Vegetation classification using UAV aerial imagery

Detalhes bibliográficos
Autor(a) principal: Costa, Daniel dos Santos
Data de Publicação: 2017
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/82896
Resumo: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
id RCAP_eaea3299b151e65a98d26f8d7f3a40f5
oai_identifier_str oai:estudogeral.uc.pt:10316/82896
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Vegetation classification using UAV aerial imageryIdentificação automática de árvores e arbustos com recurso a imagens aéreas recolhidas por um droneRede Neuronal ConvolucionalMáquinas de Suporte de VectoresDeteção de ÁrvoresVeículo Aéreo Não TripuladoDescritor de Canais AgregadosTree DetectionUnmmaned Aerial VehiclesAggregated Channel FeaturesConvolutional Neural NetworkSupport Vector MachinesDissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaNos últimos anos, os Veículos Aéreos Não Tripulados (VANT) têm sido cada vez mais utilizados quer para fins recreativos, quer para fins académicos. Até agora, imagens aéreas eram apenas recolhidas por satélite ou através de voos de elevada altitude, o que tornava o processo economicamente inviável.Os VANT, aliados com vários sensores, constituem uma excelente via para realizar monitorização à distância. O principal objetivo deste trabalho é classificar vários tipos de árvores em imagens aéreas recolhidas por um VANT. Para tal, foi usada uma plataforma aérea quadrotor com uma câmara de ação convencional para recolher imagens de várias espécies de árvores. A deteção e classificação das árvores nas imagens foi obtida através de um detetor de objetos baseado em descritores de canais agregados e em Máquinas de Vetores de Suporte (MVS). O detetor é aplicado a cada uma das imagens, identificando cada uma das regiões de interesse. Para cada uma dessas deteções, 4096 descritores são extraídos com um Rede Neuronal Convolucional (RNC), que são posteriormente usados como entrada para a MSV.Foram criados dois conjuntos de imagens e foram realizados testes a cada uma das componentes do sistema, individualmente, bem como à conjugação de todos os métodos.O primeiro conjunto de dados é usado para testar o detetor e o classificador separadamente e, por fim, os dois conjuntos são usados para testar a totalidade do sistema. O detetor gerou valores de exatidão na ordem dos 60% enquanto que o classificador gerou valores na ordem dos 77%. Por fim, o sistema resultante da conjugação do detetor e do classificador originou valores na ordem dos 65% usando o primeiro conjunto e 59% usando o segundo conjunto de imagens.In the last years, Unmanned Aerial Vehicles (UAVs) have been used more and more with recreational purposes as well as academic ones. So far, aerial imagery was only obtained by satellite or by high altitude flights which are expensive to obtain, making the process, sometimes, economically unfeasible.The UAVs, associated with various types of sensors, constitute an excellent way to achieve advanced monitoring at a distance. The main goal of this dissertation is to classify various types of trees on aerial images. To achieve that purpose, a quadrotor equipped with a conventional action camera was used to retrieve images containing various tree species. The tree detection and classification was achieved by an Aggregated Channel Features (ACFs) Object Detector and Support Vector Machine (SVM). The detector is applied to each image, identifying every Region of Interest (ROI). For each one ofthose ROIs, 4096 features are extracted with a pre-trained Convolutional Neural Network (CNN), which are posteriorly used as input of the SVM.Two diferent datasets were created and several tests were made to each system componente individually as well as the totality of the system. First, dataset #1 is used to test both detector and classifier separately and, then, the overall system is tested using the two datasets. The detector revealed 60% of accuracy and the classifier originated values of accuracy around 77%. Finally, the resultant system has an overall accuracy of 65% using dataset #1 and 59% using dataset #2. .2017-07-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/82896http://hdl.handle.net/10316/82896TID:202121810engCosta, Daniel dos Santosinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2021-07-22T10:08:23Zoai:estudogeral.uc.pt:10316/82896Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:04:44.998180Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Vegetation classification using UAV aerial imagery
Identificação automática de árvores e arbustos com recurso a imagens aéreas recolhidas por um drone
title Vegetation classification using UAV aerial imagery
spellingShingle Vegetation classification using UAV aerial imagery
Costa, Daniel dos Santos
Rede Neuronal Convolucional
Máquinas de Suporte de Vectores
Deteção de Árvores
Veículo Aéreo Não Tripulado
Descritor de Canais Agregados
Tree Detection
Unmmaned Aerial Vehicles
Aggregated Channel Features
Convolutional Neural Network
Support Vector Machines
title_short Vegetation classification using UAV aerial imagery
title_full Vegetation classification using UAV aerial imagery
title_fullStr Vegetation classification using UAV aerial imagery
title_full_unstemmed Vegetation classification using UAV aerial imagery
title_sort Vegetation classification using UAV aerial imagery
author Costa, Daniel dos Santos
author_facet Costa, Daniel dos Santos
author_role author
dc.contributor.author.fl_str_mv Costa, Daniel dos Santos
dc.subject.por.fl_str_mv Rede Neuronal Convolucional
Máquinas de Suporte de Vectores
Deteção de Árvores
Veículo Aéreo Não Tripulado
Descritor de Canais Agregados
Tree Detection
Unmmaned Aerial Vehicles
Aggregated Channel Features
Convolutional Neural Network
Support Vector Machines
topic Rede Neuronal Convolucional
Máquinas de Suporte de Vectores
Deteção de Árvores
Veículo Aéreo Não Tripulado
Descritor de Canais Agregados
Tree Detection
Unmmaned Aerial Vehicles
Aggregated Channel Features
Convolutional Neural Network
Support Vector Machines
description Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
publishDate 2017
dc.date.none.fl_str_mv 2017-07-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/82896
http://hdl.handle.net/10316/82896
TID:202121810
url http://hdl.handle.net/10316/82896
identifier_str_mv TID:202121810
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133939244204032

Registros relacionados