Dissertação

{en_GB=Irrigation Decision based on SVM with RGB images of Green Spaces} {} EVALUATED

{pt=A água é um recurso fundamental para todos. Precisamos, usamos e desperdiçamos água. Deparamo-nos com espaços verdes em todas as cidades. Para manter a cor verde desses espaços é necessário utilizar grandes quantidades de água. Para controlar a quantidade de água aplicada, tradicionalmente são usados sensores de humidade que são localizados e caros. Também existem soluções à base de interpretação de imagens, normalmente aplicadas em imagens de satelite, focando-se mais em imagens multiespetrais. De forma a obter uma solução mais acessível propomos interpretar imagens RGB adquiridas por cameras normais. A nossa abordagem envolve a criação de um dataset de espaços verdes que é categorizado por profissionais, escolhendo uma de 4 categorias: (i) definitivamente precisa de rega, (ii) precisa de rega, (iii) não precisa de rega, e (iv) definitivamente não precisa de rega. A partir deste dataset treinámos modelos de classificação e regressão usando SVMs. Comparámos resultados de forma a obter o melhor método usando diferentes imagens e estratégias. O nosso modelo final mostra uma precisão de 80% em diversos espaços verdes., en=Water is a fundamental resource in our world. We need it, we use it and we waste it. In every city we see a lot of green spaces. To maintain the green colour in those spaces we need to consume a lot of water. To control the amount of water to irrigate green spaces, classical solutions use soil sensors that are quite localised and expensive. Image based solutions have a wider range of analysis but most work has been done on satellite imagery that include multispectral image. To design a more accessible solution, we propose to interpret RGB images acquired from normal off-the-shelf cameras. We adopt a data driven approach: create a dataset of green spaces labeled by experts with 1 of the 4 categories: (i) definitely needs irrigation, (ii) needs irrigation, (iii) doesn’t need irrigation, and (iv) definitely doesn’t need irrigation. From this dataset we train SVM classification and regression models with different types of images and strategies, comparing results in order to find the best method. Our final model shows an accuracy of 80% in a diversity of green spaces.}
{pt=Rega, RGB, SVR, SVC, SVMs, Cor, en=Irrigation, RGB, SVR, SVC, SVMs, Color}

Outubro 20, 2020, 9:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

José Alberto Rosado dos Santos Victor

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Catedrático

ORIENTADOR

Alexandre José Malheiro Bernardino

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado