Técnicas de reamostragem e super-resolução em imagens de culturas agrícolas

• Ano de defesa: 2025
• Autor(a) principal: Nogueira, Emília Alves
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Goiás; Instituto de Informática - INF (RMG); Brasil; UFG; Programa de Pós-graduação em Ciência da Computação (INF)
• Palavras-chave em Português: Reamostragem; Super resolução; Aprendizado profundo; UAVs; Satélite; Cana-de- açúcar; Milho; Resampling; Super resolution; Deep learning; Satellite; Sugarcane; Corn; CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://repositorio.bc.ufg.br/tede/handle/tede/14157

A crescente demanda por alimentos, associada às mudanças climáticas, tem impulsionado o desenvolvimento de tecnologias de monitoramento agrícola para aumentar a eficiência e a sustentabilidade da produção de culturas como cana-de-açúcar e milho. No entanto, a baixa resolução das imagens capturadas por Veículo Aéreo Não Tripulado (VANT) e satélites limita a análise detalhada de características agronômicas essenciais. Esta tese investiga métodos para melhorar a resolução de imagens agrícolas, comparando as Técnicas Tradicionais de Reamostragem (TTR) com algoritmos de Super-Resolução com Redes Profundas (SRRP), como Real Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN), Multi-Level upscaling Transform (MuLUT) e Learning Resampling Function (LeRF). O objetivo deste estudo é investigar a aplicação de técnicas de aprendizado profundo para melhorar a resolução de imagens agrícolas. Para isso, foram revisados os métodos existentes e preparado o conjunto de dados agrícola. A pesquisa adotou uma abordagem experimental, avaliando os métodos quantitativamente usando métricas como o Peak Signal-to-Noise Ratio (PSNR) e Structural Similarity Index (SSIM), e qualitativamente por análise visual. Os experimentos demonstram melhorias significativas na resolução das imagens usando os algoritmos de SRRP em comparação aos TTR, com ganhos de 484,34% nas imagens de cana-de-açúcar, 234,4% no milho e 58,57% nas imagens de satélite. Embora as técnicas de SRRP tenham sido desenvolvidas para outros propósitos, como melhorar a resolução de imagens de pessoas e animes, seu desempenho pode ser observado em imagens agrícolas. Os resultados obtidos são significativos para a agricultura de precisão, pois o aumento da resolução das imagens pode auxiliar no monitoramento do crescimento e da saúde das plantas, proporcionando intervenções mais rápidas e efetivas. Em investigações futuras, esperamos ampliar as comparações com outros algoritmos de SRRP.