Aplicando Mineração de Imagens na Agricultura de Precisão.
RESUMO: Análise de imagens de plantações estão consolidados no mercado da agricultura de precisão. Nesse sentido, a utilização de técnicas de processamento de imagem, mineração de imagem e inteligência artificial são ferramentas fundamentais. Podendo aplicar essas técnicas de maneira individual ou em conjunto. Um problema comum em análises de imagens é que pequenas mudanças na iluminação e no momento de tirar fotos podem influenciar como as técnicas computacionais identificam seus elementos. O custo é muito alto ou mesmo inviável para identificar ou segmentar uma imagem de forma universal. Sendo assim, é necessário um ponto de partida solido para guiar as técnicas existentes. Este estudo apresenta um experimento utilizando técnicas de mineração de imagens, associado a algoritmos de associação customizado. Utilizando o conhecimento do especialista para criar e rotular conjunto de pixel de interesse. Assim, ao processar uma imagem as classes de interesse são facilmente identificadas e ajustadas para cada realidade. Os resultados empíricos indicam que nossa solução aprimora a forma de seleção de padrões identificando as classes de interesse, identificando de maneira correta solo e vegetação. Os testes foram realizados em sete mosaicos diferentes da mesma plantação. O processo de identificação das classes desejadas (solo, plantação), ocorreram de maneira satisfatória validado assim nosso estudo como uma solução viável para agricultura de precisão. ABSTRACT: Crop image analysis are consolidated in the precision farming market. In this sense, the use of image processing techniques, image mining and artificial intelligence are fundamental tools. Being able to apply these techniques individually or together. A common problem in image analysis is that small changes in lighting and timing can influence how computational techniques identify its elements. The cost is too high or even unfeasible to universally identify or segment an image. As such, a solid starting point is needed to guide existing techniques. This study presents an experiment using image mining techniques, associated with custom association algorithms. Using expert knowledge to create and label pixel set of interest. Thus, when processing an image, the classes of interest are easily identified and adjusted for each reality. The empirical results indicate that our solution improves the way of selecting patterns by identifying the classes of interest, correctly identifying soil and vegetation. Tests were performed on seven different mosaics from the same culture. The process of identifying the desired classes (soil, plantation) occurred satisfactorily, thus validating our study as a viable solution for precision agriculture.
Main Authors: | , , , , , , |
---|---|
Other Authors: | |
Format: | Artigo de periódico biblioteca |
Language: | Portugues pt_BR |
Published: |
2021-12-21
|
Subjects: | Mineração de Dados, Mineração de Imagem, Regras de Associação, Data Mining, Image Mining, Association Rules, Agricultura de Precisão, Precision agriculture, |
Online Access: | http://www.alice.cnptia.embrapa.br/alice/handle/doc/1138150 |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Summary: | RESUMO: Análise de imagens de plantações estão consolidados no mercado da agricultura de precisão. Nesse sentido, a utilização de técnicas de processamento de imagem, mineração de imagem e inteligência artificial são ferramentas fundamentais. Podendo aplicar essas técnicas de maneira individual ou em conjunto. Um problema comum em análises de imagens é que pequenas mudanças na iluminação e no momento de tirar fotos podem influenciar como as técnicas computacionais identificam seus elementos. O custo é muito alto ou mesmo inviável para identificar ou segmentar uma imagem de forma universal. Sendo assim, é necessário um ponto de partida solido para guiar as técnicas existentes. Este estudo apresenta um experimento utilizando técnicas de mineração de imagens, associado a algoritmos de associação customizado. Utilizando o conhecimento do especialista para criar e rotular conjunto de pixel de interesse. Assim, ao processar uma imagem as classes de interesse são facilmente identificadas e ajustadas para cada realidade. Os resultados empíricos indicam que nossa solução aprimora a forma de seleção de padrões identificando as classes de interesse, identificando de maneira correta solo e vegetação. Os testes foram realizados em sete mosaicos diferentes da mesma plantação. O processo de identificação das classes desejadas (solo, plantação), ocorreram de maneira satisfatória validado assim nosso estudo como uma solução viável para agricultura de precisão. ABSTRACT: Crop image analysis are consolidated in the precision farming market. In this sense, the use of image processing techniques, image mining and artificial intelligence are fundamental tools. Being able to apply these techniques individually or together. A common problem in image analysis is that small changes in lighting and timing can influence how computational techniques identify its elements. The cost is too high or even unfeasible to universally identify or segment an image. As such, a solid starting point is needed to guide existing techniques. This study presents an experiment using image mining techniques, associated with custom association algorithms. Using expert knowledge to create and label pixel set of interest. Thus, when processing an image, the classes of interest are easily identified and adjusted for each reality. The empirical results indicate that our solution improves the way of selecting patterns by identifying the classes of interest, correctly identifying soil and vegetation. Tests were performed on seven different mosaics from the same culture. The process of identifying the desired classes (soil, plantation) occurred satisfactorily, thus validating our study as a viable solution for precision agriculture. |
---|