Classificação Automática de Imagens Aéreas Multiespectrais para Agricultura de Precisão

• Autor(a) principal: Silva, José Francisco Andrade Albuquerque
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10362/120565
• topic: Agricultura de Precisão; Veículos Aéreos não Tripulados; Redes Neuronais Convolucionais; Imagens Multiespectrais; Classificação de Espécies de Vegetação; Machine Learning; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática

Ao longo dos anos, a utilização dos Veículos Aéreos não Tripulados (VANT) tem vindo a aumentar quer para fins recreativos, quer para fins académicos. As grandes vantagens económicas em relação aos seus directos competidores, satélites e aeronaves, permite que esta tecnologia seja amplamente utilizada em diversas áreas de estudo, como por exemplo a agricultura de precisão. As redes neuronais convolucionais (RNCs) já provaram ser excelentes em tarefas de classificação de imagens, e quando combinadas com os VANTs, estes permitem resolver alguns dos seus principais obstáculos relacionados com a necessidade de grandes conjuntos de dados ou grande capacidade computacional. Nesta dissertação é proposto um modelo de classificação de espécies de vegetação com recurso a imagens multiespectrais de alta resolução, utilizando redes neuronais convolucionais. O conjunto de dados utilizado foi adquiridos ao longo de 3 anos em diferentes ambientes e com diferentes culturas de vegetação. Inicialmente foram realizadas algumas operações de pré processamento dos dados tais como,alinhamento e remoção da distorção. Durante a implementação foram testados diversos parâmetros de treino da RNC, e utilizados algoritmos de Machine Learning (ML), nomeadamente Suport Vector Machines (SVMs), tendo sido obtidos resultados superiores a 80% de precisão.