Investigação de algoritmos de aprendizado profundo para a segmentação semântica de plantas daninhas e culturas agrícolas usando imagens
Carregando...
Data
2023-02-02
Orientador
Rossi, André Luis Debiaso
Coorientador
Pós-graduação
Curso de graduação
Engenharia de Produção - CEI
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso restrito
Resumo
Resumo (português)
A agricultura de precisão surgiu por conta do avanço que a Inteligência Artificial (IA) alcançou como uma ciência, tornando possível análises e tarefas que permita identificar maneiras cada vez mais otimizadas de desenvolvimento que faça com que a agricultura se torne cada vez mais produtiva e limpa. Com o intuito de promover o desenvolvimento deste ramo, o objetivo deste trabalho é identificar ervas daninhas em plantações de milho por meio de fotografia de Veículos Aéreos Não Tripulados (VANTs); e com essas imagens realizar a classificação e a segmentação de três classes: solo, plantação e erva daninha do tipo Panicum, fazendo com que seja possível assim mapear, identificar e atuar no tratamento focal nas plantações contra este tipo de praga. Este reconhecimento foi feito por meio de uma IA que analisou as imagens catalogadas de forma manual (pro meio do software LabelMe), e por meio de uma Rede Neural Não Convolutiva que utiliza uma arquitetura chamada de DeepLabv3+ (versão mais atual), e aprendeu por meio do treinamento a identificar cada pixel das imagens e atribuir uma das três classes para ela. Após esta etapa, é esperado que esta IA seja capaz de analisar outras imagens desta plantação que não foram usadas durante o treinamento e conseguir identificar e catalogar todos os pixels destas; e a forma utilizada para medir a eficiência obtida é utilizando a média de Intersecção sobre a União (mIoU) da imagem para ver o quanto dos pixels que foram catalogados pertenciam à classificação correta. Com relação a rede foi obtido um valor de acurácia de 0,7666, e para o mIoU o valor de 0,6277 na melhor predição.
Resumo (inglês)
Precision agriculture emerged because of the advancement that Artificial Intelligence (AI) has achieved as a science, making possible analysis and tasks that allow to identify increasingly optimized ways of development that make agriculture more productive and clean. In order to promote the development of this branch, the objective of this work is to identify weeds in corn plantations by means of photography from Unmanned Aerial Vehicles (UAVs); and with these images to perform the classification and segmentation of three classes: soil, plantation, and Panicum type weed, thus making it possible to map, identify, and act on the focal treatment in the plantations against this type of pest. This recognition was made by means of an AI that analyzed the images cataloged manually (through the LabelMe software), and through a Non Convolutional Neural Network that uses an architecture called DeepLabv3+ (most current version), and learned through training to identify each pixel of the images and assign one of the three classes to it. After this step, it is expected that this AI will be able to analyze other images of this plantation that were not used during training and
be able to identify and catalog all the pixels of these; and the way used to measure the efficiency obtained is using the mean Intersection over Union (mIoU) of the image to see how much of the pixels that were cataloged belonged to the correct classification. With respect to the network was obtained an accuracy value of 0,7666, and for the mIoU the value of 0,6277 in the best prediction.
Descrição
Palavras-chave
Idioma
Português