Submitted by Maria José Rodrigues Paiva (mjpaiva.ufpb@gmail.com) on 2018-05-11T17:38:34Z No. of bitstreams: 1 arquivototal.pdf: 3704107 bytes, checksum: 7f764c3300065cd3ffe3d87c0e194386 (MD5) / Made available in DSpace on 2018-05-11T17:38:34Z (GMT). No. of bitstreams: 1 arquivototal.pdf: 3704107 bytes, checksum: 7f764c3300065cd3ffe3d87c0e194386 (MD5) Previous issue date: 2008-06-27 / Dengue, like any endemic disease transmitted by vectors, is characterized by space-time patterns related to environmental aspects. Within the several aspects, the vegetation is a variable frequently used in studies relating the environment to the occurrence of endemic diseases. The characterization of the environmental aspects, like the vegetation, in studies of endemics is possible using Remote Sensing Techniques and Geographic Information Systems. This work intends to locate the regions of spatial clusters of Dengue in the city of João Pessoa in the state of Paraíba (Brazil) and to verify the existence of a relation between the cases and the vegetation areas. In order to do that it was used the Kernel Intensity Estimation and the algorithm for image classification by Maximum Likelihood. The classifier was implemented to consider the a priori probability of the classes. It was verified the presence of several spatial clusters distributed by the city and that the occurrence density nearby the vegetation areas is higher than in farther regions. / O dengue, como as doenças endêmicas transmitidas por vetores, é caracterizado por padrões espaço-temporais relacionados a aspectos ambientais. Dentre os diversos aspectos, a vegetação é uma variável freqüentemente utilizada nos estudos relacionando o ambiente à ocorrência de doenças endêmicas. A caracterização dos aspectos ambientais, como a vegetação, em estudos de endemias é possível usando Sensoriamento Remoto e Sistemas de Informação Geográfica. Este trabalho pretende localizar as regiões de aglomerados espaciais do dengue no município de João Pessoa na Paraíba e verificar a existência de relação entre ocorrências de casos e áreas de vegetação. Para tanto, foram utilizados o Estimador de Intensidade de Kernel e o algoritmo de classificação de imagens por Máxima Verossimilhança. O classificador foi implementado para levar em consideração a probabilidade a priori das classes. Verificou-se a presença de vários aglomerados espacias distribuídos pelo município e que a densidade de ocorrência em torno das áreas de vegetação é maior que nas regiões mais afastadas.

O crescimento descontrolado ocorrido nas atuais metrópoles de países em desenvolvimento requer intensos mapeamentos para a atualização da base de dados geográfica. O intenso processo de urbanização vivido na cidade de São Paulo desde os anos 70 ilustra bem esse cenário. Apesar de existirem levantamentos aéreos e, mais recentemente, imagens de satélite com alta resolução espacial, a necessidade de informações geográficas precisas, rápidas e menos onerosas é, mais do que nunca, um fato. Nesse sentido, a classificação automatizada de imagens de alta resolução espacial tem demonstrado resultados insatisfatórios ao utilizar classificadores pixel a pixel, em especial para áreas urbanas. O crescente sucesso da classificação de imagens baseada em objetos tem estimulado pesquisadores a criar novos meios de superar a limitação das tradicionais técnicas de classificação de imagens. A idéia central da classificação de imagens orientada a objetos é extrair objetos primitivos a partir das imagens e utilizar suas informações para a composição de regras e estratégias a serem aplicadas no processo classificatório. Além da análise espectral, a classificação de imagens baseada em objetos permite envolver análises geométricas e contextuais. Este trabalho reporta o uso da classificação baseada em objetos para detecção da malha viária, aplicado na periferia urbana da cidade de São Paulo. Áreas de ocupação irregular compõem a maior parte da área selecionada para o estudo, sendo que a malha viária reflete bem o padrão de ocupação não planejada dessa região. As ruas são em geral geometricamente irregulares e com diferentes tipos de pavimentação. Detectar a malha viária com base nessas características foi o desafio maior deste trabalho, que teve, como hipótese, a viabilidade do emprego da classificação orientada a objetos para essa finalidade. A metodologia apresentada utiliza uma imagem multiespectral do satélite IKONOS II. Como primeiros passos, processou-se a segmentação e calcularam-se as componentes principais. Classes auxiliares como áreas impermeabilizadas e áreas de solo exposto foram computadas utilizando funções apropriadas. Em suma, a partir das informações geométricas dos objetos, como largura, comprimento, coeficiente de assimetria, área, entre outros, alguns objetos foram selecionados como representantes da malha viária, e então analisados perante a informação contextual, para que fossem classificados como vias pavimentadas e vias não pavimentadas. Os resultados foram analisados mediante três diferentes métodos: 1) inspeção visual, na qual foi analisada qualitativamente a aderência entre as vias extraídas e as vias reais; 2) acurácia da classificação, através de comparações entre a malha viária detectada e a de referência, que forneceu parâmetros estatísticos de qualidade da classificação, como os erros de comissão e omissão ; 3) análise linear comparativa, a qual forneceu parâmetros como integridade (ou completeza) e precisão da malha viária detectada utilizando linhas referenciais e linhas extraídas dos polígonos das vias detectadas, obtidos por morfologia matemática. Considerando o alto grau de heterogeneidade das feições presentes na área de estudo, a acurácia geral alcançada foi boa. Embora a metodologia não tenha produzido um mapa viário, no sentido próprio da palavra, o uso combinado de imagens multispectrais de alta resolução espacial e da classificação baseada em objetos mostrou que a metodologia pode ser utilizada para minerar dados relativos a malha viária e produzir informações significantes para auxiliar a tomada de decisões. / Uncontrolled sprawl occurring in large cities of developing countries requires intensive mapping efforts to update geodatabases. The intense urbanization process experienced since the 70\'s in Sao Paulo city illustrates very well the reported scenario. Despite aerial data and, more recent, high spatial resolution satellite data which have been employed as basis for mapping, the need for precise, faster and cheaper mapping efforts is real. In this sense, automated classification of high resolution imagery has demonstrated unsatisfactory results when traditional per-pixel classifiers are used, especially for urban areas. The increasing success of object-based classification has stimulated researchers to create new methodologies to overcome this shortcoming of traditional approaches. The object-based image classification\'s idea is extract object-primitives from images and then use their information to compose rules and strategies to be applied on the classification process. Beyond the spectral analysis, geometric, and contextual analysis are also addressed on object-based classification. This work reports the use of object-based image classification applied on road detection over the suburban area of Sao Paulo city. Informal settlements compose the most part of the study area and the transportation network reflects the unplanned occupation. Roads are geometrically irregular and with different kind of pavements. Detecting roads based on these characteristics was the biggest challenge faced here, and this work hypothesizes object-based classification can be used to. The methodology presented employs an IKONOS II data. At first, principal components and segmentation were computed and then auxiliary data for impervious surface and bare soil areas were previously calculated from customized features. In short, based on geometric information as width, length, asymmetry, area, and more, objects were elected as road and then analyzed through contextual information as paved road or unpaved road. Results were analyzed under three different ways: 1) visual inspection, where the adherence between extracted road and real ones provided a good indicator for qualitative analysis ; 2) classification accuracy, by comparing detected road areas and referential ones, which provided statistical parameters for quality as omission and commission error ; 3) linear comparative analysis, which provided parameters as correctness and completeness using referential lines and lines arose from extracted areas based on mathematical morphology tools. Regarding the high degree of heterogeneity of features present on study area, the overall accuracy reached is good. Despite the methodology did not produce a road map, the results shown the combined use of high resolution multi-spectral imagery and object-based classification can effectively mine road features, producing significant information to support decision makers.

Made available in DSpace on 2014-06-12T15:52:53Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2009 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / Este trabalho propõe uma nova abordagem para classificação de objetos em imagens binárias de duas dimensões usando descritores de curvatura, descritores de momento e uma rede neural artificial. O modelo proposto classifica objetos utilizando uma rede neural supervisionada e, através do uso de uma distribuição de probabilidade, associa um coeficiente de certeza para cada classificação. Foram utilizados os descritores de imagens conhecidos por Momento de Hu e o Curvature Scale Space para prover uma representação invariante às transformações das imagens, enquanto que o modelo neural proposto utiliza a correlação máxima entre as representações dos objetos para efetuar a classificação e uma distribuição de probabilidade para calcular o coeficiente de certeza da classificação de cada imagem. A avaliação da robustez baseou-se na medida da precisão da classificação para imagens rotacionadas, escaladas e com transformações não-lineares que formam um conjunto de imagens padrão, usado pelo grupo MPEG na criação da norma MPEG-7, demonstrando assim a aplicabilidade do método

Cada imagem pode ser representada como uma combinação de diversas características, como por exemplo o histograma de intensidades de cor ou propriedades de textura da imagem. Essas características compõem um vetor multidimensional que representa a imagem. É comum esse vetor ser dado como entrada para um método de classificação de padrões que, após aprender por meio de diversos exemplos, pode gerar um modelo de decisão. Estudos sugerem evidências de que a preparação das imagens-- por meio da especificação cuidadosa da aquisição, pré-processamento e segmentação-- pode impactar significativamente a classificação. Além da falta de tratamento das imagens antes da extração de características, o desbalanceamento de classes também se apresenta como um obstáculo para que a classificação seja satisfatória. Imagens possuem características que podem ser exploradas para melhorar a descrição dos objetos de interesse e, portanto, sua classificação. Entre as possibilidades de melhorias estão: a redução do número de intensidades das imagens antes da extração de características ao invés de métodos de quantização no vetor já extraído; e a geração de imagens a partir das originais, de forma a promover o balanceamento de bases de dados cujo número de exemplos de cada classe é desbalanceado. Portanto, a proposta desta dissertação é melhorar a classificação de imagens utilizando métodos de processamento de imagens antes da extração de características. Especificamente, busca analisar a influência do balanceamento de bases de dados e da quantização na classificação. Este estudo analisa ainda a visualização do espaço de características após os métodos de geração artificial de imagens e de interpolação das características extraídas das imagens originais (SMOTE), comparando como espaço original. A ênfase dessa visualização se dá na observação da importância do rebalanceamento das classes. Os resultados obtidos indicam que a quantização simplifica as imagens antes da extração de características e posterior redução de dimensionalidade, produzindo vetores mais compactos; e que o rebalanceamento de classes de imagens através da geração de imagens artificiais pode melhorar a classificação da base de imagens, em relação à classificação original e ao uso de métodos no espaço de características já extraídas. / Each image can be represented by a combination of several features like color frequency and texture properties. Those features compose a multidimensional vector, which represents the original image. Commonly this vector is given as an input to a classification method that can learn from examplesand build a decision model. The literature suggests that image preparation steps like acute acquisition, preprocessing and segmentation can positively impact such classification. Besides that, class unbalancing is also a barrier to achieve good classification accuracy. Some features and methods can be explored to improveobjects\' description, thus their classification. Possible suggestions include: reducing colors number before feature extraction instead of applying quantization methods to raw vectors already extracted; and generating synthetic images from original ones, to balance the number of samples in an uneven data set. We propose to improve image classification using image processing methods before feature extraction. Specifically we want to analyze the influence of both balancing and quantization methods while applied to datasets in a classification routine. This research also analyses the visualization of feature space after the artificial image generation and feature interpolation (SMOTE), against to original space. Such visualization is used because it allows us to know how important is the rebalacing method. The results show that quantization simplifies imagesby producing compacted vectors before feature extraction and dimensionality reduction; and that using artificial generation to rebalance image datasets can improve classification, when compared to the original one and to applying methods on the already extracted feature vectors.

A modelagem hidrológica quando associada aos recursos do sensoriamento remoto e do geoprocessamento torna-se uma ferramenta importante, pois é capaz de estabelecer diferentes cenários da cobertura e do uso da terra e suas implicações na drenagem urbana, auxiliando no planejamento urbano. Entretanto, a relação entre o modelo chuva x vazão e tais técnicas, com finalidade de avaliar classificadores de imagens a partir de hidrogramas de cheia não foi encontrada na literatura, tornando esse o objetivo principal desta tese. Para isso, foram utilizadas três imagens de satélite de diferentes resoluções espaciais (0,5m, 5m e 15m) e três algoritmos classificadores (Máxima Verossimilhança, Máquinas Vetores Suporte e Análise Orientada a Objeto) e formados conjuntos denominado \"classificador-imagem\" para classificação da cobertura e do uso da terra. As áreas das classes dos usos da terra de cada conjunto \"classificador-imagem\" e os valores de Curve Number foram os principais dados de entrada do modelo chuva-vazão NRCS, que permitiu gerar os hidrogramas de cheia para cada caso. Os hidrogramas simulados foram comparados aos hidrogramas observados na bacia e avaliados, quanto a sua representatividade, pelo coeficiente de Nash Sutcliffe. As classificações do uso da terra foram avaliadas pelo Índice Kappa, com valores de 0,58 a 0,99 e pela Exatidão Global, com valores de 0,64 a 0,99. Para as vazões, o coeficiente de Nash Sutcliffe foi considerado satisfatório (NS<0,50) em duas simulações e, nas demais simulações, considerado muito bom (NS>0,75). Para fornecer subsídio a tomada de decisão, foi realizada uma análise multicritério dos conjuntos classificador-imagem, que permitiu classificar os conjuntos com maior desempenho: 1°) o classificador SVM e a imagem Landsat-8; 2°) o classificador MaxVer e a imagem WordView-II; 3°) o classificador NN e a imagem RapidEye. / Hydrological modeling when associated with remote sensing and geoprocessing resources becomes an important tool, because it is able to establish different land use scenarios and its implications for urban drainage, assisting in urban planning. However, the relationship between the routing model and such techniques, for purpose to evaluate images classifiers from the runoff hydrograph was not found in the literature, making this the main objective of this thesis. Thereunto, three satellite images were used in different spatial resolutions (0.5m, 5m and 15m) and three algorithms classifiers (Maximum Likelihood, Support Vector Machine and Oriented Object Analysis) and composed sets called \"classifier-image\" for the land use classification. The areas of the land use classes of each set \"classifier-image\" and the Curve Number values were the main input of the routing model NRCS, which allowed generating the runoff hydrograph for each case. The simulated hydrographs were compared to the observed hydrograph in the basin and evaluated their representativeness through the Nash Sutcliffe coefficient. Kappa Index was calculated to evaluate land use classifications, with values between 0.58 to 0.99 and Global accuracy between 0.64 to 0.99. Towards the flows rates, the Nash Sutcliffe coefficient was considered satisfactory for two simulations (NS<0,50) and, to other simulations, considered very good (NS>0,75). To provide subsidy to decision-making, it carried out a multi-criteria analysis of the classifier-image sets, that allowed to classify the set with higher performance: 1) SVM classifier and Landsat-8 image; 2) MaxVer classifier and WorldView-II image; 3) NN classifier and RapidEye image.

Plâncton são organismos microscópicos que constituem a base da cadeia alimentar de ecossistemas aquáticos. Eles têm importante papel no ciclo do carbono pois são os responsáveis pela absorção do carbono na superfície dos oceanos. Detectar, estimar e monitorar a distribuição das diferentes espécies são atividades importantes para se compreender o papel do plâncton e as consequências decorrentes de alterações em seu ambiente. Parte dos estudos deste tipo é baseada no uso de técnicas de imageamento de volumes de água. Devido à grande quantidade de imagens que são geradas, métodos computacionais para auxiliar no processo de análise das imagens estão sob demanda. Neste trabalho abordamos o problema de identificação da espécie. Adotamos o pipeline convencional que consiste dos passos de detecção de alvo, segmentação (delineação de contorno), extração de características, e classificação. Na primeira parte deste trabalho abordamos o problema de escolha de um algoritmo de segmentação adequado. Uma vez que a avaliação de resultados de segmentação é subjetiva e demorada, propomos um método para avaliar algoritmos de segmentação por meio da avaliação da classificação no final do pipeline. Experimentos com esse método mostraram que algoritmos de segmentação distintos podem ser adequados para a identificação de espécies de classes distintas. Portanto, na segunda parte do trabalho propomos um método de classificação que leva em consideração múltiplas segmentações. Especificamente, múltiplas segmentações são calculadas e classificadores são treinados individualmente para cada segmentação, os quais são então combinados para construir o classificador final. Resultados experimentais mostram que a acurácia obtida com a combinação de classificadores é superior em mais de 2% à acurácia obtida com classificadores usando uma segmentação fixa. Os métodos propostos podem ser úteis para a construção de sistemas de identificação de plâncton que sejam capazes de se ajustar rapidamente às mudanças nas características das imagens. / Plankton are microscopic organisms that constitute the basis of the food chain of aquatic ecosystems. They have an important role in the carbon cycle as they are responsible for the absorption of carbon in the ocean surfaces. Detecting, estimating and monitoring the distribution of plankton species are important activities for understanding the role of plankton and the consequences of changes in their environment. Part of these type of studies is based on the analysis of water volumes by means of imaging techniques. Due to the large quantity of generated images, computational methods for helping the process of image analysis are in demand. In this work we address the problem of species identification. We follow the conventional pipeline consisting of target detection, segmentation (contour delineation), feature extraction, and classification steps. In the first part of this work we address the problem of choosing an appropriate segmentation algorithm. Since evaluating segmentation results is a subjective and time consuming task, we propose a method to evaluate segmentation algorithms by evaluating the classification results at the end of the pipeline. Experiments with this method showed that distinct segmentation algorithms might be appropriate for identifying species of distinct classes. Therefore, in the second part of this work we propose a classification method that takes into consideration multiple segmentations. Specifically, multiple segmentations are computed and classifiers are trained individually for each segmentation, which are then combined to build the final classifier. Experimental results show that the accuracy obtained with the combined classifier is superior in more than 2% to the accuracy obtained with classifiers using a fixed segmentation. The proposed methods can be useful to build plankton identification systems that are able to quickly adjust to changes in the characteristics of the images.

Bases de imagens armazenadas em sistemas computacionais da área médica correspondem a uma valiosa fonte de conhecimento. Assim, a mineração de imagens pode ser aplicada para extrair conhecimento destas bases com o propósito de apoiar o diagnóstico auxiliado por computador (Computer Aided Diagnosis - CAD). Sistemas CAD apoiados por mineração de imagens tipicamente realizam a extração de características visuais relevantes das imagens. Essas características são organizadas na forma de vetores de características que representam as imagens e são utilizados como entrada para classificadores. Devido ao problema conhecido como lacuna semântica, que corresponde à diferença entre a percepção da imagem pelo especialista médico e suas características automaticamente extraídas, um aspecto desafiador do CAD é a obtenção de um conjunto de características que seja capaz de representar de maneira sucinta e eficiente o conteúdo visual de imagens médicas. Foi desenvolvido neste trabalho o extrator de características FFS (Fast Fractal Stack) que realiza a extração de características de forma, que é um atributo visual que aproxima a semântica esperada pelo ser humano. Adicionalmente, foi desenvolvido o algoritmo de classificação Concept, que emprega mineração de regras de associação para predizer a classe de uma imagem. O aspecto inovador do Concept refere-se ao algoritmo de obtenção de representações de imagens, denominado MFS-Map (Multi Feature Space Map) e também desenvolvido neste trabalho. O MFS-Map realiza agrupamento de dados em diferentes espaços de características para melhor aproveitar as características extraídas no processo de classificação. Os experimentos realizados para imagens de tomografia pulmonar e mamografias indicam que tanto o FFS como a abordagem de representação adotada pelo Concept podem contribuir para o aprimoramento de sistemas CAD / Medical image databases represent a valuable source of data from which potential knowledge can be extracted. Image mining can be applied to knowledge discover from these data in order to help CAD (Computer Aided Diagnosis) systems. The typical set-up of a CAD system consists in the extraction of relevant visual features in the form of image feature vectors that are used as input to a classifier. Due to the semantic gap problem, which corresponds to the difference between the humans image perception and the features automatically extracted from the image, a challenging aspect of CAD is to obtain a set of features that is able to succinctly and efficiently represent the visual contents of medical images. To deal with this problem it was developed in this work a new feature extraction method entitled Fast Fractal Stack (FFS). FFS extracts shape features from objects and structures, which is a visual attribute that approximates the semantics expected by humans. Additionally, it was developed the Concept classification method, which employs association rules mining to the task of image class prediction. The innovative aspect of Concept refers to its image representation algorithm termed MFS-Map (Multi Feature Space Map). MFS-Map employs clustering in different feature spaces to maximize features usefulness in the classification process. Experiments performed employing computed tomography and mammography images indicate that both FFS and Concept methods for image representation can contribute to the improvement of CAD systems

As plantações de eucaliptos representam grande potencial econômico para a indústria de papel, celulose, entre outras, além de apresentar uma série de características positivas como alta produtividade, grande potencial de adaptação e ampla diversidade de espécies. Em consequência a tais vantagens, há décadas diversas pesquisas vem sendo realizadas com o intuito de monitorar e detectar diversas doenças que aferem este tipo de cultura. O monitoramento rápido das doenças em eucaliptos torna-se um requisito para evitar grandes perdas econômicas. Neste projeto de pesquisa utilizou-se imagens aéreas obtidas por VANTs (Veículos Aéreos Não-Tripulados) para detectar um tipo específico de estresse que afeta as plantações de eucaliptos: a Murcha de Ceratocyst is. Após rotular eucaliptos doentes e saudáveis e outras estruturas em imagens aéreas, técnicas de Aprendizado de Máquina Supervisionado foram desenvolvidas para generalizar o conhecimento e possibilitar uma rápida detecção através das imagens RGB e multiespectrais. Dentre as técnicas utilizadas, destacou-se a arquitetura de Redes Neurais Convolucional chamada de Custom- CNN, inspirada no modelo da tradicional arquitetura Lenet -5 agregando-se melhorias do estado-da-arte, como a camada convolucional 1x1. Na classificação do conjunto RGB, a Custom-CNN obteve o maior F-score, de 0,81, sendo que a técnica SVM-rbf obteve 0,67. No conjunto de dados com imagens multiespectrais, a Lenet -5 e a Custom-CNN at ingiram, respectivamente, 0,63 e 0,66 de F-score, enquanto o SVM-rbf obteve 0,46. Esta dissertação apresenta a metodologia utilizada para a classificação, elencando as principais características dos algoritmos utilizados, bem como os resultados experimentais obtidos. Há ainda uma aplicação do classificador Regressão Logística para o planejamento de trajetória com VANTs. / Eucalypt us plantations represent great economic potential for t he paper, pulp, among others, in addition to presenting a number of positive characteristics such as high productivity, great potential for adaptaion and wide diversity of species. In consequence of t hese advantages, there are several decades research has been conducted in order to monitor and detect various diseases that affect s this type of culture. The rapid monitoring of diseases in eucalyptus becomes a requirement to avoid major economic losses. In t his research project we used aerial images obtained by UAVs (Unmanned Aerial Vehicles) to detect an specific type of stress t hat a effect s eucalyptus plantations: the Ceratocyst is wilt . After labeling diseased eucalyptus, healthy eucalyptus and other structures in aerial images, Supervised Machine Learning techniques were developed to generalize knowledge and enable rapid detection through RGB and multispectral images. Among the techniques used, stood out t he Convolutional Neural Network architecture called Custom-CNN, that was inspired by the model of t raditional Lenet -5 architecture and with state-of-the-art improvements, such as t he 1x1 convolution layer. In t he classification of RGB dataset , the Custom-CNN obtained the highest F-score of 0.81, and SVM-RBF technique obtained 0.67. In t he dataset with multispectral images, Lenet -5 and Custom-CNN obtained, respectively, 0.63 and 0.66 of F-score, while SVM-rbf obtained 0.46. This paper presents the methodology used for classification, listing the main features of the algorithms and the experimental results. There is also an application of Logistic Regression classifier for path planning with UAVs.

Made available in DSpace on 2015-03-05T13:53:43Z (GMT). No. of bitstreams: 0 Previous issue date: 24 / Nenhuma / A recuperação e classificação de imagens é um tema bastante pesquisado atualmente. Além dos desafios encontrados no campo teórico e prático para permitir que máquinas possuam a capacidade de visão, sua pesquisa resulta em várias aplicações práticas para o dia-a-dia. A visão computação, grande área na qual está inserida a recuperação e classificação de imagens, possui aplicações e práticas dentre as quais podemos citar softwares capazes de recuperarem imagens em bases de dados de imagens, reconhecimento de pessoas por características de biometria(impressões digitais, reconhecimento por íris ou face), localização e quantificação de logomarcas na mídia, localização de objetos numa cena e mecanismos de visão para a robótica. A pesquisa desenvolvida nesta dissertação foca-se em obter uma generalização através do aprendizado das características de uma coleção de imagens pertencentes a uma mesma classe as quais servirão como exemplo de aprendizagem, com isto obtendo um modelo que identifique esta classe. Para tan / Image retrieval and classification are today the subject of extensive research. This topic poses both theoretical and practical challenges as researchers attempt to give machines such as computers and robots the ability to “see”. Image retrieval and classification are part of a wider field known as Computer Vision, which encompasses several practical applications such as image retrieval from databases storing only raw images, biometric recognition (from images of finger-prints, face or iris), retrieval of visual trademarks and logos from advertisements, location of objects in a scene and vision techniques in robotics. The research developed in this work is focused on obtaining a generalization of characteristics extracted from a collection of images belonging to a single class using supervised learning techniques. The result is a model that “identifies” a given class of images. To achieve this, a review of the state-of-the-art in content-based image retrieval systems and Machine Learning techniques was neede

Submitted by Angela Maria de Oliveira (amolivei@uepg.br) on 2019-02-28T17:58:29Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Renan Rosa.pdf: 4067327 bytes, checksum: eb0bd9e84fbd89a24b4a397c9655fa62 (MD5) / Made available in DSpace on 2019-02-28T17:58:29Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Renan Rosa.pdf: 4067327 bytes, checksum: eb0bd9e84fbd89a24b4a397c9655fa62 (MD5) Previous issue date: 2018-11-19 / As pragas em lavouras causam prejuízos econômicos na agricultura, reduzindo a produção e consequentemente os lucros. O manejo de pragas é essencial, para reduzir estes prejuízos, e consiste na identificação e posterior controle desse tipo de ameaça. O controle é fundamentalmente dependente da identificação, pois é a partir dela que o manejo é feito. A identificação é feita visualmente, baseando-se nas características da praga. Essas características são inerentes e diferem de espécie para espécie. Devido à dificuldade da identificação, esse processo é realizado principalmente por profissionais especializados na área, o que acarreta na concentração do conhecimento. Esta dissertação apresenta uma metodologia para classificação de pragas por meio de técnicas de computação, onde um sistema computacional do tipo clienteservidor foi criado a fim de prover a classificação de pragas por meio de serviço, que é realizado pelo uso de rede neural convolucional baseada na arquitetura Inception V3. As pragas Anticarsia Gemmatalis, Helicoverpa armigera e Spodoptera Cosmioides, foram escolhidas para classificação por serem bastante comuns no estado do Paraná. A rede neural convolucional obteve índice de acerto de 92,5%. / Pests on crops cause economic damage to agriculture, reducing production and consequently profits. Pest management is essential to reduce these losses, and consists in the identification and subsequent control of this type of threat. Control is fundamentally dependent on identification, because management is done from it. The identification is made visually, based on the characteristics of the pest. These characteristics are inherent and differ from species to species. Due to the difficulty of identification, this process is carried out mainly by professionals specialized in the area, which entails the concentration of knowledge. This dissertation presents a methodology for pest classification by means of computational techniques, in which a client-server computational system was created in order to provide pest classification by means of a service, which is performed by the use of convolutional neural network based in the Inception V3 architecture. The pests Anticarsia Gemmatalis, Helicoverpa armigera and Spodoptera Cosmioides, were chosen for classification because they are quite common in the state of Paraná. The convolutional neural network obtained a success rate of 92.5%.