Iberoamerican Journal of Applied Computing

EVALUATION OF PYTHON LANGUAGE IN THE EARLY STAGES OF DIGITAL IMAGE PROCESSING

Wed, 06 Dec 2023 00:00:00 +0000

Our research group has been developing computational systems to assist in solving agricultural problems. Almost all systems were developed using the OpenCV library's support, using the Java language. However, in 2018, it was announced that the most widely used programming language in different fields of application, including the scientific field, is Python. Given this scenario, this work aimed to evaluate the Python language in image processing. For this purpose, a seed analysis computational system developed in the Java was reimplemented in Python, and in order to carry out a practical evaluation, we performed execution time experiments on both codes.

APPLICATIONS OF COMPUTING IN GEOMORPHOLOGY STUDIES – A CASE STUDY

Wed, 27 Dec 2023 00:00:00 +0000

Nos últimos anos, a discussão em geomorfologia ganhou uma nova perspectiva, por meio de discussões interdisciplinares envolvendo geotecnologias, 
com foco na aplicação da computação, especialmente dos sistemas de informações geográficas (SIG). As geotecnologias têm demonstrado potencial para se estabelecerem como ferramentas de planejamento ambiental e 
gestão de riscos. Este estudo aprofunda o uso de geotecnologias na análise morfométrica da bacia hidrográfica do rio Pirapó (Maringá, Paraná, Brasil).

DETECTING DAMAGE IN ROADS USING CONVOLUTIONAL NEURAL NETWORKS

Tue, 06 Jun 2023 00:00:00 +0000

Roads are subject to damage such as cracks and potholes, mainly due to overload and weather over time. To ensure the longevity of roads, to prevent economic losses, and to improve safety, damage detection is crucial in pavement conditions monitoring. Damage detection is usually performed in the field by surveying and is a time-consuming and unsafe task. This paper presents an experimental study using machine learning and convolutional neural networks for detecting damage in roads. Transfer learning and data augmentation techniques were used to build classification models. Three models were evaluated, and the accuracy results on average were near 80%. Best accuracy results were achieved on detecting potholes, exudation, raveling and patches. The models did not perform well when distinguishing among subtypes alligator, transversal, and longitudinal of crack damage. For these types of damage, the models achieved an average accuracy bellow to 70%.

A DATA WAREHOUSE FOR UNCONTROLLED DECISION MAKING AND DECISION MAKING IN GREENHOUSES

Mon, 26 Jul 2021 00:00:00 +0000

A agricultura tem sido estudada por cientistas através de métodos empíricos com o objetivo de analisar a baixa lucratividade da produção e quais são os fatores que predominam essa finalidade. Para melhorar a produção agrícola surgiram as estufas agrícolas, que são ambientes fechados e possibilitam controle de condições necessárias para o desenvolvimento de plantas como temperatura, umidade e luminosidade. Uma estufa permite a construção de modelos e sistemas que auxiliam no melhoramento da produção e na qualidade da colheita. Sensores de temperatura, umidade e luminosidade são exemplos de componentes que recebem informações do meio e possibilitam maior controle destas variáveis. As leituras feitas pelos sensores em estufas trazem uma grande quantidade de informações que poderiam ser armazenadas e utilizadas para auxiliar no apoio à decisão e aprimoramentos de estufas a longo prazo, e não apenas serem verificados em tempo real. Uma forma de gerir grandes volumes de dados se dá pela utilização de Data warehouses (DW), que armazenam dados sumarizados, agregados e consolidados por longos períodos. Com base nesta realidade, este artigo apresenta uma análise de um DW que possibilita o apoio estratégico no planejamento e controle de estufas, armazenando informações de temperatura, umidade, luminosidade da estufa, bem como fatores externos como condições climáticas, investimentos, custos e produtividade.

Palavras-chave: Estufas, Data Warehouse, Tomada de Decisão.