Identificação de espécies de plantas utilizando autoencoder convolucional e aprendizagem não supervisionada

dc.contributorBritto Júnior, Alceu de Souza
dc.contributor57649375900
dc.contributorhttp://lattes.cnpq.br/4251936710939364
dc.contributorCampos Junior, Arion de
dc.contributor01435778910
dc.contributorhttp://lattes.cnpq.br/0829505317241223
dc.contributorMaldonado e Costa, Yandre
dc.contributor02024579906
dc.contributorhttp://lattes.cnpq.br/5111623148244343
dc.contributorUEPG
dc.contributorUEM
dc.creatorPresner, Diego Henrique
dc.date2022-08-17T14:09:00Z
dc.date2022-08-17
dc.date2022-08-17T14:09:00Z
dc.date2022-02-09
dc.date.accessioned2023-08-31T23:35:27Z
dc.date.available2023-08-31T23:35:27Z
dc.identifierPRESNER, Diego Henrique. Identificação de espécies de plantas utilizando autoencoder convolucional e aprendizagem não supervisionada. 2022. Dissertação (Mestrado em Computação Aplicada) - Universidade de Estadual de Ponta Grossa, Ponta Grossa, 2022.
dc.identifierhttp://tede2.uepg.br/jspui/handle/prefix/3691
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8568569
dc.descriptionPlants play a fundamental role in the existence of life on planet Earth, as they convert carbon dioxide (CO2) into oxygen (O2) and serve as food for most living beings, in addition to being used by various industrial segments. The importance of works in the research line of identification/classification of plant species is due to the vast biodiversity, in which many of these are at risk of extinction or even have not been scientifically cataloged/discovered. Still, there is the difficulty of performing the classification tasks manually. Studies show that the automated form of classification has been efficient, its processes demand less time and amount of work for the researcher, thus obtaining good results in the classification and labeling of botanical species. In this paper, an artificial neural network known as auto-encoder was used, specifically the convolutional auto-encoder, which employs the unsupervised/selftaught learning method, using unlabeled databases, as these are easier to be found digitally, to perform the training of computational models with images from a different domain and belonging to the same domain. Afterwards, the trained models were used to generate representations of different characteristics of the Flavia, Leafsnap and PlantCLEF2015 bases, which were used to train classifiers of the SVM type, individually reaching hit rates of up to 95,00%. Combination methods of classifiers were also used, showing themselves capable of achieving results that are competitive with those presented in the state of the art.
dc.descriptionAs plantas possuem um papel fundamental para a existência de vida no planeta Terra, pois elas convertem gás carbônico (CO2) em oxigênio (O2) e servem de alimento para grande parte dos seres vivos, além de serem utilizadas por diversos segmentos industriais. A importância de trabalhos na linha de pesquisa de identificação/classificação de espécies de plantas, deve-se à vasta biodiversidade, em que muitas destas sofrem risco de extinção ou até mesmo não foram catalogadas/descobertas cientificamente. Ainda, existe a dificuldade de realizar as tarefas de classificação de forma manual (humana). Estudos apontam que a forma automatizada de classificação tem sido eficiente, seus processos demandam menor tempo e quantidade de trabalho ao pesquisador, obtendo assim bons resultados na classificação e rotulação de espécies botânicas. Neste trabalho foi utilizada uma rede neural artificial conhecida como auto-encoder, em específico o auto-encoder convolucional, que emprega o método de aprendizagem não supervisionada/autodidata, utilizando as bases não rotuladas, pois estas são mais fáceis de serem encontradas digitalmente, para realizar o treinamento dos modelos computacionais com imagens de um domínio diferente e pertencentes ao mesmo domínio. Posteriormente os modelos treinados foram utilizados para gerar representações de características diferentes das bases Flavia, Leafsnap e PlantCLEF2015, estas sendo utilizadas para treinar classificadores do tipo SVM, individualmente alcançando taxas de acerto de até 95,00 %. Métodos de combinação de classificadores também foram utilizados, mostrando-se capazes de atingir resultados competitivos com os apresentados no estado da arte.
dc.languagepor
dc.publisherUniversidade Estadual de Ponta Grossa
dc.publisherBrasil
dc.publisherDepartamento de Informática
dc.publisherPrograma de Pós Graduação Computação Aplicada
dc.publisherUEPG
dc.rightsAcesso Aberto
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/br/
dc.subjectIdentificação de plantas
dc.subjectAuto-enconder
dc.subjectAuto-encoder convolucional,
dc.subjectRepresentações de características
dc.subjectCombinação de classificadores
dc.subjectPlant identification
dc.subjectAuto-encoder
dc.subjectConvolutional auto-encoder
dc.subjectFeature representations
dc.subjectCombination of classifiers
dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
dc.titleIdentificação de espécies de plantas utilizando autoencoder convolucional e aprendizagem não supervisionada
dc.typeDissertação


Este ítem pertenece a la siguiente institución