Dissertação

{pt_PT=Field Description Using Aerial Images} {} EVALUATED

{pt=O tópico da sustentabilidade tem sido debatido nas últimas décadas, sendo o desenvolvimento agrícola de extrema importância. A agricultura de precisão é cada vez mais praticada, consistindo num conjunto de ferramentas digitais para monitorizar os processos agrícolas. O objetivo deste trabalho é desenvolver algoritmos para classificação automática da ocupação do solo. O objeto de estudo são imagens aéreas RGB de alta resolução, pertencentes a duas épocas do ano, obtidas com auxílio de um drone. As imagens representam um sistema agro-silvo-pastoril extensivo de sequeiro, onde as classes de interesse são árvores, sombras e solo. A classe do solo engloba o solo nu e os pastos. Foram desenvolvidos quatro métodos de classificação, todos com um passo em comum, onde são geradas regiões de interesse para classificação. O primeiro método, heurístico, recorre a ferramentas de visão computacional. Os restantes são métodos com aprendizagem. Um deles utiliza características de textura e cor para descrever as regiões de interesse, usando uma Máquina de Vetores de Suporte (SVM) como classificador. Nos outros, usa-se rede neuronal convolucional pre-treinada. Num deles, esta rede é adaptada ao problema em estudo. No outro, a rede é utilizada para extrair um vetor de características que descreve os objetos de interesse, sendo depois utilizada uma SVM para a classificação. Os métodos com aprendizagem apresentam melhores resultados que o heurístico. O melhor desempenho é atingido pelo método que utiliza a SVM para classificar as regiões de interesse de acordo com textura e cor, com uma precisão de 93.06% e um F-score de 0.844., en=The sustainability topic has been debated in the last decades, with the agricultural development being of the utmost importance. Precision agriculture is increasingly practiced, consisting on a set of digital tools to monitor agricultural processes. The aim of this work is to develop algorithms to automatically classify the land cover. The object of study are high-resolution RGB aerial images, belonging to two times of the year, obtained with the aid of an UAV. The images represent an agro-silvo-pastoral rainfed system, where the classes of interest are trees, shadows and soil. The soil class includes the bare ground and the pastures. Four classification methods were developed, all with a common stage, where regions of interest for classification are generated. The first method, heuristic, resorts to computer vision tools. The remaining are learning-based methods. One of them uses texture and colour features to describe the regions of interest, using a Support Vector Machine (SVM) as a classifier. In the others, a pre-trained convolutional neural network is used. In one of them, this network is adapted to the problem under study. In the other, the network is used to extract a feature vector that describes the objects of interest, then being used a SVM for the classification. The learning-based methods present better results than the heuristic one. The best performance is achieved by the method that uses the SVM to classify regions of interest according to texture and colour, with an accuracy of 93.06% and a F-score of 0.844.}
{pt=agricultura de precisão, imagens aéreas, processamento de imagem, segmentação, extração de características, aprendizagem automática, en=precision agriculture, aerial imagery, image processing, segmentation, feature extraction, machine learning}

Novembro 13, 2018, 11:0

Orientação

ORIENTADOR

João Rogério Caldas Pinto

Departamento de Engenharia Mecânica (DEM)

Professor Associado

ORIENTADOR

Alexandra Bento Moutinho

Departamento de Engenharia Mecânica (DEM)

Professor Auxiliar