Exportar este item: EndNote BibTex

Use este identificador para citar ou linkar para este item: http://tede2.uefs.br:8080/handle/tede/898
Tipo do documento: Dissertação
Título: Explorando técnicas de aprendizado híbrido para o reconhecimento automático de imagens de plantas
Autor: Feitoza, Marcondes Coelho 
Primeiro orientador: Calumby, Rodrigo Tripodi
Resumo: Nos últimos anos, com a evolução das Redes Neurais Convolucionais (RNC's), o reconhecimento automático de espécies de plantas a partir de imagens tornou-se um tema de pesquisa muito relevante para cientistas, pesquisadores e estudantes tanto na área da botânica quanto na comunidade computacional. Os principais desafios que envolvem o reconhecimento automático de espécies de plantas está diretamente relacionado a variabilidade intra-classe e da similaridade inter-classe, ambas decorrentes da complexidade das imagens em questão. Este trabalho tem como principal objetivo explorar técnicas de aprendizado híbrido, ou seja, a combinação de técnicas de aprendizado supervisionado e não-supervisionado com o propósito é minimizar os impactos dessa variabilidade no processo de classificação de imagens de plantas. Neste trabalho foi explorada a utilização de features extraídas por RNC's para o reconhecimento de imagens de espécies de plantas. Como objeto de estudo, utilizou-se a coleção de imagens ImageCLEF2013 (PlantCLEF) com 26.077 imagens de 250 especies de plantas. Foram aplicadas técnicas de particionamento em cada uma das bases com as diferentes features. Além disso, foram exploras abordagens de classificação mais abrangentes, com uso métodos clássicos como o algoritmo Random Forest e oito variações do classificador SVM com features extraídas pelas RNC's Inception V3, VGG-16 e VGG-19. Ainda assim, considerou-se também a camada do classificador Softmax de cada uma das RNC's a fim de se verificar o impacto do particionamento no processo de reconhecimento de imagens de espécies de plantas. Como resultado, os experimentos mostram é possível melhorar os resultados da eficácia dos classificadores combinando extração de features por RNC's e o particionamento das classes com técnicas de agrupamento.
Abstract: In recent years, with the evolution of Convolutional Neural Networks (RNC’s), the automatic recognition of plant species from images has become a very relevant research topic for scientists, researchers and students in both the botany and computer communities. The main challenges involving automatic recognition of plant species are directly related to intra-class variability and inter-class similarity, both arising from the complexity of the images in question. The main objective of this work is to explore hybrid learning techniques, that is, the combination of supervised and unsupervised learning techniques with the purpose of minimizing the impacts of this variability in the process of classification of plant images. In this work we explored the use of features extracted by RNC’s for the recognition of plant species images. As object of study, the ImageCLEF2013 (PlantCLEF) image collection with 26,077 images from 250 plant species was used. Partitioning techniques were applied to each base with different features. In addition, more comprehensive classification approaches were explored, using classical methods such as the Random Forest algorithm and eight variations of the SVM classifier with features extracted by RNC’s Inception V3, VGG-16 and VGG-19. Nevertheless, the Softmax classifier layer of each of the RNC’s was also considered in order to verify the impact of partitioning on the image recognition process of plant species. As a result, the experiments show it is possible to improve the results of classifier effectiveness by combining feature extraction by RNC’s and class partitioning with grouping techniques.
Palavras-chave: Aprendizagem de máquina
Aprendizagem profunda
Identificação de plantas
Machine learning
Deep learning
Plant identification
Área(s) do CNPq: METODOLOGIA E TECNICAS DA COMPUTACAO::BANCO DE DADOS
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma: por
País: Brasil
Instituição: Universidade Estadual de Feira de Santana
Sigla da instituição: UEFS
Departamento: DEPARTAMENTO DE TECNOLOGIA
Programa: Mestrado em Computação Aplicada
Citação: FEITOZA, Marcondes Coelho. Explorando técnicas de aprendizado híbrido para o reconhecimento automático de imagens de plantas. 2019. 90 f. Dissertação (Mestrado em Computação Aplicada)- Universidade Estadual de Feira de Santana, Feira de Santana, 2019.
Tipo de acesso: Acesso Aberto
URI: http://tede2.uefs.br:8080/handle/tede/898
Data de defesa: 12-Ago-2019
Aparece nas coleções:Coleção UEFS

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
disssertacao_Marcondes_coelho_feitoza.pdfArquivo de texto completo29,61 MBAdobe PDFBaixar/Abrir Pré-Visualizar


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.