Software para reconhecimento de espécies florestais a partir de imagens digitais de madeiras utilizando deep learning

• Ano de defesa: 2018
• Autor(a) principal: Oliveira, Wellington de
• Orientador(a): Paula Filho, Pedro Luiz de
• Banca de defesa: Paula Filho, Pedro Luiz de, Candido Junior, Arnaldo, Menezes, Paulo Lopes de, Oliveira, Luiz Eduardo Soares de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Medianeira
• Programa de Pós-Graduação: Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio
• País: Brasil
• Palavras-chave em Português: Processamento de imagens; Redes neurais (Computação); Madeira - Anatomia; Image processing; Neural networks (Computer science); Wood - Anatomy
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/3189

Classificar espécies florestais é um processo essencial para o correto manejo da madeira e controle florestal. Após o corte, perde-se muitas das características da espécie e a identificação torna-se uma tarefa bem mais difícil. Neste contexto, tornase necessário a análise anatômica da madeira, a qual é realizada por especialistas que conhecem muito bem as estruturas celulares presentes em cada espécie. Porém, tal metodologia aborda técnicas pouco automatizadas, tornando a atividade demorada e passível de erros. Estes fatores prejudicam o controle e tomada de decisões por parte dos órgãos ambientais. O uso de visão computacional é uma alternativa para o reconhecimento automatizado, pois permite a construção de modelos inteligentes que, a partir de imagens, são capazes de detectar características e realizar a classificação final. Existem algumas técnicas que são o estado da arte em Processamento Digital de Imagens e Inteligência Artificial, como por exemplo, as redes neurais convolucionais. Tais redes são técnicas de aprendizado profundo (Deep Learning) que consiste na construção de modelos a partir de dados brutos (imagens, áudios, etc.). Em outras palavras, utiliza-se o mínimo de pré-processamento nas imagens e, no processo de treinamento, estes modelos são capazes de aprender os filtros a serem aplicados para a extração das características. Desta forma, tal técnica abstrai muito da complexidade existente na fase de pré-processamento em abordagens tradicionais. Esta pesquisa aborda a realização de alguns experimentos utilizando técnicas tradicionais e experimentos utilizando redes neurais convolucionais (foco da pesquisa). Foram utilizadas duas bases, sendo uma composta por imagens macroscópicas e outra por imagens microscópicas, para as quais foram gerados três modelos: reconhecimento de escala, reconhecimento de espécies a partir imagens macroscópicas e reconhecimento a partir de imagens microscópicas. Os melhores modelos proporcionaram taxas de reconhecimento de 100% para a base de escala, 98,73% para a base macroscópica e 99,11% para a base microscópica, os quais superaram os resultados obtidos para as respectivas bases em pesquisas correlatas. Por fim, foi desenvolvido um software web como produto final, para o qual foram acoplados os três melhores modelos obtidos.