Академический Документы
Профессиональный Документы
Культура Документы
detect, especially in the early periods of infection, the prototype can assist in identifying and
thereby increase productivity and reduce production costs. It also presented the collect of
images for training the neural network, and the training and the images are recorded in this
document. It is present in this paper a literature review regarding the detection of soybean rust
by analyzing the image of the leaf. Using the concept of neural networks in artificial
intelligence, it is also presented a study using the framework ANNeF, which allows the use of
the backpropagation algorithm to be able to fulfill the overall objective of the work. During
the course of studies, the framework has undergone changes in its structure to improve the
performance. At the end, it is placed as it reached the proposed solution for this issue,
identifying the methods used and what were the settings of the neural network that best
allowed the identification of disease on soybean leaf.
KEYWORDS: Asian Rust, Artificial Intelligence, Pattern Recognition, Neural Networks.
INTRODUO
Este artigo possui como tema o desenvolvimento de uma ferramenta de software capaz de
identificar a presena de Ferrugem Asitica nas folhas de soja atravs da anlise da imagem
da folha, a anlise supracitada utiliza-se de mecanismos de inteligncia artificial como redes
neurais artificiais e reconhecimento de imagem.
O cultivo de soja, no Brasil, realizado em larga escala, devido a isto, esta cultura
sofre com problemas de doenas oriundas de vrias partes do mundo; a ferrugem asitica
umas das doenas mais impactantes na produo da leguminosa. Tendo em vista que o
diagnstico da doena dificultoso e que no existe soluo tecnolgica no mercado que
realize exatamente este diagnstico, v-se neste trabalho, uma soluo para a identificao da
doena nos primeiros instantes do ciclo de vida do patgeno, fator este que determinante
para o controle da ferrugem asitica.
Este artigo registra um trabalho que utiliza tcnicas que cientificamente so
consideradas complexas e muito avanadas, que so utilizadas em outros estudos, como por
exemploo reconhecimento de doenas humanas. Apresenta ainda uma proposta de construo
de algo inovador, que seria de grande valia para o cenrio agrcola nacional, onde poderia
alavancar outros vrios estudos a cerca deste tema. Alm dos fatores j mencionados, existe
ainda a oportunidade de mercado. Como ainda no existe uma ferramenta que consiga
identificar exatamente a ferrugem asitica na soja, o produto capta para sua comercializao
uma rea promissora de mercado.
Uma rede neural artificial inicia seus procedimentos a partir de informaes que chamamos de
entradas, ou seja, a atividade de uma rede dependente de informaes que sejam repassadas
a ela. De posse das entradas, a rede utiliza-se de suas camadas intermedirias para produzir as
sadas, que seriam as respostas dos clculos efetuados. As camadas intermedirias so
compostas de neurnios, e, entre eles fatores de clculos que atribui-se o nome de pesos.
Todas as redes neurais possuem a estrutura bsica de entrada, camadas intermedirias
e sada. Entre as camadas, os neurnios so ligados por pesos, estes pesos so valores
calculados por diferentes funes. Cada funo possui uma determinada situao que melhor
se adapta, ou seja, as funes so para diferentes fins dentro das redes neurais. De acordo com
as sadas esperadas optado por um tipo de funo.
Existem vrias funes que podem ser utilizadas, sendo elas: a sigmoide assimtrica,
que produz resultados entre 0 (zero) e 1 (um), funo sigmoide simtrica, que produz
resultados entre -0,5 (1/2 negativo) e 0,5 (1/2 positivo), funo linear, funo quadrtica e
funo tangente hiperblica. Neste trabalho foi utilizada a funo sigmoide assimtrica,
justamente pelo intervalo de valores possveis apresentados em seu resultado.
2.2.2. Reconhecimento de padres
A tecnologia de reconhecimento de padres possibilita um vasto leque de aplicaes, em
diversas reas cientficas e tecnolgicas, contudo, a principal utilizao tem sido o
desenvolvimento de sistemas inteligentes, que contraem a maior fatia de investimento
tecnolgico atual. (FEUP, 2013).
O reconhecimento de padres uma rea abrangente e fortemente utilizada
atualmente, como na classificao de quais mensagens vo para a caixa de spam ou no
reconhecimento de rostos nas fotos por exemplo. Os padres so conjuntos de unidades
mensurveis que definem pontos em um espao multidimensional apropriado. (VALIN,
2009).
A IA utiliza-se da tcnica de reconhecimento de padres para analisar um grupo de
dados, que recebe o nome de conjunto de treinamento e objetiva organiz-los segundo os
padres intrnsecos do prprio grupo analisado, porm, antes da efetivao da anlise, existe
uma etapa de treinamento da rede, onde o objetivo descobrir se a rede neural artificial
capaz de encontrar os resultados esperados. (VALIN, 2009).
O reconhecimento de padres a parte do processamento que por meio de tcnicas
computacionais, tenta aproximar o desempenho das mquinas a performance do homem. A
busca por esta aproximao motivada por duas grandes frentes, sendo elas o interesse na
rea de projetar e construir autmatos, ou seja, mquinas inteligentes que sejam aptas a
realizao de afazeres com habilidades parecida com o desempenho humano e a carncia das
pessoas se comunicarem com computadores por meio de linguagens naturais. (REIS;
ALBUQUERQUE; CASTRO, 2013).
Para Reis, Albuquerque e Castro (2013), o reconhecimento de padres no uma
tarefa difcil para os seres humanos e para os animais, porm um grande desafio para a
tecnologia atual.
A utilizao das tcnicas de reconhecimento de padres vem sendo aplicada em
diferentes reas, das quais podemos citar o reconhecimento da fala, reconhecimento da
escrita, processamento de linguagem natural, reconhecimento e orientao automtica de
alvos, diagnsticos mdicos, classificao de doenas, controladores de veculos, deteces
criminais, agricultura, sistemas domsticos entre outros. (REIS; ALBUQUERQUE;
CASTRO, 2013).
2.3. Teoria das Cores
Para a interpretao dos dados da imagem a ser processada, utiliza-se as informaes cores
RGB de cada pixel, estes dados passam por um processo de converso de bases numricas at
poderem ser utilizados na rede neural.
De acordo com Teoria das Cores (2013), o estudo conhecido como Teoria das cores
coloca que a cor que visualizamos nos objetos um fenmeno fsico, relacionado diretamente
a existncia da luz, ou seja, caso no existisse a luz, no existiriam tampouco as cores. Isaac
Newton foi o pioneiro nos estudos da relao das cores com a luz solar, ele fez isto com o uso
de um prisma, quando dissociou a luz solar nas cores do arco-ris utilizando o prisma.
Significados (2013) coloca que "Teoria das Cores so os estudos e experimentos
relacionados com a associao entre a luz e a natureza das cores".
De acordo com Rio Grande do Sul (2013), a teoria de cores no espao RGB, red,
green e blue que representam o vermelho, verde e azul respectivamente de Thomas Young
(1773-1829), e foi baseada no princpio de que uma vasta gama de cores podem ser
obtidaspela projeo da luz branca atravs dos filtros vermelho, verde e azul ou pela
sobreposio destas cores na cor projetada.
2.4. Framework Annef
O framework ANNeF foi desenvolvido na UNISINOS - Universidade do Vale do Rio dos
Sinos, na cidade de So Leopoldo no estado do Rio Grande do Sul por Joo Ricardo
Bittencourt entre 1999 e 2001 em uma bolsa de iniciao cientfica CNPQ, orientado pelo
professor doutor Prof. Dr. Fernando Osrio, o acrnimo ANNeF significa Artificial Neural
Networks Framework. Este mecanismo implementa uma rede neural artificial
backpropagation e a partir dele pode ser criado novas redes neurais. Tambm pode ser
utilizada a rede neural base para configurar treinamentos e por consequncia anlises pela
rede neural.
2. PROCEDIMENTOS METODOLGICOS
Para a elaborao deste prottipo, utiliza-se a linguagem de programao Java, juntando com
a lgica do algoritmo de backpropagation. J na parte do prottipo que se destina ao
reconhecimento de padres em imagens, onde realizado a simulao das redes neurais,
utilizado o frameworkANNeF (Artificial Neural Networks Framework).
A abordagem deste estudo dedutiva e os procedimentos so comparativos e
funcionalistas. Existem duas formas de coleta de dados que so utilizadas neste projeto, que
so a entrevista com profissionais da rea de soja e a obteno de imagens de folhas das
plantas de soja.
Para a coleta de imagens utilizado o meio digital de buscas, as imagens so retiradas
de diferentes sites, no perodo compreendido entre 01/09/2013 e 18/11/2013.
As entrevistas ocorrem principalmente atravs do uso de correio eletrnico, onde
possuem a caracterstica no estruturada.
Este trabalho se caracteriza, quanto aos fins como exploratrio, descritivo,
metodolgico e aplicado, quanto aos meios classifica-se como de campo, bibliogrfico e
documental.
3. ANLISE DOS DADOS
Nesta parte do trabalho, ser apresentado como foi o desenvolvimento do trabalho realizado,
dividido em etapas subsequentes, conforme apresentado na figura 1 que segue.
Figura 1- Fluxograma de funcionamento do trabalho
simples. No foi encontrada maneira de classificar as tonalidades das imagens com base nos
valores RGB dos pixels.
Continuando as pesquisas, descobriu-se que possvel converter um valor RGB para
um valor hexadecimal, o que poderia facilitar a separao de faixas de cores. Foi
desenvolvida uma lgica de converso de RGB para hexadecimal neste algoritmo.
Este mtodo permite extrair o valor hexadecimal de cada pixel. Partiu-se ento para a
separao destes valores em faixas de tonalidades de cores, porm mais uma vez sem sucesso.
A complexidade de se trabalhar com nmeros desta base ainda elevada na linguagem de
programao escolhida e este fator originou mais uma converso.
Utilizando a converso para a base decimal no Java, foi criado um mtodo para
realizar esta ao, de converter um valor hexadecimal em decimal.
Este mtodo foi desenvolvido dentro do algoritmo com o objetivo de capturar os
valores da cor do pixel em base decimal, para desta forma conseguir separar as cores em
faixas dentro da matriz da imagem.
Os valores de base hexadecimal e de base decimal foram adicionados ao lado dos
valores RGB no rodap do prottipo.
Neste ponto a identificao das faixas ficaria facilitada, pois o trabalho seria com
valores inteiros de base decimal, contudo ainda no foi possvel a identificao das faixas de
tonalidades de cores.
Ficou provado que a separao das faixas de valores que identificaria a tonalidade de
cada cor no funcionaria no momento em que submeteu-se a imagem de um spectrum ao
algoritmo.
Pde-se concluir que quando os valores so passados para a base decimal, as faixas de
cores no condizem com a sequencia ordinria dos nmeros, ou seja, se o menor valor da cor
vermelha possui valor decimal de 5 (cinco) e o maior valor de cor vermelha um valor decimal
de 200 (duzentos), podem existir, por exemplo, valores da cor amarela que ficam entre 100
(cem) e 120 (cento e vinte). A partir desta constatao concluiu-se que a separao das faixas
de cores por tonalidade estaria totalmente fora de cogitao para a resoluo deste problema.
Desta forma, concludo que a separao de faixas no seria possvel, decidiu-se por
montar um vetor em um arquivo de texto a partir da matriz da imagem, apenas convertendo o
valor RGB de cada pixel para hexadecimal e de hexadecimal para a base decimal. Neste
momento foi constitudo um algoritmo que l uma imagem, interpreta e gera uma sada que
pode ser utilizada como entrada da rede neural.
O framework que foi utilizado necessita de treinamento para a sua rede neural, esta
regra gera um novo requisito,cada imagem processada gera um vetor de dados em um arquivo
de texto, este arquivo de texto, por caracterstica do framework, salvo com extenso exp.
Nesta etapa do trabalho, cada imagem gerou seu vetor de dados em dois arquivos, sendo um
individual para anlise e outro, um arquivo geral, para ser utilizado no treinamento da rede
neural.Outra regra do ANNeF que no arquivo de treinos da rede neural, cada linha da
entrada da rede deve ser sucedida de um valor que a sada esperada para aquele conjunto de
entrada, por isso cada imagem gravada em uma linha e cada linha acrescida de 0 (zero) ou
1 (um), sendo zero as imagens sem ferrugem e um as imagens com ferrugem asitica. Os
valores escolhidos para a sada esperada so originados da utilizao da funo assimtrica,
que produz resultados sempre entre 0 (zero) e 1 (um), por isso, quanto mais perto do 1 (um),
maior a chance de existir ferrugem na folha e em contra partida, quanto mais perto do 0
(zero), maior a chance da folha ser sadia em relao ao patgeno em questo. Para explicar
melhor, a figura 2 mostra como fica o arquivo exp de treinos, o qual possui os valores de
cada pixel em sequencia.
Figura 2 - Arquivo "exp" de treino da rede neural
Para facilitar o processamento das imagens, foi adicionado um boto na tela, com o
intuito de iniciar o processamento da figura no momento desejado.
Neste momento foi iniciada a prxima fase, que o treinamento da rede neural, porm
notou-se que ainda restavam ajustes a serem feitos no processamento das imagens.
O problema que foi encontrado foi quanto ao tamanho da imagem em pixels, pois no
framework deve ser configurado o tamanho da entrada, contudo, existia um arquivo geral para
treinamento da rede neural, porem neste arquivo cada linha corresponde a uma imagem e cada
imagem possui um tamanho diferente, portanto foi desenvolvida uma lgica dentro do
algoritmo para redimensionar o tamanho da imagem para 200 (duzentos) pixels de altura e
250 (duzentos e cinquenta) pixels de largura. Seguindo a padronizao, foi definido a
utilizao apenas de imagens com formato jpg. O tamanho fixo foi definido com base na
observao das imagens coletadas, este tamanho permite uma boa resoluo para a imagem da
folha.
Posteriormente optou-se por redimensionar todas as imagens tambm em seu tamanho
real, utilizando o software livre de nome GIMP. Agora o processamento das imagens est
completo, gerando corretamente a entrada para a rede neural, fato que faz com que mais esta
etapa esteja concluda.
3.3. Etapa 3 Treinamento da Rede Neural
Na etapa de treinamento da rede neural, foi onde ouve o maior desgaste por parte da pesquisa,
pois todos os treinamentos apresentam resultado melhor ou pior de acordo com as
parametrizaes de topologia e parametrizaes de configurao. O fator agravante que o
manual do frameworkANNeF do ano de 2001 e o repositrio onde se encontravam os
cdigos fontes no est mais acessvel, fator este que tornou o treino da rede neural um tanto
mais complexo devido ao manual utilizado no deixar claramente especificado quando alterar
qual propriedade para quais casos. Todas as parametrizaes utilizadas foram sendo
constitudas a partir da anlise dos resultados de cada caso de teste pelo autor. Foi tentado um
contato com o criador do framework, porm sem retorno.
Conforme elencado na reviso bibliogrfica, existem vrias funes que podem ser
utilizadas na rede neural. Com base no objetivo, que somente dizer se a folha tem ou no
ferrugem asitica, decidiu-se utilizar a funo sigmoide assimtrica, representada nas
parametrizaes pelo valor AsymmetricSigmoidFunction. Esta funo resulta em valores
entre 0 (zero) e 1 (um) na sada da rede neural, sendo folha com ferrugem os valores que se
aproximam do 1 (um) e folhas sem ferrugem quando o resultado se aproxima de 0 (zero).
Quanto as parametrizaes, existem dois arquivos para serem configurados quando do
treinamento da rede neural, sendo eles a topologia e a configurao.
No arquivo de parametrizao de topologia, as principais propriedades que foram
alteradas a cada teste so: layers (camadas), hiddenX (nmero de neurnios na camada X),
Treino igual ao
teste
1
1
1
1
0
0
0
0
Sim
No
No
No
Erro 100%
Memria
Memria
Sim
% Pico de
memria
Sada esperada
SEMF
% Acerto no
teste
% Acerto no
treino
08
100,0
100,0
15
60,0
0,0
16
60,0
40,0
37
100,0
100,0
Fonte: (DO AUTOR, 2013)
% Pico de
Processamento
Sada esperada
COMF
00:39
01:00
01:40
07:44
Executa em
produo
Tempo em
minutos
Identificao do
treino
seed (fator de ajuste de pesos) e maxweight (peso mximo atribudo nas ligaes entre
neurnios). Os demais atributos no foram alterados, ou seja, permaneceram idnticos desde o
incio dos treinamentos, so eles: neuralnet (modelo de rede neural), inputs (neurnios na
entrada da rede), outputs (neurnios na sada da rede), hiddenfunction (funo para clculo
dentre as camadas intermedirias) e outfunction (funo para clculo da camada de sada).
No arquivo de parametrizao de configuraes, as principais propriedades que foram
alteradas a cada teste so: thereshold (margem de erro aceitvel no clculo), epsilon (fator de
correo para ajustes internos da rede), epochs (quantidade de pocas do treino) e peek
(nmero de tempos dentro de cada subdiviso da poca). Os demais atributos no foram
alterados, ou seja, permaneceram idnticos desde o incio dos treinamentos, so eles: prefix
(prefixo do nome dos arquivos a serem gerados pelo treino), learning (forma de
aprendizagem), conter (forma de contagem de erros), momentum (tempo mximo de
aprendizagem), train (nome do arquivo de entrada para treino da rede) e test (nome do
arquivo para teste da rede).
Foram realizados um total de 40 (quarenta) diferentes configuraes de rede para
treino, enumeradas ordinariamente a partir do 1 (um). Todos os treinos foram realizados em
uma mquina com processador intel core I7 de quatro ncleos com 6 GB de memria RAM.
Na tabela 1esto qualificados alguns dos treinosrealizadose os atributos a serem considerados
para validao dos mesmos.
14
31
38
96
19,1
26,0
33,0
59,5
apresentaram resultados viveis nos treinos e testes da rede neural, contudo, quando da
tentativa de execut-los na real verificao ambos causavam estouro de memria da mquina
virtual Java, com a mensagem Java heapspace!, mostrando-se desta forma descartveis.
Os demais casos que antecedem o treinamento 36 (treino36) e que puderam ser
executados para verificao real apresentaram desempenho relativamente bom, porm, as
imagens sofreram substituies e estes tiveram que ser descartados, pois em virtude da
substituio das imagens o arquivo geral de entrada da rede neural tambm sofreu
substituio.
O conjunto de parametrizaes que apresentou melhor desempenho tanto nos treinos e
testes, como em verificaes reais foi o treinamento com identificador 37 (treino37). Este
caso apresentou a totalidade de acertos possveis nos treinos e nos testes automticos da rede
neural. Nas verificaes reais, foram submetidas todas as imagens processadas, formando um
total de 57 imagens, sendo que estas parametrizaes fizeram com que a rede neural
apresentasse erro de identificao em 10 (dez) casos, o que forma um erro de 17,54%
(dezessete inteiros e cinquenta e quatro dcimos por cento), restando desta forma, um acerto
mdio de 82,46% (oitenta e dois inteiros e quarenta e seis dcimos por cento).
Na ilustrao apresentada na figura 3, podemos visualizar de forma grfica o avano
obtido nos treinamentos desde o incio desta etapa at considerarmos o prottipo apto a ser
apresentado.
Figura 3 - Grfico representando a evoluo no aprendizado da rede neural
aquelas parametrizaes para aquele caso, j na etapa de classificao das imagens, este
arquivo deve conter apenas dados de uma imagem, a qual deseja-se classificar, estes dados
devem ser os nicos contidos no arquivo, sem acrscimo de valores ao final da linha.
As parametrizaes de topologia e de configuraes da rede neural no momento da
classificao das imagens devem ser as mesmas utilizadas no treinamento que obteve o
melhor resultado e que por sua vez, tambm gerou os arquivos de pesos e de predies que a
rede se utilizar neste momento.
O funcionamento desta etapa bastante simples, o mesmo consiste em executar o
algoritmo de backpropagation com as mesmas parametrizaes utilizadas na fase anterior, de
treinamento da rede neural, para uma entrada especfica.
No princpio, quando das primeiras execues da classificao das imagens, utilizavase a indicao de quais arquivos utilizar fixos no cdigo fonte, porm, em cada nova imagem
analisada, deveria ser alterado o nome do arquivo nos diferentes pontos em que existe a
referncia.
Com as primeiras execues do algoritmo de backpropagation, foi possvel perceber
que o frameworkANNeF demorava demasiadamente para processar uma imagem, pois o
tempo de execuo ficava sempre por volta dos 35 (trinta e cinco) minutos para cada folha
processada. Depois de identificado que o problema da demora era apenas em um mtodo, foi
iniciado a busca de uma forma de aprimoramento para o mtodo.
O mtodo responsvel pela lentido no processamento executava dois loops
aninhados, sendo um while dentro de um for. Percebeu-se que a execuo somente sairia do
loop interno aps encontrar neurnios correspondentes, contudo, a cada novo loop externo a
busca interna comeava do incio da estrutura novamente, causando a demora em demasia.
Analisando a lgica que o framework ANNeF implementa, foi possvel montar uma
lgica para aprimorar este mtodo e com isso obter resultados mais satisfatrios na questo
tempo de processamento de imagem. Conhecendo as estruturas de dados, optou-se por utilizar
uma estrutura que implemente a classe map, colocando a identificao do neurnio na chave e
o peso no valor do objeto. Desta forma continuaram existindo dois loops, porm ambos so
for e no esto mais aninhados.
Com estas melhorias, o tempo de execuo passou de 35 (trinta e cinco) minutos para
uma mdia que fica entre 8 (oito) e 16 (dezesseis) segundos, conforme a quantidade de
neurnios existentes.
Posteriormente, aps ter concludo a etapa de treinamento da rede neural, foi
desenvolvido o prottipo proposto no projeto deste trabalho, onde o usurio pode selecionar a
Nesta tela buscou-se a construo de maneira que ficasse simples e fcil de ser
utilizada. O boto com descrio Carregar imagem abre uma janela para pesquisa de
imagens em um diretrio pr-definido, porm permite a navegao em qualquer diretrio do
computador ou da rede. A partir desta janela aberta, o usurio pode escolher qual imagem ir
processar e classificar.
Logo abaixo do boto de carregar imagem, existe um componente para exibir a
imagem que o usurio escolheu para o prottipo analisar. Este componente, ao iniciar o
sistema carrega uma imagem default que foi escolhida pelo autor para definir a inteligncia
artificial. Esta imagem serve apenas para no abrir o prottipo e o mesmo apresentar uma tela
inicial com uma parte em branco.
Ao lado direito do boto de carregar imagem, existe outro boto com a descrio
Processar imagem, este boto tem a finalidade de iniciar o processamento da imagem, gerar
o vetor da imagem, coloca-lo em um arquivo de texto e posteriormente iniciar o
processamento dos dados pela a rede neural, utilizando este arquivo gerado como entrada.
Durante o procedimento de processamento e anlise da imagem, as informaes do
andamento do processo so mostradas em um componente que fica logo abaixo do boto de
processar imagem, estas informaes tem por finalidade deixar o usurio informado
respectivamente a qual passo o prottipo est executando.
O resultado do processamento exibido no final da tela em uma mensagem de texto.
Todas as cinquenta e sete imagens do trabalho que foram processadas demoraram entre 51
(cinquenta e um) e67 (sessenta e sete) segundos para concluir a anlise da folha submetida.
4. CONCLUSO
Em se tratando do prottipo de software, este foi definido como apto para utilizao na
verificao de folhas de soja com base no treinamento nmero 37 (trinta e sete), o qual
apresentou o desempenho com maior viabilidade que os demais e se comportou de maneira
suficientemente adequada nos demais testes.
Considerando o prottipo pronto e funcional, com a rede neural treinada, foram
utilizadas 57 (cinquenta e sete) imagens, sendo 38 (trinta e oito) imagens de folhas de soja
com ferrugem e 19 (dezenove) imagens de folhas de soja sem ferrugem.
O presente trabalho evidenciou uma oportunidade de continuao dos estudos acerca
do tema proposto, este fator possibilita a ideia de continuao do mesmo. Esta continuao
REFERNCIAS
AGROMUNDO COMUNICAES E CONSULTORIA LTDA. (Brasil). Agromundo: Unir
pra produzir mais e melhor. Disponvel em: <http://www.agromundo.com.br/wpcontent/uploads/2010/03/ferrugem_asiatica.jpg>. Acesso em: 25 maio 2013.
AZEVEDO, Lus Antnio Siqueira de; JULIATTI, Fernando Cezar; BARRETO, Modesto.
Resistncia de gentipos de soja Phakopsorapachyrhizi. Disponvel em:
<http://www.scielo.br/scielo.php>. Acesso em: 01 jul. 2013.
BITTENCOURT, Guilherme. Inteligncia Artificial: Ferramentas e Teorias. Florianpolis Sc: Editora da Ufsc, 1998. 362 p.
BITTENCOURT, Joo Ricardo. Artificial Neural Networks Framework: Guia do
Programador. 2001. 39 f. Dissertao (Mestrado) - Curso de Computao Aplicada,
Departamento de Centro de Cincias Exatas e Tecnolgicas, Universidade do Vale do Rio do
Sinos, So Leopoldo - Rs, 2001.
BRASIL. Embrapa. Paulo Fernando Bertagnolli. Sistemas de Produo: Indicaes Tcnicas
para a Cultura de Soja no Rio Grande do Sul e em Santa Catarina 2004/2005. Passo Fundo Rs: Embrapa, 2004. 172 p.
BRASIL. Governo do Estado de Goias. Agrodefesa. Disponvel em:
<http://www.agrodefesa.go.gov.br/images/stories/7_licitacao.jpg>. Acesso em: 31 maio 2013.
CASSOL, Cidinei Luiz. Auxlio TCC. [mensagem pessoal] Mensagem recebida por:
<claudine.seixas@embrapa.br>. em: 15 abr. 2013.
EMBRAPA
(Brasil).
Embrapa
Instrumentao.
Disponvel
em:
<http://www.cnpdia.embrapa.br/labimagem/img/afsoft2.jpg>. Acesso em: 25 maio 2013.
EMBRAPA (Brasil). Embrapa: Informao Tecnolgica. Disponvel em:
<http://www.sct.embrapa.br/dctv/2003/img/FerrugemAsiatica.jpg>. Acesso em: 25 maio
2013.
EMBRAPA (Brasil). Tecnologias de Produo de Soja Regio Central do Brasil 2004:
Doena
e
Medidas
de
Controle
.
Disponvel
em:
<http://www.cnpso.embrapa.br/producaosoja/doenca.htm>. Acesso em: 25 maio 2013.
FERNANDES, Anita Maria da Rocha. Inteligencia Artificial: Noes Gerais. 3. ed.
Florianpolis - Sc: Visualbooks, 2008. 160 p.
FEUP (Portugal). Faculdade de Engenharia da Universidade do Porto. Disponvel em:
<http://sigarra.up.pt/feup/pt/web_page.inicial>. Acesso em: 07 jun. 2013.
REIS, Caimi Franco; ALBUQUERQUE, Marcelo Portes de; CASTRO, Srgio Borges de.
Introduo ao reconhecimento de padres utilizando redes neurais. Disponvel em:
<http://funk.on.br/>. Acesso em: 01 jul. 2013.
RIO GRANDE DO SUL. CEPSRM - CENTRO ESTADUAL DE PESQUISAS EM
SENSORIAMENTO REMOTO E METEOROLOGIA.Formao das cores. Disponvel em:
<http://www.ufrgs.br/engcart/PDASR/formcor.html>. Acesso em: 09 nov. 2013.
TEORIA
DAS
CORES.
Teoria
das
cores.
<http://www.teoriadascores.com.br>. Acesso em: 09 nov. 2013.
Disponvel
em: