Detalhes bibliográficos
Ano de defesa: |
2022 |
Autor(a) principal: |
Presner, Diego Henrique
 |
Orientador(a): |
Britto Júnior, Alceu de Souza
 |
Banca de defesa: |
Campos Junior, Arion de
,
Maldonado e Costa, Yandre
 |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Estadual de Ponta Grossa
|
Programa de Pós-Graduação: |
Programa de Pós Graduação Computação Aplicada
|
Departamento: |
Departamento de Informática
|
País: |
Brasil
|
Palavras-chave em Português: |
|
Área do conhecimento CNPq: |
|
Link de acesso: |
http://tede2.uepg.br/jspui/handle/prefix/3691
|
Resumo: |
As plantas possuem um papel fundamental para a existência de vida no planeta Terra, pois elas convertem gás carbônico (CO2) em oxigênio (O2) e servem de alimento para grande parte dos seres vivos, além de serem utilizadas por diversos segmentos industriais. A importância de trabalhos na linha de pesquisa de identificação/classificação de espécies de plantas, deve-se à vasta biodiversidade, em que muitas destas sofrem risco de extinção ou até mesmo não foram catalogadas/descobertas cientificamente. Ainda, existe a dificuldade de realizar as tarefas de classificação de forma manual (humana). Estudos apontam que a forma automatizada de classificação tem sido eficiente, seus processos demandam menor tempo e quantidade de trabalho ao pesquisador, obtendo assim bons resultados na classificação e rotulação de espécies botânicas. Neste trabalho foi utilizada uma rede neural artificial conhecida como auto-encoder, em específico o auto-encoder convolucional, que emprega o método de aprendizagem não supervisionada/autodidata, utilizando as bases não rotuladas, pois estas são mais fáceis de serem encontradas digitalmente, para realizar o treinamento dos modelos computacionais com imagens de um domínio diferente e pertencentes ao mesmo domínio. Posteriormente os modelos treinados foram utilizados para gerar representações de características diferentes das bases Flavia, Leafsnap e PlantCLEF2015, estas sendo utilizadas para treinar classificadores do tipo SVM, individualmente alcançando taxas de acerto de até 95,00 %. Métodos de combinação de classificadores também foram utilizados, mostrando-se capazes de atingir resultados competitivos com os apresentados no estado da arte. |