Defesa de Dissertação de Mestrado – Alexandre Alvarenga de Oliveira Monteiro – 8/8/2019
Defesa de Dissertação de Mestrado | |
Aluno | Alexandre Alvarenga de Oliveira Monteiro |
Orientador | Prof. Marcelo Ricardo Stemmer, Dr. – DAS/UFSC |
Data | 8/8/2019 (quinta-feira) – 14h00
Sala PPGEAS II (piso inferior) |
Banca | Prof. Marcelo Ricardo Stemmer, Dr. – DAS/UFSC (presidente);
Prof. Tiago Loureiro Figaro da Costa Pinto, Dr. –EMC/UFSC; Prof. Jomi Fred Hübner, Dr. – DAS/UFSC; Prof. Antonio Carlos Sobiersanski, Dr. – EMC/UFSC. |
Título | Segmentação e Identificação de Cultivo e Espécies Invasivas em Imagens Aereas utilizando Redes Neurais Convolucionais |
Resumo: É notório o aumento do uso de Redes Neurais Convolucionais em diversas aplicações. Estas Redes vêm sendo usadas em larga escala para identificação, classificação e segmentação de objetos em imagens, o que é aplicado em áreas como agricultura, carros autônomos, em sistemas de vigilância, entre outros. Neste trabalho, nove modelos estado-da-arte de Redes Neurais são aplicados na tarefa de segmentação semântica dos pixels de uma imagem RGB (canais de entrada pertencentes ao espectro de luz visível) aérea de um talhão de uma cultura agrícola de cana-de-açúcar captada por um Veículo Aéreo Não Tripulado (VANT). A principal investigação feita no trabalho é verificar se tais imagens proveem informações suficientes para as Redes Neuras segmentarem de forma satisfatória, bem como qual dos modelos treinados gera os melhores resultados. Os pixels das imagens são classificados entre as classes: planta,
solo, espécie invasiva e fundo. Os resultados são apresentados e comparados quantitativamente e qualitativamente. Os mapas de segmentação gerados nas saídas dos modelos, em que as classes são explicitamente separadas podem ser utilizados posteriormente em aplicações práticas de Agricultura de Precisão, como monitoramento local de plantas invasoras, se tornando peça chave na melhoria da produção agrícola. Apesar da dificuldade de se criar um conjunto de dados robusuto e realizar o ground truth das imagens, mostra-se que a técnica gera bons resultados, atingindo valores de F1-Score de 96% e mean IoU de 82%. Esses resultados são melhores do que os resultados relatados anteriormente na literatura, mesmo aqueles que usam espaços de cores especiais e faixas de espectro de luz aprimoradas. |