{"id":1382,"date":"2024-06-19T09:10:51","date_gmt":"2024-06-19T12:10:51","guid":{"rendered":"https:\/\/www2.uepg.br\/computacaoaplicada\/?page_id=1382"},"modified":"2025-03-11T13:49:29","modified_gmt":"2025-03-11T16:49:29","slug":"dissertacoes","status":"publish","type":"page","link":"https:\/\/www2.uepg.br\/computacaoaplicada\/dissertacoes\/","title":{"rendered":"Disserta\u00e7\u00f5es"},"content":{"rendered":"
\n
\n
\n
\n
\n
\n

104\u00aa – <\/strong>Modelo de integra\u00e7\u00e3o de dados clim\u00e1ticos e de imagens na gest\u00e3o agr\u00edcola<\/a><\/span>
\n102\u00aa – <\/strong>Classifica\u00e7\u00e3o de defeitos em pavimentos utilizando redes neurais artificiais convolucionais<\/a><\/span>
\n101\u00aa – <\/strong>Avalia\u00e7\u00e3o do few shot learning para classifica\u00e7\u00e3o de imagens de produtividade da soja obtidas por aeronave remotamente pilotada<\/a><\/span>
\n100\u00aa – <\/strong>M\u00e9todos cl\u00e1ssicos e baseados em aprendizado de m\u00e1quina para previs\u00e3o de pre\u00e7o de tomate in natura<\/a><\/span>
\n99\u00aa – <\/strong>Desenvolvimento de uma ferramenta para identificar prote\u00ednas ribossomais em espectro de massa do tipo MALDI-TOF<\/a><\/span>
\n98\u00aa – <\/strong>Sistema de nariz eletr\u00f4nico aplicado na an\u00e1lise da flora\u00e7\u00e3o e raleio em pessegueiros<\/a><\/span>
\n97\u00aa – <\/strong>Integra\u00e7\u00e3o de Funcionalidades para Rastreabilidade de Produtos Org\u00e2nicos no Rastrogr\u00e3o<\/a><\/span>
\n96\u00aa – <\/strong>Ontologia aplicada ao sistema de cultivo da soja<\/a><\/span>
\n95\u00aa – <\/strong>An\u00e1lise de arquiteturas de redes neurais siamesas para a classifica\u00e7\u00e3o de esp\u00e9cies de plantas<\/a><\/span>
\n94\u00aa – <\/strong>Identifica\u00e7\u00e3o de esp\u00e9cies de plantas utilizando autoencoder convolucional e aprendizagem n\u00e3o supervisionada<\/a><\/span>
\n93\u00aa – <\/strong>Classifica\u00e7\u00e3o de esp\u00e9cies de plantas a partir de imagens das componentes folha e flor<\/a><\/span>
\n92\u00aa – <\/strong>Avalia\u00e7\u00e3o da qualidade posicional de pontos de controle para gera\u00e7\u00e3o de modelos digitais agr\u00edcolas<\/a><\/span>
\n91\u00aa – <\/strong>An\u00e1lise do desenvolvimento do milho por meio do processamento de imagens obtidas a partir de aeronave remotamente pilotada<\/a><\/span>
\n90\u00aa – <\/strong>Classifica\u00e7\u00e3o de agregados de rochas \u00edgneas quanto a sua altera\u00e7\u00e3o por meio de processamento digital de imagens<\/a><\/span>
\n89\u00aa –\u00a0 <\/strong>Rede neural convolucional e padr\u00e3o de metadados na classifica\u00e7\u00e3o de gr\u00e3os de soja<\/a><\/span>
\n88\u00aa – <\/strong>Redes neurais convolucionais e amplia\u00e7\u00e3o de dados para detec\u00e7\u00e3o de antracnose em folhas de feijoeiro<\/a><\/span>
\n87\u00aa – <\/strong>Classifica\u00e7\u00e3o bacteriana baseada em prote\u00ednas ribossomais oriundas de dados gen\u00f4micos<\/a><\/span>
\n86\u00aa – <\/strong>Influ\u00eancia da varia\u00e7\u00e3o de limiar de segmenta\u00e7\u00e3o em sistemas de mensura\u00e7\u00e3o de par\u00e2metros radicular<\/a><\/span>
\n85\u00aa – <\/strong>Sistema de irriga\u00e7\u00e3o para cultura de alface crespa baseado em l\u00f3gica fuzzy<\/a><\/span>
\n84\u00aa – <\/strong>Predi\u00e7\u00e3o de produtividade de trigo por meio de dados espectrais e altura estimada da planta obtidos por meio de aeronave remotamente pilotada<\/a><\/span>
\n83\u00aa – <\/strong>Esquemas de sele\u00e7\u00e3o din\u00e2mica para a identifica\u00e7\u00e3o de bact\u00e9rias a partir de dados de m\/z virtuais de prote\u00ednas ribossomais<\/a><\/span>
\n82\u00aa – <\/strong>Aprendizagem de Classificadores para Identifica\u00e7\u00e3o de Bact\u00e9rias: rela\u00e7\u00e3o entre as medidas de complexidade de dados e o desempenho dos classificadores<\/a><\/span>
\n81\u00aa – <\/strong>M\u00e9todo de rastreabilidade de produtos agr\u00edcolas com a utiliza\u00e7\u00e3o de blockchain<\/a><\/span>
\n80\u00aa – <\/strong>Hortiprice: framework de dom\u00ednio para forma\u00e7\u00e3o de pre\u00e7o de venda da horticultura<\/a><\/span>
\n79\u00aa – <\/strong>An\u00e1lise metataxon\u00f4mica de comunidades microbianas da rizosfera do milho ap\u00f3s aplica\u00e7\u00e3o de nitrog\u00eanio e inocula\u00e7\u00e3o com bact\u00e9rias<\/a><\/span>
\n78\u00aa – <\/strong>Identifica\u00e7\u00e3o de prote\u00ednas ribossomais em espectro de massa do tipo Maldi-Tof<\/a><\/span>
\n77\u00aa – <\/strong>Qualidade de dados e Internet das coisas no framework de rastreabilidade de gr\u00e3os<\/a><\/span>
\n76\u00aa – <\/strong>Algoritmo k-means em ambiente manycore para redu\u00e7\u00e3o do tempo de resposta da minera\u00e7\u00e3o de dados<\/a><\/span>
\n75\u00aa – <\/strong>Gera\u00e7\u00e3o de modelos e \u00edndices digitais para para diagn\u00f3stico da eros\u00e3o de \u00e1rea agr\u00edcola<\/a><\/span>
\n74\u00aa – <\/strong>An\u00e1lise do cultivo de alface crespa em ambiente protegido baseada em grandezas f\u00edsicas e processamento digital de imagens<\/a><\/span>
\n73\u00aa – <\/strong>Desenvolvimento de um Nariz Eletr\u00f4nico aplicado \u00e0 determina\u00e7\u00e3o do est\u00e1gio de matura\u00e7\u00e3o em pessegueiros<\/a><\/span>
\n72\u00aa – <\/strong>M\u00e9todo de classifica\u00e7\u00e3o de pragas por meio de rede neural convolucional profunda<\/a><\/span>
\n71\u00aa – <\/strong>Algoritmo kNN na imputa\u00e7\u00e3o de dados de espectros de massa do tipo MALDI-TOF: uma an\u00e1lise da influ\u00eancia da imputa\u00e7\u00e3o com kNN sobre o desempenho de classificadores log\u00edsticos para identifica\u00e7\u00e3o de bact\u00e9rias<\/a><\/span>
\n70\u00aa – <\/strong>Sele\u00e7\u00e3o de bandas espectrais apoiada pela metaheur\u00edstica PSO para predi\u00e7\u00e3o do teor de alum\u00ednio troc\u00e1vel de amostras de solo<\/a><\/span>
\n69\u00aa – <\/strong>Diagn\u00f3stico de processos erosivos em solos agr\u00edcolas mediante an\u00e1lise de modelos num\u00e9ricos do terreno<\/a><\/span>
\n68\u00aa – <\/strong>Desenvolvimento de sensor capacitivo helicoidal m\u00f3vel para an\u00e1lise da distribui\u00e7\u00e3o de fertilizantes minerais s\u00f3lidos<\/a><\/span>
\n67\u00aa – <\/strong>Avalia\u00e7\u00e3o de m\u00e9todos de mosaico de imagens aplicados em imagens agr\u00edcolas obtidas por meio de RPA<\/a><\/span>
\n66\u00aa – <\/strong>Ontologia na rastreabilidade de dados agr\u00edcolas<\/a><\/span>
\n65\u00aa – <\/strong>Avalia\u00e7\u00e3o da efici\u00eancia do uso da minera\u00e7\u00e3o de dados cl\u00e1ssica e espacial na estimativa de produtividade de gr\u00e3os em imagens obtidas por meio de aeronave remotamente pilotada<\/a><\/span>
\n64\u00aa – <\/strong>Avalia\u00e7\u00e3o do estado nutricional de nitrog\u00eanio e estimativa da produtividade de biomassa de trigo por meio de minera\u00e7\u00e3o de dados de sensoriamento remoto<\/a><\/span>
\n63\u00aa – <\/strong>Usageo: m\u00e9todo para avalia\u00e7\u00e3o de usabilidade em sistemas agr\u00edcolas<\/a><\/span>
\n62\u00aa – <\/strong>Utiliza\u00e7\u00e3o de aprendizado de m\u00e1quina para classifica\u00e7\u00e3o de bact\u00e9rias atrav\u00e9s de prote\u00ednas ribossomais<\/a><\/span>
\n61\u00aa – <\/strong>Integra\u00e7\u00e3o de geoinforma\u00e7\u00e3o no framework de rastreabilidade de gr\u00e3os<\/a><\/span>
\n60\u00aa – <\/strong>Metodologia de desenvolvimento baseado em modelos e sua aplica\u00e7\u00e3o em m\u00e1quinas agr\u00edcolas<\/a><\/span>
\n59\u00aa – <\/strong>M\u00e9todo computacional para identifica\u00e7\u00e3o do fungo Cercospora Kikuchii em sementes de soja<\/a><\/span>
\n58\u00aa – <\/strong>Classifica\u00e7\u00e3o de Imagem Orbital Rapideye utilizando banco de dados NOSQL e m\u00e9todo GEOBIA<\/a><\/span>
\n57\u00aa – <\/strong>Redu\u00e7\u00e3o da dimensionalidade para estimativa de teores de nutrientes em folhas e gr\u00e3os de soja com espectroscopia no infravermelho<\/a><\/span>
\n56\u00aa – <\/strong>Arquitetura de software para otimiza\u00e7\u00e3o do uso de aeronaves remotamente pilotadas na agricultura de precis\u00e3o utilizando racioc\u00ednio baseado em casos<\/a><\/span>
\n55\u00aa – <\/strong>Uma arquitetura para integra\u00e7\u00e3o de ambientes data warehouse, espacial e agricultura de precis\u00e3o<\/a><\/span>
\n54\u00aa – <\/strong>Minera\u00e7\u00e3o de dados de imagens obtidas com aeronave remotamente pilotada para estimativa de produtividade do trigo<\/a><\/span>
\n53\u00aa – <\/strong>Estimativa do \u00edndice de severidade de ferrugem asi\u00e1tica na cultura da soja por meio de imagens obtidas com aeronave remotamente pilotada<\/a><\/span>
\n52\u00aa – <\/strong>Esta\u00e7\u00e3o agrometeorol\u00f3gica experimental automatizada e integrada a softwares para c\u00e1lculo de estimativas de dorm\u00eancia em pessegueiros e videiras<\/a><\/span>
\n51\u00aa – <\/strong>Avalia\u00e7\u00e3o de comprimento e di\u00e2metro radicular do milho por t\u00e9cnicas de processamento digital de imagens<\/a><\/span>
\n50\u00aa – <\/strong>An\u00e1lise metagen\u00f4mica de bact\u00e9rias diazotr\u00f3ficas de solos org\u00e2nicos do estado do paran\u00e1<\/a><\/span>
\n49\u00aa –\u00a0<\/strong> Identifica\u00e7\u00e3o de esp\u00e9cies de plantas utilizando combina\u00e7\u00e3o de classificadores<\/a><\/span>
\n48\u00aa – <\/strong>Desenvolvimento de um biorreator de imers\u00e3o tempor\u00e1ria com sistema de software e hardware para manipula\u00e7\u00e3o e gerenciamento dos dados<\/a><\/span>
\n47\u00aa – <\/strong>Modelos matem\u00e1ticos e computacionais para avalia\u00e7\u00e3o do estado nutricional da soja por meio de diagnose em folhas e gr\u00e3os<\/a><\/span>
\n46\u00aa – <\/strong>Arquitetura e implementa\u00e7\u00e3o de sig m\u00f3vel embasado em conceitos da internet das coisas<\/a><\/span>
\n45\u00aa – <\/strong>Rastreamento de agrobots em estufas agr\u00edcolas usando modelos ocultos de markov: compara\u00e7\u00e3o do desempenho e da corre\u00e7\u00e3o dos algoritmos de viterbi e viterbi com janela de observa\u00e7\u00f5es deslizante<\/a><\/span>
\n44\u00aa – <\/strong>Processamento digital de imagens como estimativa de teor de n foliar na cultura do milho<\/a><\/span>
\n43\u00aa – <\/strong>Procedimento para autolocaliza\u00e7\u00e3o de rob\u00f4s em casas de vegeta\u00e7\u00e3o utilizando descritores surf: implementa\u00e7\u00e3o sequencial e paralela<\/a><\/span>
\n42\u00aa – <\/strong>M\u00e9todo de c\u00e1lculo de trajet\u00f3ria de m\u00e1quinas agr\u00edcolas utilizando processamento de imagens em smartphones<\/a><\/span>
\n41\u00aa – <\/strong>Utiliza\u00e7\u00e3o de processamento digital de imagens e redes neurais artificiais para o reconhecimento de \u00edndices de severidade da ferrugem asi\u00e1tica da soja<\/a><\/span>
\n40\u00aa – <\/strong>Algoritmo k-means paralelo baseado em hadoop-mapreduce para minera\u00e7\u00e3o de dados agr\u00edcolas<\/a><\/span>
\n39\u00aa – <\/strong>Metan\u00e1lise para valida\u00e7\u00e3o de escalas diagram\u00e1ticas em doen\u00e7as de plantas e proposta de sistema de software assistente<\/a><\/span>
\n38\u00aa – <\/strong>Visualiza\u00e7\u00e3o hierarquica aplicada \u00e0 metan\u00e1lise da efici\u00eancia do fungicida fluquinconazol em sementes de soja para o controle da ferrugem asi\u00e1tica<\/a><\/span>
\n37\u00aa – <\/strong>Extra\u00e7\u00e3o de caracter\u00edsticas de imagens aplicada \u00e0 detec\u00e7\u00e3o de gr\u00e3os ardidos de milho<\/a><\/span>
\n36\u00aa –\u00a0<\/strong> Interessabilidade de modelos de regress\u00e3o em minera\u00e7\u00e3o de dados agr\u00edcolas<\/a><\/span>
\n35\u00aa – <\/strong>Metodologia computacional para defini\u00e7\u00e3o de per\u00edodos de semeadura de culturas agr\u00edcolas<\/a><\/span>
\n34\u00aa –<\/strong> An\u00e1lise em uma imagem orbital de alta resolu\u00e7\u00e3o para classifica\u00e7\u00e3o do uso e cobertura da terra de uma \u00e1rea da bacia do pitangui – PR<\/a><\/span>
\n33\u00aa – <\/strong>Modelo Probabil\u00edstico Bayesiano para Simular o Conhecimento de Especialistas no Controle da Ferrugem Asi\u00e1tica da Soja no Estado do Paran\u00e1<\/a><\/span>
\n32\u00aa – <\/strong>Determina\u00e7\u00e3o de modelo de estimativa de teores de carbono em solos utilizando m\u00e1quina de vetor de suporte e reflect\u00e2ncia espectral<\/a><\/span>
\n31\u00aa – <\/strong>Especifica\u00e7\u00e3o de um framework para rastreabilidade da cadeia produtiva de gr\u00e3os<\/a><\/span>
\n30\u00aa – <\/strong>Avalia\u00e7\u00e3o de metodologias de aquisi\u00e7\u00e3o de imagens para fins de an\u00e1lise de qualidade de sementes de milho<\/a><\/span>
\n29\u00aa – <\/strong>M\u00e9todo computacional para avalia\u00e7\u00e3o do crescimento radicular da cultura da soja<\/a><\/span>
\n28\u00aa – <\/strong>Especifica\u00e7\u00e3o de um framework para rastreabilidade da cadeia produtiva de gr\u00e3os<\/a><\/span>
\n27\u00aa – <\/strong>Avalia\u00e7\u00e3o de metodologias de aquisi\u00e7\u00e3o de imagens para fins de an\u00e1lise de qualidade de sementes de milho<\/a><\/span>
\n26\u00aa – <\/strong>M\u00e9todo computacional para avalia\u00e7\u00e3o do crescimento radicular da cultura da soja<\/a><\/span>
\n25\u00aa –\u00a0<\/strong> Sele\u00e7\u00e3o de atributos em imagens coletadas sob condi\u00e7\u00f5es de ilumina\u00e7\u00e3o n\u00e3o controlada e sua influ\u00eancia no desempenho de classificadores naive bayes para identifica\u00e7\u00e3o de objetos em estufas agr\u00edcolas<\/a><\/span>
\n24\u00aa – <\/strong>Uso de processamento digital de imagens para o desenvolvimento de um ambiente automatizado para testes de plantabilidade de sementes de milho<\/a><\/span>
\n23\u00aa – <\/strong>Desenvolvimento de um sensor de umidade do solo para determina\u00e7\u00e3o da frente de molhamento<\/a><\/span>
\n22\u00aa – <\/strong>Avalia\u00e7\u00e3o de espa\u00e7amentos das coletas de solo para a modelagem de granulometria com aplica\u00e7\u00e3o na agricultura de precis\u00e3o<\/a><\/span>
\n21\u00aa – <\/strong>NAVIGO \u2013 Rob\u00f4 aut\u00f4nomo para navega\u00e7\u00e3o agr\u00edcola<\/a><\/span>
\n20\u00aa – <\/strong>Impacto da an\u00e1lise da nitidez em m\u00e9todos de classifica\u00e7\u00e3o de imagens de madeira<\/a><\/span>
\n19\u00aa – <\/strong>Aplica\u00e7\u00e3o de regress\u00e3o linear m\u00faltipla na an\u00e1lise da din\u00e2mica de c\u00e1tions troc\u00e1veis em um sistema solo-planta irrigado com \u00e1gua residu\u00e1ria<\/a><\/span>
\n18\u00aa –<\/strong><\/span> Computa\u00e7\u00e3o paralela para reduzir o tempo de resposta da minera\u00e7\u00e3o de dados agr\u00edcolas<\/a><\/span>
\n17\u00aa –\u00a0<\/span><\/strong> Sensores de Refletancia Espectral e Desempenho da Cultura do Trigo\u00a0 em Respeito a Adubac;aoo Nitrogenada em Plantio Direto<\/span>
\n16\u00aa – <\/strong> Uso da minera\u00e7\u00e3o de dados para extra\u00e7\u00e3o de conhecimento agron\u00f4mico envolvendo o uso de gesso agr\u00edcola<\/a><\/span>
\n15\u00aa<\/strong> –<\/strong> Avalia\u00e7\u00e3o de \u00edndices de vegeta\u00e7\u00e3o em imagens orbitais<\/a>\u00a0<\/span>
\n14\u00aa –<\/strong> An\u00e1lise de t\u00e9cnicas de limiariza\u00e7\u00e3o em programas de an\u00e1lise de cart\u00f5es hidrossens\u00edveis<\/a><\/span>
\n13\u00aa –<\/strong> Uso do sensor kinect para medir a regularidade na distribui\u00e7\u00e3o de fertilizantes s\u00f3lidos<\/a><\/span>
\n12\u00aa –<\/strong> Aplica\u00e7\u00e3o de redes neurais artificiais no tratamento de dados\u00a0 agrometeorol\u00f3gicos visando a corre\u00e7\u00e3o de s\u00e9ries temporais<\/a><\/span>
\n11\u00aa –<\/strong> Uso de regress\u00e3o m\u00faltipla no estudo da din\u00e2mica de carbono, nitrog\u00eanio e f\u00f3sforo em um sistema solo-planta irrigado com \u00e1gua residu\u00e1ria<\/a><\/span>
\n10\u00aa –<\/strong> Dager: uma ferramenta computacional para agrupamentos em minera\u00e7\u00e3o de dados agr\u00edcolas georreferenciados<\/a><\/span>
\n9\u00aa –<\/strong> Sele\u00e7\u00e3o de vari\u00e1veis na minera\u00e7\u00e3o de dados agr\u00edcolas:uma abordagem baseada em an\u00e1lise de componentes principais<\/a><\/span>
\n8\u00aa –<\/strong> Solu\u00e7\u00e3o eletr\u00f4nica microcontrolada para a determina\u00e7\u00e3o da distribui\u00e7\u00e3o longitudinal de sementes de milho<\/a><\/span>
\n7\u00aa –<\/strong> Corre\u00e7\u00e3o de dados agrometeorol\u00f3gicos utilizando m\u00e9todos estat\u00edsticos<\/a><\/span>
\n6\u00aa –<\/strong> Sele\u00e7\u00e3o de vari\u00e1veis na minera\u00e7\u00e3o de dados agr\u00edcolas:uma abordagem baseada em an\u00e1lise de componentes principais<\/a><\/span>
\n5\u00aa –<\/strong> Solu\u00e7\u00e3o eletr\u00f4nica microcontrolada para a determina\u00e7\u00e3o da distribui\u00e7\u00e3o longitudinal de sementes de milho<\/a><\/span>
\n4\u00aa –<\/strong> Preenchimento De Falhas De S\u00e9ries De Dados Clim\u00e1ticos Utilizando Redes P2P<\/a><\/span>
\n3\u00aa –<\/strong> Precis\u00e3o E Acur\u00e1cia Planim\u00e9trica Do Receptor Gps Gstar Gs-87: Aplicabilidade Em Tecnologia De Informa\u00e7\u00e3o Embarcada Para Sistemas Agr\u00edcolas<\/a><\/span>
\n2\u00aa –<\/strong> Sistema De Navega\u00e7\u00e3o Por Georreferenciamento Com Corre\u00e7\u00e3o De Rota Por L\u00f3gica Fuzzy Aplicado \u00c0 Rob\u00f3tica Agr\u00edcola<\/a><\/span>
\n1\u00aa –<\/strong> Avalia\u00e7\u00e3o Do Uso De Computa\u00e7\u00e3o Paralela Utilizando Uma Rede P2P Na Simula\u00e7\u00e3o De Dados Clim\u00e1ticos: Velocidade E Dire\u00e7\u00e3o Do Vento<\/a><\/span><\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

104\u00aa – Modelo de integra\u00e7\u00e3o de dados clim\u00e1ticos e de imagens na gest\u00e3o agr\u00edcola 102\u00aa – Classifica\u00e7\u00e3o de defeitos em pavimentos utilizando redes neurais artificiais convolucionais 101\u00aa – Avalia\u00e7\u00e3o do few shot learning para classifica\u00e7\u00e3o de imagens de produtividade da soja obtidas por aeronave remotamente pilotada 100\u00aa – M\u00e9todos cl\u00e1ssicos e baseados em aprendizado de …<\/p>\n","protected":false},"author":661,"featured_media":1519,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":[],"_links":{"self":[{"href":"https:\/\/www2.uepg.br\/computacaoaplicada\/wp-json\/wp\/v2\/pages\/1382"}],"collection":[{"href":"https:\/\/www2.uepg.br\/computacaoaplicada\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www2.uepg.br\/computacaoaplicada\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www2.uepg.br\/computacaoaplicada\/wp-json\/wp\/v2\/users\/661"}],"replies":[{"embeddable":true,"href":"https:\/\/www2.uepg.br\/computacaoaplicada\/wp-json\/wp\/v2\/comments?post=1382"}],"version-history":[{"count":10,"href":"https:\/\/www2.uepg.br\/computacaoaplicada\/wp-json\/wp\/v2\/pages\/1382\/revisions"}],"predecessor-version":[{"id":3131,"href":"https:\/\/www2.uepg.br\/computacaoaplicada\/wp-json\/wp\/v2\/pages\/1382\/revisions\/3131"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www2.uepg.br\/computacaoaplicada\/wp-json\/wp\/v2\/media\/1519"}],"wp:attachment":[{"href":"https:\/\/www2.uepg.br\/computacaoaplicada\/wp-json\/wp\/v2\/media?parent=1382"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}