Geographical mapping of coffee crops by using convolutional networks

• Ano de defesa: 2017
• Autor(a) principal: Rafael Marlon Peirera Costa Baeta Carreira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Minas Gerais; Brasil; ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO; Programa de Pós-Graduação em Ciência da Computação; UFMG
• Palavras-chave em Português: Remote sensing; Coffee classification; Convolutional neural networks; Computação – Teses.; Sensoriamento remoto - Teses; Redes neurais convolucionais – Teses; Café – Cultivo – Teses.
• Link de acesso: http://hdl.handle.net/1843/43132

Nas últimas décadas temos observado um constante crescimento na utilização de imagens de sensoriamento remoto para o monitoramento de atividades e fenômenos na Terra, o que permite o desenvolvimento de diversas aplicações. Dentre as aplicações existentes, a criação de mapas temáticos é uma das mais comuns, pois permite a classi cação e análise dos vários objetos que compõe uma imagem podendo ser utilizado para muitos ns, tais como: monitoramento, planejamento e reconhecimento. Mapas temáticos podem ser construídos de forma manual ou por modelos treinados através de aprendizagem supervisionada. Neste tipo de aprendizagem, o sistema é treinado para aprender diferentes padrões através da utilização de amostras rotuladas fornecidas pelo usuário. Nesse sentido, nesta dissertação, um método de geração de mapas temáticos foi desenvolvido para o reconhecimento de colheitas de café visando auxiliar na obtenção de dados dessa cultura agrícola. Pois, apesar de sua grande importância na economia do país e de Minas Gerais, a obtenção de dados ainda é realizada de forma manual. O método desenvolvido neste trabalho baseia-se na combinação de redes neuronais de convolução em múltiplas escalas sendo a escolha das redes neuronais para o desenvolvimento deste projeto atribuída ao seu desempenho superior aos métodos tradicionais propostos em visão computacional e também por ainda não ser amplamente utilizada em tarefas relacionadas à área agrícola. A utilização de uma abordagem multi-escala está relacionada à variação do tamanho dos padrões encontrados em imagens de satélite e visa tornar o método mais robusto ao permitir que características distintas sejam aprendidas em cada uma das escalas e usadas de forma complementar.