A taxonomia vegetal atualmente exige um grande esforço dos botânicos, desde o processo de aquisição do espécime até a morosa comparação com as amostras já catalogadas em um herbário. Nesse contexto, o projeto TreeVis surge como uma ferramenta para a identificação de vegetais por meio da análise de atributos foliares. Este trabalho é uma ramificação do projeto TreeVis e tem o objetivo de identificar vegetais por meio da análise do corte transversal de uma folha ampliado por um microscópio. Para tanto, foram extraídas assinaturas da cutícula, epiderme superior, parênquima paliçádico e parênquima lacunoso. Cada assinatura foi avaliada isoladamente por uma rede neural pelo método leave-one-out para verificar a sua capacidade de discriminar as amostras. Uma vez selecionados os vetores de características mais importantes, os mesmos foram combinados de duas maneiras. A primeira abordagem foi a simples concatenação dos vetores selecionados; a segunda, mais elaborada, reduziu a dimensionalidade (três atributos apenas) de algumas das assinaturas componentes antes de fazer a concatenação. Os vetores finais obtidos pelas duas abordagens foram testados com rede neural via leave-one-out para medir a taxa de acertos alcançada pelo sinergismo das assinaturas das diferentes partes da folha. Os experimentos consitiram na identificação de oito espécies diferentes e na identificação da espécie Gochnatia polymorpha nos ambientes Cerrado e Mata Ciliar, nas estações Chuvosa e Seca, e sob condições de Sol e Sombra / Currently, taxonomy demands a great effort from the botanists, ranging from the process of acquisition of the sample to the comparison with the species already classified in the herbarium. For this reason, the TreeVis is a project created to identify vegetal species using leaf attributes. This work is a part of the TreeVis project and aims at identifying vegetal species by analysing cross-sections of leaves amplified by a microscope. Signatures were extract from cuticle, adaxial epiderm, palisade parenchyma and sponge parenchyma. Each signature was analysed by a neural network with the leave-one-out method to verify its ability to identify species. Once the most important feature vectors were selected, two different approachs were adopted. The first was a simple concatenation of the selected feature vectors. The second, and more elaborated approach, consisted of reducing the dimensionality (three attributes only) of some component signatures before the feature vector concatenation. The final vectors obtained by these two approaches were tested by a neural network with leave-one-out to measure the correctness rate reached by the synergism of the signatures of different leaf regions. The experiments resulted in the identification of eight different species and the identification of the Gochnatia polymorpha species in Cerradão and Gallery Forest environments, Wet and Dry seasons, and under Sun and Shadow constraints

O objetivo principal desta tese consiste no desenvolvimento de ferramentas matemáticas e computacionais dedicadas a um sistema de diagnóstico de barras quebradas no rotor de Motores de Indução Trifásicos. O sistema proposto é baseado em um método matemático de decomposição de sinais elétricos, denominado de Decomposição em Componentes Ortogonais, e ferramentas de aprendizagem de máquinas. Como uma das principais contribuições desta pesquisa, realizou-se um aprofundamento do entendimento da técnica de Decomposição em Componentes Ortogonais e de sua aplicabilidade como ferramenta de processamento de sinais para sistemas elétricos e eletromecânicos. Redes Neurais Artificiais e Support Vector Machines, tanto para classificação multi-classes quanto para detecção de novidades, foram configurados para receber índices advindos do processamento de sinais elétricos de motores, e a partir deles, identificar os padrões normais e os padrões com falhas. Além disso, a severidade da falha também é diagnosticada, a qual é representada pelo número de barras quebradas no rotor. Para a avaliação da metodologia, considerou-se o acionamento de motores de indução pela tensão de alimentação da rede e por inversores de frequência, operando sob diversas condições de torque de carga. Os resultados alcançados demonstram a eficácia das ferramentas matemáticas e computacionais desenvolvidas para o sistema de diagnóstico, sendo que os índices criados se mostraram altamente correlacionados com o fenômeno da falha. Mais especificamente, foi possível criar índices monotônicos com a severidade da falha e com baixa variabilidade, demonstrando-se que as ferramentas são eficientes extratores de características. / This doctoral thesis consists of the development of mathematical and computational tools dedicated to a diagnostic system for broken rotor bars in Three Phase Induction Motors. The proposed system is based on a mathematical method for decomposing electrical signals, named the Orthogonal Components Decomposition, and machine learning tools. As one of the main contributions of this research, an in-depth investigation of the decomposition technique and its applicability as a signal processing tool for electrical and electromechanical systems was carried-out. Artificial Neural Networks and Support Vector Machines for multi-class classification and novelty detection were configured to receive indices derived from the processing of electrical signals and then identify normal motors and faulty motors. In addition, the fault severity is also diagnosed, which is represented by the number of broken rotor bars. Experimental data was tested in order to evaluate the proposed method. Signals were obtained from induction motors operating with different torque levels and driven either directly by the grid or by frequency inverters. The results demonstrate the effectiveness of the mathematical and computational tools developed for the diagnostic system since the indices created are highly correlated with the fault phenomenon. More specifically, it was possible to create monotonic indices with the fault severity and with low variability, what supports that the solution is an efficient fault-specific feature extractor.

Diversas pesquisas focam no estudo e conservação das abelhas, em grande parte por sua importância para a agricultura. Entretanto, a identicação de espécies de abelhas vem sendo um impedimento para a condução de novas pesquisas, já que demanda tempo e um conhecimento muito especializado. Apesar de existirem diversos métodos para realizar esta tarefa, muitos deles são excessivamente custosos, restringindo sua aplicabilidade. Por serem facilmente acessíveis, as asas das abelhas vêm sendo amplamente utilizadas para a extração de características, já que é possível aplicar técnicas morfométricas utilizando apenas uma foto da asa. Como a medição manual de diversas características é tediosa e propensa a erros, sistemas foram desenvolvidos com este propósito. Entretanto, os sistemas ainda possuem limitações e não há um estudo voltado às técnicas de classificação que podem ser utilizadas para este m. Esta pesquisa visa avaliar as técnicas de extração de características e classificação de modo a determinar o conjunto de técnicas mais apropriado para a discriminação de espécies de abelhas. Nesta pesquisa foi demonstrado que o uso de uma conjunção de características morfométricas e fotométricas obtêm melhores resultados que o uso de somente características morfométricas. Também foram analisados os melhores algoritmos de classificação tanto usando somente características morfométricas, quanto usando uma conjunção de características morfométricas e fotométricas, os quais são, respectivamente, o Naïve Bayes e o classificador Logístico. Os Resultados desta pesquisa podem guiar o desenvolvimento de novos sistemas para identificação de espécies de abelha, objetivando auxiliar pesquisas conduzidas por biólogos. / Several researches focus on the study and conservation of bees, largely because of its importance for agriculture. However, the identification of bee species has hampering new studies, since it demands a very specialized knowledge and is time demanding. Although there are several methods to accomplish this task, many of them are excessively costly, restricting its applicability. For being accessible, the bee wings have been widely used for the extraction of features, since it is possible to apply morphometric techniques using just one image of the wing. As the manual measurement of various features is tedious and error prone, some systems have been developed for this purpose. However, these systems also have limitations, and there is no study concerning classification techniques that can be used for this purpose. This research aims to evaluate the feature extraction and classification techniques in order to determine the combination of more appropriate techniques for discriminating species of bees. The results of our research indicate that the use of a conjunction of Morphometric and Pixel-based features is more effective than only using Morphometric features. OuranalysisalsoconcludedthatthebestclassicationalgorithmsusingbothonlyMorphometric features and a conjunction of Morphometric and Pixel-based features are, respectively, Naïve Bayes and Logistic classier. The results of this research can guide the development of new systems to identify bee species in order to assist in researches conducted by biologists.

Diversas pesquisas focam no estudo e conservação das abelhas, em grande parte por sua importância para a agricultura. Entretanto, a identicação de espécies de abelhas vem sendo um impedimento para a condução de novas pesquisas, já que demanda tempo e um conhecimento muito especializado. Apesar de existirem diversos métodos para realizar esta tarefa, muitos deles são excessivamente custosos, restringindo sua aplicabilidade. Por serem facilmente acessíveis, as asas das abelhas vêm sendo amplamente utilizadas para a extração de características, já que é possível aplicar técnicas morfométricas utilizando apenas uma foto da asa. Como a medição manual de diversas características é tediosa e propensa a erros, sistemas foram desenvolvidos com este propósito. Entretanto, os sistemas ainda possuem limitações e não há um estudo voltado às técnicas de classificação que podem ser utilizadas para este m. Esta pesquisa visa avaliar as técnicas de extração de características e classificação de modo a determinar o conjunto de técnicas mais apropriado para a discriminação de espécies de abelhas. Nesta pesquisa foi demonstrado que o uso de uma conjunção de características morfométricas e fotométricas obtêm melhores resultados que o uso de somente características morfométricas. Também foram analisados os melhores algoritmos de classificação tanto usando somente características morfométricas, quanto usando uma conjunção de características morfométricas e fotométricas, os quais são, respectivamente, o Naïve Bayes e o classificador Logístico. Os Resultados desta pesquisa podem guiar o desenvolvimento de novos sistemas para identificação de espécies de abelha, objetivando auxiliar pesquisas conduzidas por biólogos. / Several researches focus on the study and conservation of bees, largely because of its importance for agriculture. However, the identification of bee species has hampering new studies, since it demands a very specialized knowledge and is time demanding. Although there are several methods to accomplish this task, many of them are excessively costly, restricting its applicability. For being accessible, the bee wings have been widely used for the extraction of features, since it is possible to apply morphometric techniques using just one image of the wing. As the manual measurement of various features is tedious and error prone, some systems have been developed for this purpose. However, these systems also have limitations, and there is no study concerning classification techniques that can be used for this purpose. This research aims to evaluate the feature extraction and classification techniques in order to determine the combination of more appropriate techniques for discriminating species of bees. The results of our research indicate that the use of a conjunction of Morphometric and Pixel-based features is more effective than only using Morphometric features. OuranalysisalsoconcludedthatthebestclassicationalgorithmsusingbothonlyMorphometric features and a conjunction of Morphometric and Pixel-based features are, respectively, Naïve Bayes and Logistic classier. The results of this research can guide the development of new systems to identify bee species in order to assist in researches conducted by biologists.

Esta tese propõe uma metodologia de detecção de anomalias por meio da otimização da extração, seleção e classificação de características relacionadas ao tráfego de redes Real Time Ethernet (RTE). Em resumo, dois classificadores são treinados usando características que são extraídas do tráfego por meio da técnica de janela deslizante e posteriormente selecionadas de acordo com sua correlação com o evento a ser classificado. O número de características relevantes pode variar de acordo com os indicadores de desempenho de cada classificador. Reduzindo a dimensionalidade do evento a ser classificado com o menor número de características possíveis que o represente, são garantidos a redução do esforço computacional, ganho de tempo, dentre outros benefícios. Posteriormente, os classificadores são comparados em função dos indicadores de desempenho: acurácia, taxa de falsos positivos, taxa de falsos negativos, tempo de processamento e erro relativo. A metodologia proposta foi utilizada para identificar quatro diferentes eventos (três anomalias e o estado normal de operação) em redes PROFINET reais e com configurações distintas entre si; também foi aplicada em três eventos (duas anomalias e o estado normal de operação) em redes SERCOS III. O desempenho de cada classificador é analisado em suas particularidades e comparados com pesquisas correlatas. Por fim, é explorada a possibilidade de aplicação da metodologia proposta para outros protocolos baseados em RTE. / This thesis proposes an anomaly detection methodology by optimizing extraction, selection and classification of characteristics related to Real Time Ethernet (RTE) network traffic. In summary, two classifiers are trained using features which are extracted from network traffic through the sliding window technique and selected according to their correlation with the event being classified. The number of relevant characteristics could vary according to performance indicators of each classifier. Reducing the dimensionality of the event to be classified using the smallest number of characteristics which represent it, guarantees reduction in computational effort, processing time, among other benefits. The classifiers are compared according to performance indicators: accuracy, false positive rate, false negative rate, processing time and relative error. The proposed methodology was used to identify four different events (three anomalies and normal operation) in real PROFINET networks, using different configurations. It was also applied in 3 events (two anomalies and normal operation) in SERCOS III networks. The results obtained are analyzed in its particularities and compared with related research. Finally, the possibility of applying the proposed methodology for other protocols based on RTE is explored.

Submitted by Marlene Santos (marlene.bc.ufg@gmail.com) on 2018-11-05T18:46:12Z No. of bitstreams: 2 Dissertação - Dyego Oliveira Almeida - 2018.pdf: 32110237 bytes, checksum: 4d30b2227be666802bbb2e5437450fc2 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2018-11-06T10:03:22Z (GMT) No. of bitstreams: 2 Dissertação - Dyego Oliveira Almeida - 2018.pdf: 32110237 bytes, checksum: 4d30b2227be666802bbb2e5437450fc2 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-11-06T10:03:22Z (GMT). No. of bitstreams: 2 Dissertação - Dyego Oliveira Almeida - 2018.pdf: 32110237 bytes, checksum: 4d30b2227be666802bbb2e5437450fc2 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2018-10-03 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / The urban growth of the population and the deforestation of greenareas are one of the most critical problems currently in Brazil. Due to mobilization of rural people to the urban, high solar irradiation and the deforestation, the Government is creating sustainable actions sustainable in order to enlarge the green areas and permeable. In this perspective, to promote this mapping effectively in large areas necessary to the use of technologies of recognition of facial features. Low-resolution satellite imagery have low cost and great coverage area coverage, and therefore apply them in identifying features is advantageous over other types of images. However, to accomplish this identification is computationally complex due to the different features present in images of this type. This work proposes an effective method of digital processing of low resolution images in the identification of features, in particular the pertinent green aáreas with average accuracy of 80.5% and detection of buildings with an average accuracy of 63%. / O crescimento urbano da população e o desmatamento de áreas verdes são um dos problemas mais críticos atualmente no Brasil. Devido a mobilização da população rural para o âmbito urbano, elevação da irradiação solar e o desmatamento, o governo está criando ações sustentáveis a fim de ampliar as áreas verdes e permeáveis. Nesta perspectiva, para promover esse mapeamento de forma eficaz em grandes áreas se faz necessário o uso de tecnologias de reconhecimento de feições. Imagens de satélite de baixa resolução possuem baixo custo e grande abrangência de área, e portanto aplicá-las na identificação de feições é vantajoso em relação a outros tipos de imagens. No entanto, realizar essa identificação é computacionalmente complexo devido as diferentes características existentes em imagens desse tipo. Este trabalho propõe um método eficaz de processamento digital de imagens de baixa resolução na identificação de feições, em particular as pertinentes a áreas verdes com acurácia média de 80,5% e detecção de edificações com precisão média de 63%.

Reconhecimento de padrões em imagens é uma área de grande interesse no mundo científico. Os chamados métodos de extração de características, possuem as habilidades de extrair características das imagens e também de reduzir a dimensionalidade dos dados gerando assim o chamado vetor de características. Considerando uma imagem de consulta, o foco de um sistema de reconhecimento de imagens de faces humanas é pesquisar em um banco de imagens, a imagem mais similar à imagem de consulta, de acordo com um critério dado. Este trabalho de pesquisa foi direcionado para a geração de vetores de características para um sistema de reconhecimento de imagens, considerando bancos de imagens de faces humanas, para propiciar tal tipo de consulta. Um vetor de características é uma representação numérica de uma imagem ou parte dela, descrevendo seus detalhes mais representativos. O vetor de características é um vetor n-dimensional contendo esses valores. Essa nova representação da imagem propicia vantagens ao processo de reconhecimento de imagens, pela redução da dimensionalidade dos dados. Uma abordagem alternativa para caracterizar imagens para um sistema de reconhecimento de imagens de faces humanas é a transformação do domínio. A principal vantagem de uma transformação é a sua efetiva caracterização das propriedades locais da imagem. As wavelets diferenciam-se das tradicionais técnicas de Fourier pela forma de localizar a informação no plano tempo-freqüência; basicamente, têm a capacidade de mudar de uma resolução para outra, o que as fazem especialmente adequadas para análise, representando o sinal em diferentes bandas de freqüências, cada uma com resoluções distintas correspondentes a cada escala. As wavelets foram aplicadas com sucesso na compressão, melhoria, análise, classificação, caracterização e recuperação de imagens. Uma das áreas beneficiadas onde essas propriedades tem encontrado grande relevância é a área de visão computacional, através da representação e descrição de imagens. Este trabalho descreve uma abordagem para o reconhecimento de imagens de faces humanas com a extração de características baseado na decomposição multiresolução de wavelets utilizando os filtros de Haar, Daubechies, Biorthogonal, Reverse Biorthogonal, Symlet, e Coiflet. Foram testadas em conjunto as técnicas PCA (Principal Component Analysis) e IMPCA (Image Principal Component Analysis), sendo que os melhores resultados foram obtidos utilizando a wavelet Biorthogonal com a técnica IMPCA / Image pattern recognition is an interesting area in the scientific world. The features extraction method refers to the ability to extract features from images, reduce the dimensionality and generates the features vector. Given a query image, the goal of a features extraction system is to search the database and return the most similar to the query image according to a given criteria. Our research addresses the generation of features vectors of a recognition image system for human faces databases. A feature vector is a numeric representation of an image or part of it over its representative aspects. The feature vector is a n-dimensional vector organizing such values. This new image representation can be stored into a database and allow a fast image retrieval. An alternative for image characterization for a human face recognition system is the domain transform. The principal advantage of a transform is its effective characterization for their local image properties. In the past few years researches in applied mathematics and signal processing have developed practical wavelet methods for the multi scale representation and analysis of signals. These new tools differ from the traditional Fourier techniques by the way in which they localize the information in the time-frequency plane; in particular, they are capable of trading on type of resolution for the other, which makes them especially suitable for the analysis of non-stationary signals. The wavelet transform is a set basis function that represents signals in different frequency bands, each one with a resolution matching its scale. They have been successfully applied to image compression, enhancement, analysis, classification, characterization and retrieval. One privileged area of application where these properties have been found to be relevant is computer vision, especially human faces imaging. In this work we describe an approach to image recognition for human face databases focused on feature extraction based on multiresolution wavelets decomposition, taking advantage of Biorthogonal, Reverse Biorthogonal, Symlet, Coiflet, Daubechies and Haar. They were tried in joint the techniques together the PCA (Principal Component Analysis) and IMPCA (Image Principal Component Analysis)

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / The handwritten signature is a form of personal identification widely accepted, both socially and legally, used for centuries to authenticate documents such as bank checks, letters, contracts and any type of service that requires proof of authorship. When signing, an individual inserts a large amount of information to transform the movement of his hand into an identifying element. Writing speed, trajectory traversed, pen inclination, applied pressure, all these data are articulated (in the form of latent variables) to result in a static figure in the signed document. This dissertation investigates the problem of trajectory extraction of the pen that generates this signature from the resulting static image. For this, the work was divided in three main steps that are: (i) compute the skeleton of the offline signature; (ii) extract its characteristics using a concept addressed in this work called UCSS, and, with the help of previously recorded online signatures, (iii) estimate the path that the pen traveled over the skeleton. In each of these steps, a review of relevant work on the themes was done prior to begin implementation. Three experiments were carried out during this work, the first one was done with the objective of comparing the results obtained with the developed algorithm and the results obtained in a reference work, the other two were realized during the production of an article destined to the publication attached to this job. / A assinatura manuscrita é uma forma de identificação pessoal amplamente aceita, tanto social como juridicamente, utilizada há séculos para autenticar documentos como cheques bancários, cartas, contratos e todo tipo de serviço que necessite prova de autoria. Ao assinar, um indivíduo insere uma grande quantidade de informação para transformar o movimento de sua mão em um elemento identificador. Velocidade de escrita, trajetória percorrida, inclinação da caneta, pressão aplicada, todos esses dados são articulados (na forma de variáveis latentes) para resultar em uma figura estática no documento assinado. Essa dissertação investiga o problema de extração de trajetória da caneta que gera essa assinatura a partir da imagem estática resultante. Para isso, o trabalho foi divido em três passos principais que são: (i) computar o esqueleto da assinatura offline; (ii) extrair suas características utilizando um conceito abordado neste trabalho chamado UCSS, e, com o auxílio de assinaturas online registradas previamente; (iii) estimar o caminho que a caneta percorreu sobre o esqueleto. Em cada um desses passos, foi feita uma revisão de trabalhos relevantes sobre os temas para só então iniciar as implementações. Foram realizados três experimentos durante este trabalho, o primeiro foi feito com o objetivo de comparar os resultados obtidos com o algoritmo desenvolvido e os resultados obtidos em um trabalho de referência, os outros dois foram realizados durante a produção de um artigo destinado a publicação anexado a este trabalho.

A recuperação de imagens baseada em conteúdo (Content-based Image Retrieval - CBIR) embasa-se sobre dois aspectos primordiais, um extrator de características o qual deve prover as características intrínsecas mais significativas dos dados e uma função de distância a qual quantifica a similaridade entre tais dados. O grande desafio é justamente como alcançar a melhor integração entre estes dois aspectos chaves com intuito de obter maior precisão nas consultas por similaridade. Apesar de inúmeros esforços serem continuamente despendidos para o desenvolvimento de novas técnicas de extração de características, muito pouca atenção tem sido direcionada à importância de uma adequada associação entre a função de distância e os extratores de características. A presente Dissertação de Mestrado foi concebida com o intuito de preencher esta lacuna. Para tal, foi realizada a análise do comportamento de diferentes funções de distância com relação a tipos distintos de vetores de características. Os três principais tipos de características intrínsecas às imagens foram analisados, com respeito a distribuição de cores, textura e forma. Além disso, foram propostas duas novas técnicas para realização de seleção de características com o desígnio de obter melhorias em relação à precisão das consultas por similaridade. A primeira técnica emprega regras de associação estatísticas e alcançou um ganho de até 38% na precisão, enquanto que a segunda técnica utilizando a entropia de Shannon alcançou um ganho de aproximadamente 71% ao mesmo tempo em que reduz significantemente a dimensionalidade dos vetores de características. O presente trabalho também demonstra que uma adequada utilização das funções de distância melhora efetivamente os resultados das consultas por similaridade. Conseqüentemente, desdobra novos caminhos para realçar a concepção de sistemas CBIR / The retrieval of images by visual content relies on a feature extractor to provide the most meaningful intrinsic characteristics (features) from the data, and a distance function to quantify the similarity between them. A challenge in this field supporting content-based image retrieval (CBIR) to answer similarity queries is how to best integrate these two key aspects. There are plenty of researching on algorithms for feature extraction of images. However, little attention have been paid to the importance of the use of a well-suited distance function associated to a feature extractor. This Master Dissertation was conceived to fill in this gap. Therefore, herein it was investigated the behavior of different distance functions regarding distinct feature vector types. The three main types of image features were evaluated, regarding color distribution, texture and shape. It was also proposed two new techniques to perform feature selection over the feature vectors, in order to improve the precision when answering similarity queries. The first technique employed statistical association rules and achieve up to 38% gain in precision, while the second one employing the Shannon entropy achieved 71%, while siginificantly reducing the size of the feature vector. This work also showed that the proper use of a distance function effectively improves the similarity query results. Therefore, it opens new ways to enhance the acceptance of CBIR systems

A taxonomia vegetal atualmente exige um grande esforço dos botânicos, desde o processo de aquisição do espécime até a morosa comparação com as amostras já catalogadas em um herbário. Nesse contexto, o projeto TreeVis surge como uma ferramenta para a identificação de vegetais por meio da análise de atributos foliares. Este trabalho é uma ramificação do projeto TreeVis e tem o objetivo de identificar vegetais por meio da análise do corte transversal de uma folha ampliado por um microscópio. Para tanto, foram extraídas assinaturas da cutícula, epiderme superior, parênquima paliçádico e parênquima lacunoso. Cada assinatura foi avaliada isoladamente por uma rede neural pelo método leave-one-out para verificar a sua capacidade de discriminar as amostras. Uma vez selecionados os vetores de características mais importantes, os mesmos foram combinados de duas maneiras. A primeira abordagem foi a simples concatenação dos vetores selecionados; a segunda, mais elaborada, reduziu a dimensionalidade (três atributos apenas) de algumas das assinaturas componentes antes de fazer a concatenação. Os vetores finais obtidos pelas duas abordagens foram testados com rede neural via leave-one-out para medir a taxa de acertos alcançada pelo sinergismo das assinaturas das diferentes partes da folha. Os experimentos consitiram na identificação de oito espécies diferentes e na identificação da espécie Gochnatia polymorpha nos ambientes Cerrado e Mata Ciliar, nas estações Chuvosa e Seca, e sob condições de Sol e Sombra / Currently, taxonomy demands a great effort from the botanists, ranging from the process of acquisition of the sample to the comparison with the species already classified in the herbarium. For this reason, the TreeVis is a project created to identify vegetal species using leaf attributes. This work is a part of the TreeVis project and aims at identifying vegetal species by analysing cross-sections of leaves amplified by a microscope. Signatures were extract from cuticle, adaxial epiderm, palisade parenchyma and sponge parenchyma. Each signature was analysed by a neural network with the leave-one-out method to verify its ability to identify species. Once the most important feature vectors were selected, two different approachs were adopted. The first was a simple concatenation of the selected feature vectors. The second, and more elaborated approach, consisted of reducing the dimensionality (three attributes only) of some component signatures before the feature vector concatenation. The final vectors obtained by these two approaches were tested by a neural network with leave-one-out to measure the correctness rate reached by the synergism of the signatures of different leaf regions. The experiments resulted in the identification of eight different species and the identification of the Gochnatia polymorpha species in Cerradão and Gallery Forest environments, Wet and Dry seasons, and under Sun and Shadow constraints