Inteligência artificial utilizada na identificação de espécies e prognóstico visual de mudas florestais

• Autor(a) principal: Leme, Mateus de Campos
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/237405
• topic: inteligência artificial; redes neurais convolucionais; viveiros florestais; artificial intelligence; convolutional neural networks; nurseries

A aplicação de técnicas de inteligência artificial é ampla e envolve ciências políticas, econômicas, geopolíticas, sociais, agrárias, ambientais, legais e outras. Nas agrárias, elas são utilizadas e experimentadas no reconhecimento de pragas, classificação de culturas, contagem de indivíduos arbóreos visando a otimização e redução de custos. Dentre estas técnicas, o deep learning, ou aprendizado profundo de máquinas, é uma opção interessante. Também conhecida como redes neurais profundas convolucionais, tem por base modelos matemáticos capazes de realizar o processo de classificação de imagens. No setor florestal, essa metodologia pode ser aplicada visando a melhoria de produtividade e auxiliando na conservação. O presente estudo teve como objetivo aplicar deep learning para classificar imagens de mudas florestais no processo de identificação de mudas e prognóstico visual. O estudo envolveu a criação de dois datasets: um com 610 imagens, sendo 400 para treino, 200 para teste e 10 para validação, balanceado entre as classes: pau d’alho e ipê-verde; e o outro com imagens de cabreúva, pau d’alho, brinco-de-índio, jatobá e ipê-verde, composto por 1298 imagens sendo 1022 para treino, 256 para teste e 20 para validação. As bibliotecas importadas para realização do processamento e classificação foram Keras, com o framework do Tensorflow, e Matplotlib, todas usando a linguagem de programação Python. A avaliação da performance preditiva do modelo utilizou o 10-fold cross validation. Na classificação entre as mudas de pau d’alho e ipê-verde, a acurácia média foi de 96,84%. Para o teste de prognóstico visual, as classes foram divididas em mudas com anomalia e mudas padrão, e a acurácia média foi de 49,18%. Assim, para diferenciar as duas espécies, o modelo pode ser incorporado em uma API ou Software para aplicação em viveiros florestais. Para utilização com fins de realização do prognóstico visual, serão necessárias adaptações.