Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/32567| Título: | Aplicação de técnicas de aprendizado profundo para segmentação: um estudo de caso em folhas de café |
| Título(s) alternativo(s): | Application of deep learning techniques for segmentation: a case study in coffee leaves |
| Autor(es): | Scheeren, Michel Hanzen |
| Orientador(es): | Candido Junior, Arnaldo |
| Palavras-chave: | Aprendizado do computador Redes neurais (Computação) Café - Cultivo Machine learning Neural networks (Computer science) Coffee plantations |
| Data do documento: | 9-Jun-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | SCHEEREN, Michel Hanzen. Aplicação de técnicas de aprendizado profundo para segmentação: um estudo de caso em folhas de café. 2022. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Medianeira, 2022. |
| Resumo: | A incidência de doenças sempre foi um problema sério na cultura do café, capaz de causar danos graves e reduzir significativamente a produção e a qualidade do cultivo. Nesse sentido, a identificação precoce e correta dos sintomas causados pelas doenças é uma tarefa importante para permitir tratamento rápido e capaz de mitigar os danos. Uma área da computação capaz de colaborar para amenizar esse problema é a de aprendizado profundo, responsável por melhorar o estado da arte em diversos domínios. No entanto, a utilização de redes neurais profundas para esse propósito ainda enfrenta diversos desafios, relacionados principalmente com a complexidade associada ao uso de imagens em circunstâncias reais, com variações nas condições gerais de captura ou fundos complexos. A aplicação de técnicas de segmentação contribui para uma melhoria significativa dos resultados, já que possibilita a separação dos aspectos relevantes da imagem e permite que a rede se concentre nos elementos certos. Dessa forma, este trabalho propõe a aplicação, avaliação e comparação de técnicas de aprendizado profundo para a segmentação de folhas de café. Foram utilizados cinco modelos de segmentação (U-Net, FPN, DeepLabv3+, CFNet e OCRNet), com quatro diferentes redes extratoras de características (ResNet-50, ResNet-152, DenseNet-121 e EfficientNet-B3). Todos os modelos treinados apresentaram IoU acima dos 83% e F-score acima dos 90%, mostrando serem alternativas válidas para a tarefa em questão. Os melhores desempenhos foram obtidos nos treinamentos que combinaram U-Net com DenseNet-121 (87,79% de IoU e 93,23% de F-score), U-Net com EfficientNet-B3 (87,10% de IoU e 92,89% de F-score), e FPN com DenseNet-121 (87,05% de IoU e 92,82% de F-score). |
| Abstract: | Disease incidence has always been a serious problem in coffee culture, capable of causing severe damage and significantly reducing production. In this sense, the early and correct identification of the symptoms caused by diseases is an important task to allow quick treatment and to mitigate the damage. One area of computing that can help alleviate this problem is deep learning, responsible for improving the state of art in several domains. However, the use of deep neural networks for this purpose still faces several challenges, mainly related to the complexity associated with the use of images in real circumstances, with variations in the general capture conditions or complex backgrounds. The application of segmentation techniques can contribute to a significant improvement of the results, since it enables the separation of the relevant aspects of the image and allows the network to focus on the right elements. Thus, this work proposed the application, evaluation and comparison of deep learning techniques for the segmentation of coffee leaves. Five segmentation models (U-Net, FPN, DeepLabv3+, CFNet and OCRNet) were tested with four different feature extractor networks (ResNet-50, ResNet- 152, DenseNet-121 and EfficientNet-B3). All trained models presented satisfactory performance, with IoU above 83% and F-score above 90%, showing them to be valid alternatives for the task at hand. The best results were obtained in the trainings that combined U-Net with DenseNet-121 (87.79% of IoU and 93.23% of F-score), U-Net with EfficientNet-B3 (87.10% of IoU and 92.89% of F-score), and FPN with DenseNet-121 (87.05% of IoU and 92.82% of F-score). |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/32567 |
| Aparece nas coleções: | MD - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| segmentacaocafeaprendizadoprofundo.pdf | 19,14 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
