Detalhes bibliográficos
| Ano de defesa: |
2019 |
| Autor(a) principal: |
Rosa, Matheus Cassali da |
| Orientador(a): |
Brusamarello, Valner Joao |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Palavras-chave em Inglês: |
|
| Link de acesso: |
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. |
