Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/38669| Título: | Metodologia de classificação e segmentação semântica de plantas daninhas com auxílio de conjuntos de dados sintéticos |
| Título(s) alternativo(s): | Methodology for classification and semantic segmentation of weeds with the aid of synthetic datasets |
| Autor(es): | Modinez Junior, Carlos Roberto Fridriscvski, Marcos Vinicius Mazepa |
| Orientador(es): | Lazzaretti, André Eugenio |
| Palavras-chave: | Visão por computador Aprendizado profundo (Aprendizado do computador) Algoritmos Processamento de imagens Ervas daninhas - Identificação Computer vision Deep learning (Machine learning) Algorithms Image processing Weeds - Identification |
| Data do documento: | 25-Jun-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | MODINEZ JUNIOR, Carlos Roberto; FRIDRISCVSKI, Marcos Vinicius Mazepa. Metodologia de classificação e segmentação semântica de plantas daninhas com auxílio de conjuntos de dados sintéticos. 2024. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica) - Universidade Tecnológica Federal do Paraná, Curitiba, 2024. |
| Resumo: | O setor agrícola desempenha um papel crucial na segurança alimentar e no crescimento econômico global, exigindo constantemente avanços tecnológicos para otimizar o processo de cultivo. Um desafio significativo enfrentado nas lavouras é a presença de plantas daninhas, que competem com as culturas por recursos vitais, como nutrientes, água e luz, podendo causar sérios prejuízos à colheita se não forem identificadas e tratadas rapidamente. Neste contexto, este trabalho propõe o desenvolvimento de um algoritmo de Deep Learning com o objetivo de identificar e classificar as principais espécies de plantas daninhas encontradas no oeste paranaense. Para alcançar esse objetivo, serão empregadas técnicas avançadas de visão computacional e processamento de imagens, como segmentação semântica, morfologia matemática, otimizadores e funções de custo. Para a tarefa de classificação, utilizou-se um conjunto de dados contendo as principais plantas daninhas presentes no oeste paranaense, alcançando uma precisão de 0.98. Uma abordagem inovadora deste projeto consiste na criação de conjuntos de dados sintéticos a partir da modelagem de plantas 3D como metodologia para data augmentation, fundamentais para um treinamento mais robusto e eficiente do algoritmo, permitindo que ele reconheça uma ampla variedade de cenários e condições encontradas nas lavouras brasileira, mesmo havendo poucas imagens que representem a realidade. Esses conjuntos de dados sintéticos serão utilizados na tarefa de segmentação semântica, substituindo a etapa de aquisição de imagens de infestação de daninhas no meio à cultura de milho. A métrica de avaliação escolhida para essa tarefa foi a MioU (Mean Intersection over Union), que avalia o acerto do modelo a nível de pixel. O modelo apresentou um resultado de 0.7698, demonstrando a viabilidade do projeto. |
| Abstract: | The agricultural sector plays a crucial role in food security and global economic growth, constantly requiring technological advancements to optimize the cultivation process. A significant challenge faced in crop fields is the presence of weeds, which compete with crops for vital resources such as nutrients, water, and light, potentially causing serious damage to the harvest if not identified and treated promptly. In this context, this work proposes the development of a Deep Learning algorithm aimed at identifying and classifying the main species of weeds found in western Paraná. To achieve this goal, advanced techniques in computer vision and image processing will be employed, such as semantic segmentation, mathematical morphology, optimizers, and cost functions. For the classification task, a dataset containing the main weeds present in western Paraná was used, achieving an accuracy of 0.98. An innovative approach of this project is the creation of synthetic datasets, which are fundamental for a more robust and efficient training of the algorithm, allowing it to recognize a wide variety of scenarios and conditions found in Brazilian crop fields. These synthetic datasets will be used in the task of semantic segmentation, replacing the step of acquiring images of weed infestations in maize crops. The chosen evaluation metric for this task was the MioU (Mean Intersection over Union), which measures the model’s accuracy at the pixel level. The model achieved a result of 0.7698. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/38669 |
| Aparece nas coleções: | CT - Engenharia Eletrônica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| classificacaoplantasdadossinteticos.pdf | 40,95 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
