PROJETO 

Uso do algoritmo de classificação Support Vector Machine para a classificação de cultura-solo em nível de pixel: comparação dos diferentes parâmetros e desempenho dos dados RGB e HSL

ENG13

a-linha-perfeita.png

Engenharias e Computação

Autoria:

Gustavo Camargo Alves; Roberson Paulo Valencise

VEJA O PÔSTER

Orientação:

Michelle de Oliveira Parreira; Sherfis Gibran Ruwer

Instituição: 

Instituto Federal do Estado de São Paulo - Registro

CATEGORIAS

a-linha-perfeita.png

RESUMO

A agricultura passou por diversas transformações tecnológicas nas últimas décadas e tais avanços a levaram a um nível de macrogerenciamento cada vez maior. Apesar dos benefícios trazidos por tal gerenciamento, diversos problemas surgiram em decorrência dele. O combate a plantas daninhas nas plantações da forma que é realizado atualmente provoca sérios problemas ao meio ambiente e majora o custo de produção. No contexto da agricultura 4.0 novas tecnologias surgiram para mitigar tal maleficio. A aplicação de algoritmos de classificação juntamente com a visão computacional possibilita a remoção precisa, seja de forma mecânica ou química, de plantas daninhas. O algoritmo de classificação Support Vector Machine aplicado em imagens de plantações gera um hiperplano capaz de separar linearmente os objetos em classes, como solo, planta ou água. A presente pesquisa utilizou o software WEKA para realizar a classificação dos pixels de imagens de áreas cultivadas em duas classes, identificando se cada pixel pertencente a classe solo ou a classe cultura. Foi realizada a transformação dos dados RGB para o espaço HSL a fim de identificar qual deles desempenharia melhor capacidade de classificação com diferentes parâmetros do SVM. Verificou-se que ambos os espaços vetoriais, RGB e HSL, alcançaram bom desempenho e o kernel polinomial de segundo grau obteve a melhor acurácia em ambos os casos em relação aos demais kernels testados. A melhor acurácia de classificação foi obtida utilizando os dados RGB.

Palavras-chave: Aprendizagem de máquina; agricultura 4.0; visão computacional; extração de padrões.

Foto autores - Gustavo Camargo.jpeg