Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39538| Título: | Segmentação e classificação de espécies florestais do bioma Amazônico por meio de imagens digitais macroscópicas |
| Título(s) alternativo(s): | Segmentation and classification of forest species from the Amazon biome using macroscopic digital images |
| Autor(es): | Moro, Rômulo Diógenes |
| Orientador(es): | Paula Filho, Pedro Luiz de |
| Palavras-chave: | Redes neurais (Computação) Desmatamento Aprendizagem Neural networks (Computer science) Clearcutting Learning |
| Data do documento: | 17-Fev-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | MORO, Rômulo Diógenes. Segmentação e classificação de espécies florestais do bioma Amazônico por meio de imagens digitais macroscópicas. 2025. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Medianeira, 2025. |
| Resumo: | O desmatamento e a degradação das florestas contribuem para o aquecimento global, tornando a sua preservação essencial para que os níveis do efeito estufa sejam reduzidos. Uma das formas para haver essa diminuição, é a fiscalização das florestas através de agentes fiscalizadores. No entanto, está é uma tarefa complexa devida à extensa biodiversidade das florestas, nesse quesito a floresta Amazônica se destaca. Para auxiliar na identificação de espécies florestais, diversas técnicas computacionais tem sido utilizadas, em sua maioria técnicas com imagens da espécies com outros elementos, o que pode reduzir a precisão da classificação. Com o objetivo de otimizar esta tarefa, este trabalho propõe o uso de técnicas de segmentação de imagens como YOLO11, para isolar a madeira antes da classificação usando o modelo Resnet-50. Para realizar o treinamento, a segmentação, foi desenvolvido um conjunto de imagens com 20 espécies, cada uma com 50 imagens. A metodologia deste trabalho envolveu a seleção do conjunto de dados, a escolha e treinamento do modelo de segmentação, a anotação das imagens, a classificação das espécies com as imagens originais, sem a segmentação, e as imagens segmentadas, geradas a partir das máscaras de segmentação do YOLO11, e a análise dos resultados utilizando métricas de avaliação como interseção sobre união, precisão, recall, F1-score e coeficiente dice. Os experimentos demostraram que, apesar do YOLO11 ter um bom desempenho na segmentação, a remoção do fundo não resultou em uma melhora na acurácia final do modelo de classificação. Assim, o modelo com as imagens originais teve um desempenho superior ao modelo com imagens segmentadas, com 91% de acurácia contra 87%. |
| Abstract: | Deforestation and forest degradation contribute to global warming, making their preservation essential for reducing greenhouse gas levels. One way to achieve this reduction is through forest monitoring by inspection agents. However, this is a complex task due to the extensive biodiversity of forests, with the Amazon rainforest standing out in this regard. To assist in the identification of forest species, various computational techniques have been used, mostly involving images of species along with other elements, which can reduce classification accuracy. To optimize this task, this study proposes the use of image segmentation techniques, such as YOLO11, to isolate the wood before classification using the ResNet-50 model. For training and segmentation, a dataset of 20 species was developed, each containing 50 images. The methodology of this study involved dataset selection, the choice and training of the segmen tation model, image annotation, species classification using both the original images (without segmentation) and the segmented images (generated from YOLO11 segmentation masks), and the analysis of results using evaluation metrics such as Intersection over Union (IoU), Precision, Recall, F1-score, and Dice coefficient. The experiments demonstrated that, although YOLO11 performed well in segmentation, background removal did not result in an improve ment in the final classification accuracy. Thus, the model using the original images achieved superior performance compared to the segmented images, with an accuracy of 91% versus 87%. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39538 |
| Aparece nas coleções: | MD - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| segmentacaoclassificacaoespeciesflorestais.pdf | 4,43 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
