| dc.contributor | Oliveira, Luiz Eduardo Soares de, 1971- | |
| dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data | |
| dc.creator | Souza, Deivison Venicio, 1983- | |
| dc.date | 2022-04-28T13:35:16Z | |
| dc.date | 2022-04-28T13:35:16Z | |
| dc.date | 2019 | |
| dc.date.accessioned | 2023-09-28T16:11:48Z | |
| dc.date.available | 2023-09-28T16:11:48Z | |
| dc.identifier | https://hdl.handle.net/1884/75315 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9025097 | |
| dc.description | Orientador: Prof. Luiz Eduardo Soares de Oliveira | |
| dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Data. | |
| dc.description | Inclui referências | |
| dc.description | Resumo: Avanços em tecnologias de reconhecimento de espécies podem contribuir para a conservação e proteção de espécies da flora, em especial aquelas ameaçadas de extinção. O objetivo desta pesquisa foi comparar as abordagens de fusão precoce de operadores conhecidos como "Padrões binários Locais - LBP"e fusão tardia, realizada ao nível de decisão dos classificadores, na construção de um sistema de reconhecimento automático de espécies florestais. Foram usadas 2550 imagens macroscópicas de madeiras de 46 espécies da flora brasileira. A extração de características das imagens foi feita com uso de duas variantes do descritor LBP, cobrindo diferentes aspectos da resolução espacial e angular. O conjunto de imagens foi dividido em aprendizado (80%) e teste (20%), usando de amostragem estratificada aleatória, cujos estratos foram as classes de previsão. O classificador RNA treinado com dados combinados de histogramas LBP uniformes e invariantes à rotação apresentou acurácia de 96,06%, e a fusão de classificadores, através de voto majoritário, foi capaz de melhorar a acurácia do sistema em 1,38%. O sistema de reconhecimento construído mostrou boa capacidade de predizer a natureza, e se essa tecnologia for aliada aos ferramentais tradicionais de identificação e ao conhecimento empírico, pode-se minimizar os erros de identificação de espécies da flora brasileira, em especial as espécies ameaçadas de extinção, para as quais o sistema de classificação proposto mostrou alta acurácia. | |
| dc.description | Abstract: Advances in species recognition technologies can contribute to the conservation and protection of flora species, especially those threatened with extinction. The aim of this research was to compare the early fusion approaches of operators known as "Local Binary Patterns-LBP" and late fusion, carried out at the level of the decision of classifiers, in the construction of an automatic recognition system of forest species. We used 2550 macroscopic images of wood from 46 species of the Brazilian flora. The extraction of image characteristics was made using two variants of the LBP descriptor, covering different aspects of spatial and angular resolution. The set of images was divided into learning (80%) and test (20%), using random stratified sampling, whose strata were the prediction classes. The trained RNA classifier with combined data from the uniform and rotation invariant LBP histograms presented accuracy of 96.06%, and the fusion of classifiers, through majority voting, improved the accuracy of the system by 1.38%. The recognition system showed good ability to predict nature,and if this technology is combined with traditional identification tools and empirical knowledge, it is possible to minimize errors in the identification of species of Brazilian flora, especially endangered species, for which the proposed classification system showed high accuracy | |
| dc.format | 1 recurso online : PDF. | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | Português | |
| dc.subject | Aprendizado do computador | |
| dc.subject | Flora - Brasil | |
| dc.subject | Especies em extinção | |
| dc.subject | Plantas florestais | |
| dc.title | Reconhecimento de espécies florestais baseado em imagens macroscópicas de madeiras | |
| dc.type | Monografia Especialização Digital | |
