Return to search

Identificação de plantas daninhas em cana-de-açúcar por meio de processamento de imagens / Identification of weeds in sugarcane through image processing

Orientadores: Bárbara Janet Teruel Mederos, Neucimar Jerônimo Leite / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola / Made available in DSpace on 2018-08-27T18:36:30Z (GMT). No. of bitstreams: 1
Santiago_WesleyEsdrar_D.pdf: 3166190 bytes, checksum: 2b92c9e10c657873f3a49bbd80582db3 (MD5)
Previous issue date: 2015 / Resumo: O aumento da produção sem causar danos ao meio ambiente é um dos maiores desafios da agricultura moderna. Na produção de cana-de-açúcar, isso se torna mais nítido quando se trata do manejo de plantas daninhas, uma vez que o uso de herbicidas configura-se como a técnica mais adotada. Plantas daninhas causam interferência na produção agrícola, provocando redução na qualidade do produto e na produtividade da lavoura. Portanto, a identificação da espécie infestante, bem como o nível de infestação torna-se de grande importância para que estratégias adequadas de manejo possam ser definidas. Este trabalho foi realizado visando desenvolver e avaliar o desempenho de um sistema de processamento de imagens RGB, para identificar plantas daninhas na cultura de cana-de-açúcar e estimar a área de solo coberta por elas, uma vez que a existência de uma ferramenta computacional para reconhecimento de espécies de plantas é de grande auxílio para a tomada de decisão acerca do manejo de comunidades infestantes. A abordagem adotada para identificar plantas daninhas e cultura, baseou-se na metodologia do dicionário de palavras. Nesta metodologia, pontos invariantes e característicos de várias imagens são usados para criar um dicionário de características, o dicionário é usado depois para averiguar quais palavras dele estão presentes nas imagens a serem processadas. A quantização do número de palavras do dicionário presentes na imagem foi realizada através de uma função densidade de probabilidade e o modelo matemático de classificação foi construído por meio de máquinas de vetores de suporte. Considerando as seguintes medidas de desempenho: exatidão global e coeficiente de Kappa, o sistema desenvolvido processou 435 imagens RGB, as quais foram obtidas de três cultivos experimentais contendo plantas de cana-de-açúcar, milho e seis espécies de plantas daninhas (Urochloa plantaginea, Urochloa decumbens, Panicum maximum, Euphorbia heterophylla, Ipomoea hederifolia e Ipomoea quamoclit). Os resultados obtidos demonstram que a metodologia possui alto poder para identificar e discriminar plantas daninhas e cultura, alcançando exatidão global e coeficiente Kappa de até 94% e 0,94, respectivamente. Estes resultados suportam a premissa de que um sistema de processamento de imagens é capaz de identificar plantas daninhas na cultura de cana-de-açúcar, estimar o nível de infestação e ainda servir como ferramenta para auxílio à tomada de decisão quanto ao manejo das espécies infestantes / Abstract: The increase in production without causing damage to the environment is one of the biggest challenges of modern agriculture. In the production of sugarcane, this becomes clearer when it comes to the weed management, since the use of herbicides to configure most widely adopted technique. Weeds cause interference in agricultural production, causing reduction in product quality and crop yields. Therefore, the identification of weed species and the level of infestation becomes very important so that appropriate management strategies can be defined. This study sought to develop and evaluate the performance of an image processing system to identify weeds in sugarcane and estimate their level of infestation, since the existence of a computer tool to recognize plants species should give a great support to decision-making about the management of weed communities. The approach taken to identify weeds and crop plants was based on the methodology of bag-of-words. On this methodology, invariant feature points and multiple images are used to create a dictionary of features, the dictionary is then used to ascertain what his words are present the images to be processed, the quantization of the number of words in the dictionary is present in the image made by a probability density function and the mathematical model of rank was made by support vector machine. Considering the performance measures: overall accuracy and Kappa coefficient, the developed system has processed 435 RGB images, what were obtained from three experimental cultives having plants of sugarcane, corn and six weed species (Urochloa plantaginea, Urochloa decumbens, Panicum maximum, Euphorbia heterophylla, Ipomoea hederifolia and Ipomoea quamoclit). The results show that the method has high power to identify and discriminate weed and crop, reaching overall accuracy and Kappa coefficient of up to 94% and 0.94, respectively. These results give support to premise that an image processing system is capable to identify weeds in sugarcane, estimate the infestation level and to be yet a tool for support the decision-making about the management from the weed species / Doutorado / Maquinas Agricolas / Doutor em Engenharia Agrícola

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.unicamp.br:REPOSIP/256736
Date27 August 2018
CreatorsSantiago, Wesley Esdrar, 1987-
ContributorsUNIVERSIDADE ESTADUAL DE CAMPINAS, Leite, Neucimar Jerônimo, 1961-, Teruel Mederos, Barbara Janet, 1966-, Mederos, Bárbara Janet Teruel, Pinto, Francisco de Assis Carvalho, Azania, Carlos Alberto Mathias, Marcassa, Luis Gustavo, Magalhães, Paulo Sergio Graziano
Publisher[s.n.], Universidade Estadual de Campinas. Faculdade de Engenharia Agrícola, Programa de Pós-Graduação em Engenharia Agrícola
Source SetsIBICT Brazilian ETDs
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Format82 p. : il., application/pdf
Sourcereponame:Repositório Institucional da Unicamp, instname:Universidade Estadual de Campinas, instacron:UNICAMP
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0025 seconds