Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40855| Título: | Comparação de modelos de edge-computing no reconhecimento de espécies florestais através de segmentação de instância |
| Título(s) alternativo(s): | Comparison of edge-computing models in the identification of forest species using instance segmentation |
| Autor(es): | Osowski, Isabela Yasmim |
| Orientador(es): | Paula Filho, Pedro Luiz de |
| Palavras-chave: | Biodiversidade Identificação Florestas Biodiversity Identification Forests |
| Data do documento: | 5-Dez-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | OSOWSKI, Isabela Yasmim. Comparação de modelos de edge-computing no reconhecimento de espécies florestais através de segmentação de instância. 2025. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná (UTFPR), Medianeira, 2025. |
| Resumo: | A vasta área de florestas brasileiras, caracterizada pela grande biodiversidade da flora, apresenta um desafio persistente para a identificação precisa de espécies arbóreas. Dada a limitação de tempo frequentemente associada à pesquisa de campo e a projetos de conservação, a utilização de folhas para a identificação de espécies oferece uma alternativa com maior disponibilidade durante o ano. Para apoiar esses esforços de conservação, o desenvolvimento de ferramentas automatizadas que utilizam técnicas de visão computacional vem crescendo em popularidade. Este estudo visa avaliar e comparar o desempenho de dois modelos de segmentação de instâncias, especificamente, as versões nano do YOLOv12 e do Mask2Former. Ambos os modelos são avaliados na tarefa de identificação de espécies florestais utilizando imagens de folhas. Para testar a eficiência dos modelos em condições mais desafiadoras, foi criado um conjunto de dados personalizado, apresentando imagens de folhas de 36 espécies distintas, abrangendo espécies nativas e não nativas presentes na região Oeste do Paraná. As imagens foram capturadas sob iluminação e condições ambientais variadas e incorporaram deliberadamente fundos complexos para simular alta variabilidade. Todas as imagens foram anotadas com máscaras de segmentação e para cada máscara foi atribuída sua espécie como classe. Para o treinamento do modelo e sua avaliação subsequente, tanto o YOLOv12 nano e o Mask2Former foram treinados para a tarefa de segmentação de instância utilizando esse conjunto de dados personalizado. A análise comparativa focou na eficiência de performance em ambientes com recursos de hardware limitados, e na capacidade de cada modelo de identificar a espécie correta. As métricas coletadas demonstram que o YOLOv12 alcançou uma precisão de 84,38% e um tempo de inferência menor (0,8774s em média) comparado ao Mask2Former, que teve uma precisão de 95,47%. Apesar da precisão superior, ao considerar o desempenho de hardware, a arquitetura do Mask2Former foi mais suscetível a uma performance cada vez pior em relação a maiores limitações de poder computacional. Para a avaliação com o Raspberry Pi 5, resultou em um tempo de inferência de 9,2841s em média, demonstrando uma impraticabilidade para aplicação em dispositivos de borda. Conclui-se que, apesar da precisão superior do Mask2Former, o YOLOv12nanorepresenta a solução de melhor custo-benefício para a aplicação em dispositivos de borda. Sua flexibilidade e desempenho adequado o tornam uma ferramenta prática para a identificação de espécies em tempo real, suportando diretamente os esforços de conservação com pouca infraestrutura. |
| Abstract: | The vast area of Brazilian forests, characterized by its floral biodiversity, presents a persistent challenge for the precise identification of tree species. Given the time limitation often associated with field research and conservation projects, the use of leaves for species identification offers an alternative with greater availability throughout the year. To support these conservation efforts, the development of automated tools using computer vision techniques has been growing in popularity. This study aims to evaluate and compare the performance of two instance segmentation models, specifically, the nano versions of YOLOv12 and Mask2Former. Both models are evaluated in the task of identifying forest species using leaf images. To test the efficiency of the models under more challenging conditions, a customized dataset was created, featuring leaf images of 36 distinct species, covering native and non-native species present in the West region of Paraná. The images were captured under varied illumination and environmental conditions and deliberately incorporated complex backgrounds to simulate high variability. All images were annotated with segmentation masks, and each mask was assigned its species as a class. For model training and subsequent evaluation, both YOLOv12 nano and Mask2Former were trained for the instance segmentation task using this customized dataset. The comparative analysis focused on performance efficiency in limited hardware environments and the ability of each model to identify the correct species. The collected metrics demonstrate that YOLOv12 achieved an accuracy of 84,38% and a lower inference time (0,8774s on average) compared to Mask2Former, hich had an accuracy of 95,47%. Despite the superior accuracy, when considering hardware performance, the Mask2Former architecture was more susceptible to increasingly poor performance in relation to greater computational power limitations. The evaluation with the Raspberry Pi 5 resulted in an average inference time of 9.2841s, demonstrating its impracticality for application on edge devices. It is concluded that, despite the superior accuracy of Mask2Former, the YOLOv12 nano represents the best cost-benefit solution for application on edge devices. Its flexibility and adequate performance make it a practical tool for real-time species identification, directly supporting conservation efforts with minimal infrastructure. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40855 |
| Aparece nas coleções: | MD - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| comparacaomodelosreconhecimentoespecies.pdf | 3,1 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
