Redes neurais convolutivas aplicadas à detecção de ervas daninhas

Detalhes bibliográficos
Autor(a) principal: Rosa, Matheus Cassali da
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
Texto Completo: http://hdl.handle.net/10183/204423
Resumo: A discriminação entre plantas de cultura e erva daninha é um passo muito importante para os sistemas de pulverização seletiva, cuja aplicação é feita apenas onde for necessário. Tais sistemas são essenciais para evitar o desperdício de agroquímicos e reduzir os impactos econômicos e ambientais. Várias técnicas de visão computacional foram desenvolvidas para abordar o problema, no entanto, existem poucos trabalhos utilizando deep learning para essa finalidade. Neste trabalho é analisado o desempenho de segmentação de ervas daninhas e plantas através de duas arquiteturas diferentes de aprendizagem profunda para a segmentação semântica: Rede Totalmente Convolucionais (Fully Convolutional Network) e SegNet. Um banco de dados aberto com 39 imagens de plantas e ervas daninhas foi usado para estudo de caso. Os resultados mostraram uma precisão global maior que 90% no conjunto de validação para ambas as arquiteturas. Num segundo experimento, novas redes FCN foram treinadas com diferente pré-processamento das imagens e diferentes proporções treino/teste do conjunto de dados para avaliar o impacto dessas ações no desempenho de segmentação.
id URGS_400ee87b5d48d037201d02a206c50aea
oai_identifier_str oai:www.lume.ufrgs.br:10183/204423
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str 1853
spelling Rosa, Matheus Cassali daBrusamarello, Valner Joao2020-01-17T04:09:42Z2019http://hdl.handle.net/10183/204423001110031A discriminação entre plantas de cultura e erva daninha é um passo muito importante para os sistemas de pulverização seletiva, cuja aplicação é feita apenas onde for necessário. Tais sistemas são essenciais para evitar o desperdício de agroquímicos e reduzir os impactos econômicos e ambientais. Várias técnicas de visão computacional foram desenvolvidas para abordar o problema, no entanto, existem poucos trabalhos utilizando deep learning para essa finalidade. Neste trabalho é analisado o desempenho de segmentação de ervas daninhas e plantas através de duas arquiteturas diferentes de aprendizagem profunda para a segmentação semântica: Rede Totalmente Convolucionais (Fully Convolutional Network) e SegNet. Um banco de dados aberto com 39 imagens de plantas e ervas daninhas foi usado para estudo de caso. Os resultados mostraram uma precisão global maior que 90% no conjunto de validação para ambas as arquiteturas. Num segundo experimento, novas redes FCN foram treinadas com diferente pré-processamento das imagens e diferentes proporções treino/teste do conjunto de dados para avaliar o impacto dessas ações no desempenho de segmentação.The discrimination between crop and weed is a very important step for selective spraying systems which the application is made only where is necessary. Such systems are essential to avoid waste of agrochemicals and reduce economic and environmental impacts. Several computer vision techniques were developed to solve this problem, however there are few works using deep learning for this purpose. In this work the precision for weed and crop segmentation is analyzed using two different architectures of deep learning for semantic segmentation: Fully Convolutional Network and SegNet. An open database with 39 plant and weeds images was used for case study. The results showed global accuracy higher than 90% on the validation set for both architectures. In a second experiment, new FCN networks were trained with different image preprocessing and different training/test ratios of the dataset to evaluate the impact of these actions on segmentation performance.application/pdfporErva daninhaSegmentação de imagemWeed detectionDeep learningSegNetImage segmentationRedes neurais convolutivas aplicadas à detecção de ervas daninhasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulEscola de EngenhariaPrograma de Pós-Graduação em Engenharia ElétricaPorto Alegre, BR-RS2019mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001110031.pdf.txt001110031.pdf.txtExtracted Texttext/plain111368http://www.lume.ufrgs.br/bitstream/10183/204423/2/001110031.pdf.txtb20044b03dd7a7dde5a8c55c957baec7MD52ORIGINAL001110031.pdfTexto completoapplication/pdf3817920http://www.lume.ufrgs.br/bitstream/10183/204423/1/001110031.pdf24891611746a7269a34bdbbeb8bdfbafMD5110183/2044232020-01-18 05:14:54.358717oai:www.lume.ufrgs.br:10183/204423Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532020-01-18T07:14:54Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Redes neurais convolutivas aplicadas à detecção de ervas daninhas
title Redes neurais convolutivas aplicadas à detecção de ervas daninhas
spellingShingle Redes neurais convolutivas aplicadas à detecção de ervas daninhas
Rosa, Matheus Cassali da
Erva daninha
Segmentação de imagem
Weed detection
Deep learning
SegNet
Image segmentation
title_short Redes neurais convolutivas aplicadas à detecção de ervas daninhas
title_full Redes neurais convolutivas aplicadas à detecção de ervas daninhas
title_fullStr Redes neurais convolutivas aplicadas à detecção de ervas daninhas
title_full_unstemmed Redes neurais convolutivas aplicadas à detecção de ervas daninhas
title_sort Redes neurais convolutivas aplicadas à detecção de ervas daninhas
author Rosa, Matheus Cassali da
author_facet Rosa, Matheus Cassali da
author_role author
dc.contributor.author.fl_str_mv Rosa, Matheus Cassali da
dc.contributor.advisor1.fl_str_mv Brusamarello, Valner Joao
contributor_str_mv Brusamarello, Valner Joao
dc.subject.por.fl_str_mv Erva daninha
Segmentação de imagem
topic Erva daninha
Segmentação de imagem
Weed detection
Deep learning
SegNet
Image segmentation
dc.subject.eng.fl_str_mv Weed detection
Deep learning
SegNet
Image segmentation
description A discriminação entre plantas de cultura e erva daninha é um passo muito importante para os sistemas de pulverização seletiva, cuja aplicação é feita apenas onde for necessário. Tais sistemas são essenciais para evitar o desperdício de agroquímicos e reduzir os impactos econômicos e ambientais. Várias técnicas de visão computacional foram desenvolvidas para abordar o problema, no entanto, existem poucos trabalhos utilizando deep learning para essa finalidade. Neste trabalho é analisado o desempenho de segmentação de ervas daninhas e plantas através de duas arquiteturas diferentes de aprendizagem profunda para a segmentação semântica: Rede Totalmente Convolucionais (Fully Convolutional Network) e SegNet. Um banco de dados aberto com 39 imagens de plantas e ervas daninhas foi usado para estudo de caso. Os resultados mostraram uma precisão global maior que 90% no conjunto de validação para ambas as arquiteturas. Num segundo experimento, novas redes FCN foram treinadas com diferente pré-processamento das imagens e diferentes proporções treino/teste do conjunto de dados para avaliar o impacto dessas ações no desempenho de segmentação.
publishDate 2019
dc.date.issued.fl_str_mv 2019
dc.date.accessioned.fl_str_mv 2020-01-17T04:09:42Z
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/10183/204423
dc.identifier.nrb.pt_BR.fl_str_mv 001110031
url http://hdl.handle.net/10183/204423
identifier_str_mv 001110031
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/204423/2/001110031.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/204423/1/001110031.pdf
bitstream.checksum.fl_str_mv b20044b03dd7a7dde5a8c55c957baec7
24891611746a7269a34bdbbeb8bdfbaf
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1810085513442361344

Registros relacionados