Please use this identifier to cite or link to this item:
http://tede2.uepg.br/jspui/handle/prefix/3594
metadata.dc.type: | Dissertação |
Title: | Classificação de espécies de plantas a partir de imagens das componentes folha e flor. |
metadata.dc.creator: | Antunes, Guilherme |
metadata.dc.contributor.advisor1: | Britto Junior, Alceu de Souza |
metadata.dc.contributor.referee1: | Rocha, José Ferreira da |
metadata.dc.contributor.referee2: | Hochuli, André |
metadata.dc.description.resumo: | A classificação de espécies de plantas é um desafio devido a biodiversidade de nosso planeta, e nossos múltiplos ecossistemas tendem a exponencializar esse problema, para isso, soluções ao longo dos anos têm sido desenvolvidas de modo que possamos automatizar o trabalho de classificação de plantas, que antes estava reservado ao corpo técnico específico da área. As Redes Neurais Convolucionais e o Aprendizado Profundo, do inglês deep learning, têm viabilizado soluções cada vez mais atrativas para a tarefa de classificação. Fornecendo a seleção de atributos e extração de características de maneira autônoma. Para esta pesquisa foi utilizada uma base de imagens pertencente ao desafio mundial de reconhecimento de plantas 2015, LifeCLEF. Esta base possui 113.205 imagens de 1000 espécies diferentes. Neste trabalho foi abordado a classificação de espécies de plantas utilizando dois componentes de uma mesma planta, sendo eles a folha e a flor. Para tal, redes neurais profundas pré-treinadas na base Imagenet foram utilizadas para classificação de cada componente. Em seguida, diferentes regras de combinação de classificadores foram avaliadas, da soma à criação de um meta-classificador responsável pela fusão. Resultados experimentais permitiram um aumento de até 23 pontos percentuais (de 68% para 91%) quando realizada a fusão dos classificadores das componentes folha e flor. |
Abstract: | The classification of plant species is very challenging due to the biodiversity of our planet and our multiple ecosystems exponents this problem, for this, solutions over the years have been developed so that we can automate the work of plant classification, which before it was exclusive for the technical staff of the area. Convolutional Neural Networks and Deep Learning have been increasing the possibility of most suitable solutions for the task of classification making possible autonomous feature extraction. For this research, an image database belonging to the 2015 World Plant Recognition Challenge, LifeCLEF, this database has 113205 images of one thousand different species. In this work the classification of plant species was addressed using two components of the same plant, the leaf and the flower. To this end, pre-trained deep neural networks in the Imagenet database were used to classify each component, then different classifier combination rules were evaluated, creating a meta classifier responsible for merging. Experimental results allowed an increase of up to 23 percentage points (from 68% to 91 %) when the fusion of the leaf and flower components classifiers was performed. |
Keywords: | Classificação de Plantas Aprendizado Profundo Rede Neural Convolucional Combinação de classificadores Plant Classification Deep Learning Convolutional Neural Network Classifier Combination |
metadata.dc.subject.cnpq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
metadata.dc.language: | por |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Estadual de Ponta Grossa |
metadata.dc.publisher.initials: | UEPG |
metadata.dc.publisher.department: | Departamento de Informática |
metadata.dc.publisher.program: | Programa de Pós Graduação Computação Aplicada |
Citation: | ANTUNES, Guilherme. Classificação de espécies de plantas a partir de imagens das componentes folha e flor. 2021. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa. Ponta Grossa. 2021. |
metadata.dc.rights: | Acesso Aberto Attribution-NonCommercial-NoDerivs 3.0 Brazil |
metadata.dc.rights.uri: | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
URI: | http://tede2.uepg.br/jspui/handle/prefix/3594 |
Issue Date: | 9-Dec-2021 |
Appears in Collections: | Programa de Pós Graduação Computação Aplicada |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Guilherme Antunes.pdf | dissertação completa em pdf | 9.78 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License