Detalhes bibliográficos
| Ano de defesa: |
2020 |
| Autor(a) principal: |
Andrade, Bruno Geike de
 |
| Orientador(a): |
Latorraca, João Vicente de Figueiredo
|
| Banca de defesa: |
Latorraca, João Vicente de Figueiredo
,
Costa, Anderson Gomide
,
Mendonca, Bruno Araujo Furtado de
,
Muniz, Graciela Ines Bolzon de
,
Moulin, Jordão Cabral
|
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal Rural do Rio de Janeiro
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação em Ciências Ambientais e Florestais
|
| Departamento: |
Instituto de Florestas
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Palavras-chave em Inglês: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://rima.ufrrj.br/jspui/handle/20.500.14407/9396
|
Resumo: |
A identificação anatômica de espécies florestais é uma importante ferramenta para controle e fiscalização do comércio de madeira, principalmente por possibilitar a proteção de espécies vulneráveis. O recente aumento das exigências do mercado internacional de madeira e a plena evolução de áreas tecnológicas como machine learning e machine vision têm incentivado o desenvolvimento de sistemas inteligentes e automáticos para identificação de espécies lenhosas a partir de imagens da madeira. Neste trabalho, buscou-se desenvolver e avaliar um sistema de visão computacional com uso de um smartphone para a aquisição de imagens de amostras de madeira polidas manualmente com facas. Três bancos de imagens foram construídos, o primeiro contendo 2.000 imagens de 21 espécies e o segundo contendo 30.200 imagens de 40 espécies. O terceiro, também com 40 espécies, foi formado com 32.271 imagens obtidas com amostras de madeira umedecidas superficialmente. Três descritores de imagens foram avaliados: grey level coocurrence matrix, local binary patterns e grey level run length matrix. Também foram avaliadas diferentes configurações de resolução e níveis de cinzas das imagens. Um total de 49 classificadores estatísticos foram desenvolvidos usando-se support vector machines e avaliados em validações cruzadas aninhadas. A grande maioria dos classificadores testados apresentaram taxas de acerto superior a 90%, local binary patterns apresentou desempenho superior aos demais descritores de imagem e o umedecimento das amostras não apresentou melhora no desempenho da classificação. O sistema proposto foi capaz de alcançar uma taxa de acerto de 99,36%, superando os resultados obtidos em todos os trabalhos da literatura consultada. A metodologia simples usada neste trabalho, associada à elevada taxa de acerto, torna evidente o potencial para a automatização da identificação de madeiras com sistema de visão computacional em condições de campo |
