Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40376| Título: | Uso de visão computacional para inventariar árvores urbanas na UTFPR campus Londrina |
| Título(s) alternativo(s): | Use of computer vision to inventory urban trees at UTFPR Londrina campus |
| Autor(es): | Silva, Alice Camargo Rodrigues da |
| Orientador(es): | Lima, Rafael Henrique Palma |
| Palavras-chave: | Levantamentos florestais Arborização das cidades Segmentação de imagem Drone Forest surveys Trees in cities Image segmentation Drone aircraft |
| Data do documento: | 24-Nov-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Londrina |
| Citação: | SILVA, Alice Camargo Rodrigues da. Uso de visão computacional para inventariar árvores urbanas na UTFPR campus Londrina. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Produção) - Universidade Tecnológica Federal do Paraná, Londrina, 2025. |
| Resumo: | Este trabalho apresenta uma pesquisa sobre a implementação de técnicas de visão computacional no mapeamento de árvores urbanas, utilizando imagens capturadas por drones e modelos de deep learning. O foco principal foi analisar a viabilidade e as restrições dos algoritmos DeepForest e YOLOv8 na detecção e contagem automática de árvores no campus da Universidade Tecnológica Federal do Paraná - Londrina. A abordagem metodológica incluiu a anotação manual de 177 árvores, o pré-processamento da imagem em tiles de diferentes dimensões e sobreposições, a eliminação de tiles sem informações relevantes e a aplicação de técnicas de aumento artificial de dados, permitindo o treinamento dos modelos sob diferentes configurações. O desempenho foi avaliado por meio de métricas tradicionais de visão computacional, como precisão, recall, F1 Score e mean Average Precision (mAP). Os resultados indicaram diferenças significativas: o DeepForest exibiu maior sensibilidade, com um recall superior a 60%, mas apresentou um alto número de falsos positivos, enquanto o YOLOv8 demonstrou uma seletividade superior, alcançando até 69% de precisão, embora com recall muito baixo, resultando em uma subcontagem considerável de árvores. Essa discrepância evidencia que nenhum dos modelos, de forma isolada, conseguiu alcançar um equilíbrio adequado entre confiabilidade e abrangência, embora ambos tenham mostrado ser promissores para aplicações práticas. As principais limitações identificadas no estudo foram o número reduzido de árvores anotadas e o número limitado de imagens disponíveis, o que restringiu a diversidade de exemplos para o treinamento e a validação dos modelos. Mesmo assim, o trabalho representa uma iniciativa inaugural na UTFPR - Londrina, evidenciando que a utilização de inteligência artificial pode reduzir custos e tempo em inventários de árvores urbanas, servindo como um ponto de partida para futuras investigações que abranjam bases de dados mais extensas, arquiteturas mais recentes, estratégias de aprendizado semi-supervisionado e a integração dos resultados a sistemas de georreferenciamento. |
| Abstract: | This work presents research on the implementation of computer vision techniques in urban tree mapping, using images captured by drones and deep learning models. The main focus was to analyze the predictions and limitations of the DeepForest and YOLOv8 algorithms in the automatic detection and counting of trees on the campus of the Federal Technological University of Paraná - Londrina. The methodological approach included the manual annotation of 177 trees, image preprocessing in blocks of different dimensions and overlaps, elimination of blocks without relevant information, and the application of artificial data augmentation techniques, allowing the training of models under different configurations. Performance was evaluated through traditional computer vision analyses, such as accuracy, recall, F1 Score, and mean accuracy (mAP). The results indicated significant differences: DeepForest exhibited greater sensitivity, with a recall exceeding 60%, but presented a high number of false positives, while YOLOv8 demonstrated superior selectivity, reaching up to 69% accuracy, although with very low recall, resulting in a specific undercount of trees. This discrepancy highlights that neither model, in isolation, managed to achieve an adequate balance between reliability and comprehensiveness, although both showed promise for practical applications. The main limitations identified in the study were the limited number of annotated trees and the limited number of available images, which restricted the diversity of examples for training and validating the models. Even so, the work represents a pioneering initiative at UTFPR - Londrina, demonstrating that the use of artificial intelligence can reduce costs and time in urban tree inventories, implemented as a starting point for future investigations encompassing more extensive databases, more recent architectures, semi-supervised development strategies, and the integration of results into georeferencing systems. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40376 |
| Aparece nas coleções: | LD - Engenharia de Produção |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| inventarioarboreoutfpr.pdf | 3,41 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
