alf, Lucas; Hoffmann, Renato Barreto; Müller, Caetano; Griebler, Dalvan Análise da Execução de Algoritmos de Aprendizado de Máquina em Dispositivos Embarcados Inproceedings Anais do XXIII Simpósio em Sistemas Computacionais de Alto Desempenho (WSCAD), pp. 1-12, SBC, Porto Alegre, Brasil, 2023. Links | BibTeX | Tags: Deep learning, IoT @inproceedings{ALF:WSCAD:23, title = {Análise da Execução de Algoritmos de Aprendizado de Máquina em Dispositivos Embarcados}, author = {Lucas Alf and Renato Barreto Hoffmann and Caetano Müller and Dalvan Griebler}, url = {https://doi.org/}, year = {2023}, date = {2023-10-01}, booktitle = {Anais do XXIII Simpósio em Sistemas Computacionais de Alto Desempenho (WSCAD)}, pages = {1-12}, publisher = {SBC}, address = {Porto Alegre, Brasil}, keywords = {Deep learning, IoT}, pubstate = {published}, tppubtype = {inproceedings} } |
2022 |
Scheer, Claudio; Araujo, Gabriell; Griebler, Dalvan; Meneguzzi, Felipe; Fernandes, Luiz Gustavo Encontrando a Configuração de Threads por Bloco para os Kernels NPB-CUDA com Q-Learning Inproceedings doi Anais da XXII Escola Regional de Alto Desempenho da Região Sul, pp. 119-120, Sociedade Brasileira de Computação, Curitiba, Brazil, 2022. Abstract | Links | BibTeX | Tags: Benchmark, Deep learning, GPGPU @inproceedings{SCHEER:ERAD:22, title = {Encontrando a Configuração de Threads por Bloco para os Kernels NPB-CUDA com Q-Learning}, author = {Claudio Scheer and Gabriell Araujo and Dalvan Griebler and Felipe Meneguzzi and Luiz Gustavo Fernandes}, url = {https://doi.org/10.5753/eradrs.2022.19191}, doi = {10.5753/eradrs.2022.19191}, year = {2022}, date = {2022-04-01}, booktitle = {Anais da XXII Escola Regional de Alto Desempenho da Região Sul}, pages = {119-120}, publisher = {Sociedade Brasileira de Computação}, address = {Curitiba, Brazil}, abstract = {Este trabalho apresenta um novo método que utiliza aprendizado de máquina para prever a melhor configuração de threads por bloco para aplicações de GPUs. Os resultados foram similares a estratégias manuais.}, keywords = {Benchmark, Deep learning, GPGPU}, pubstate = {published}, tppubtype = {inproceedings} } Este trabalho apresenta um novo método que utiliza aprendizado de máquina para prever a melhor configuração de threads por bloco para aplicações de GPUs. Os resultados foram similares a estratégias manuais. |
2021 |
Allebrandt, Alisson; Schmidt, Diego Henrique; Griebler, Dalvan Simplificando a Interpretação de Laudos de Análise de Solo com Deep Learning em Nuvem Journal Article doi Revista Eletrônica Argentina-Brasil de Tecnologias da Informação e da Comunicação (REABTIC), 1 (13), 2021. Abstract | Links | BibTeX | Tags: Agriculture, Cloud computing, Deep learning @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} } 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. |
2020 |
Vanzan, Anthony; Fim, Gabriel Rustick; Welter, Greice Aline; Sausen, Matheus César; Griebler, Dalvan Algoritmo de Deep Learning para Classificação de Áreas de Lavaoura com VANTs Inproceedings 22 Salão de Pesquisa Setrem (SAPS), pp. 5, Sociedade Educacional Três de Maio, Três de Maio, RS, Brazil, 2020. Abstract | Links | BibTeX | Tags: Agriculture, Deep learning, IoT @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} } 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. |
Welter, Greice Aline; Vanzan, Anthony; Fim, Gabriel Rustick; Sausen, Matheus César; Griebler, Dalvan Avaliação dos Frameworks TensorFlow, PyTorch e Keras para Deep Learning Inproceedings 22 Salão de Pesquisa Setrem (SAPS), pp. 5, Sociedade Educacional Três de Maio, Três de Maio, RS, Brazil, 2020. Abstract | Links | BibTeX | Tags: Cloud computing, Deep learning @inproceedings{larcc:DL_Frameworks:SAPS:20, title = {Avaliação dos Frameworks TensorFlow, PyTorch e Keras para Deep Learning}, author = {Greice Aline Welter and Anthony Vanzan and Gabriel Rustick Fim and Matheus César Sausen and Dalvan Griebler}, url = {https://larcc.setrem.com.br/wp-content/uploads/2020/11/SAPS_2020_Greice.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 = {Os frameworks de programação são um conjunto de classes sobre a qual uma ferramenta é constituída. Esse esqueleto disponibilizará classes para construir, por exemplo, uma solução que permita criar e trabalhar com vários modelos heterogêneos de RNAs (Redes Neurais Artificiais) interligadas. Como existem diversas opções disponíveis, não se sabe qual delas é a mais adequada. Em uma pesquisa prévia no contexto do projeto de pesquisa AGROCOMPUTAÇÃO (parceria entre SETREM e TECNICON), identificou-se que os principais frameworks para o desenvolvimento de RNAs profundas (Deep Learning) são TensorFlow, PyTorch e Keras. A partir disso, o objetivo foi avaliar qual delas é a melhor para o desenvolvimento de modelos de RNAs. Além de contribuir com o projeto AGROCOMPUTAÇÃO, os resultados dessa pesquisa poderão auxiliar na tomada de decisão de outros projetos de software que visam criar modelos de RNAs profundas. Os testes efetuados apontaram que o PyTorch é melhor no quesito acurácia e é mais flexível para o desenvolvimento de modelos de RNAs se comparado ao TensorFlow e Keras.}, keywords = {Cloud computing, Deep learning}, pubstate = {published}, tppubtype = {inproceedings} } Os frameworks de programação são um conjunto de classes sobre a qual uma ferramenta é constituída. Esse esqueleto disponibilizará classes para construir, por exemplo, uma solução que permita criar e trabalhar com vários modelos heterogêneos de RNAs (Redes Neurais Artificiais) interligadas. Como existem diversas opções disponíveis, não se sabe qual delas é a mais adequada. Em uma pesquisa prévia no contexto do projeto de pesquisa AGROCOMPUTAÇÃO (parceria entre SETREM e TECNICON), identificou-se que os principais frameworks para o desenvolvimento de RNAs profundas (Deep Learning) são TensorFlow, PyTorch e Keras. A partir disso, o objetivo foi avaliar qual delas é a melhor para o desenvolvimento de modelos de RNAs. Além de contribuir com o projeto AGROCOMPUTAÇÃO, os resultados dessa pesquisa poderão auxiliar na tomada de decisão de outros projetos de software que visam criar modelos de RNAs profundas. Os testes efetuados apontaram que o PyTorch é melhor no quesito acurácia e é mais flexível para o desenvolvimento de modelos de RNAs se comparado ao TensorFlow e Keras. |
2019 |
Junior, Claudio Roberto Scheer; Guder, Larissa Canepple; Griebler, Dalvan Uma Revisão Sistemática da Literatura sobre Deep Learning na Agricultura Inproceedings 21 Salão de Pesquisa Setrem (SAPS), pp. 5, Sociedade Educacional Três de Maio, Três de Maio, RS, Brazil, 2019. Abstract | Links | BibTeX | Tags: Agriculture, Deep learning, Literature review @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} } 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. |
Scheer, Claudio; Guder, Larissa Deep Learning in Agriculture: A Systematic Literature Review Undergraduate Thesis Forthcoming Undergraduate Thesis, Forthcoming. Abstract | BibTeX | Tags: Agriculture, Deep learning, Literature review @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} } 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. |
Allebrandt, Alisson; Schimidt, Diego Henrique Simplificando a Interpretação de Análise de Solo com Inteligência Artificial Undergraduate Thesis Undergraduate Thesis, 2019. Abstract | Links | BibTeX | Tags: Agriculture, Deep learning @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} } 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. |