Deep learning e segmentação semântica de imagens para diagnóstico de níveis de degradação de pastagem.

O processo de degradação de pastagem pode ser identificado quando a produção de forragem diminui, consequentemente, o aumento das áreas descobertas e plantas invasoras. Este trabalho objetivou avaliar técnicas de segmentação semântica de fotografias para diferenciação de plantas invasoras, forrageiras, solo exposto e palhada por meio do modelo DeeplabV3+. Primeiramente o modelo foi treinado com amostras do banco de dados The GrassClover Image Dataset for Semantic and Hierarchical Species Understanding in Agriculture. Um pequeno banco de dados foi construído a partir das fotografias ortogonais, retiradas da plataforma Atlas das Pastagens. Após o processo de treinamento com os dois bancos de imagens os resultados demonstraram satisfatórios com valores de MIoU de 87,6% com o primeiro banco de imagens e 75,4% com segundo banco de imagens. Conclui-se que as técnicas de segmentação semântica de imagens apresentam potencial para subsidiar a classificação da degradação de pastagens.

Bibliographic Details

Main Authors:	VIEIRA, L. P., SIMÕES, M., FERRAZ, R. P. D., RIBEIRO, J. A.
Other Authors:	LUAN PORTO VIEIRA, UNIVERSIDADE ESTADUAL DO RIO DE JANEIRO; MARGARETH GONCALVES SIMOES, CNPS; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; JOÃO ARAÚJO RIBEIRO, UNIVERSIDADE ESTADUAL DO RIO DE JANEIRO.
Format:	Anais e Proceedings de eventos biblioteca
Language:	Portugues pt_BR
Published:	2023-04-28
Subjects:	Visão computacional, Aprendizado de máquina, Redes Neurais Convolucionais, Pastagem, Image analysis,
Online Access:	http://www.alice.cnptia.embrapa.br/alice/handle/doc/1153427
Tags:	Add Tag No Tags, Be the first to tag this record!