Detection and correction of deformations in UAVs’ images using deep learning

Detecção e correção de deformações em imagens de VANTs utilizando deep learning

dc.contributorEscarpinati, Mauricio Cunha
dc.contributorhttp://lattes.cnpq.br/5939941255055989
dc.contributorBackes, André Ricardo
dc.contributorhttp://lattes.cnpq.br/8590140337571249
dc.contributorTravençolo, Bruno Augusto Nassif
dc.contributorhttp://lattes.cnpq.br/2590427557264952
dc.contributorCasanova, Dalcimar
dc.contributorhttp://lattes.cnpq.br/4155115530052195
dc.creatorSilva, Leandro Henrique Furtado Pinto
dc.date2021-05-17T13:12:04Z
dc.date2021-05-17T13:12:04Z
dc.date2021-05-05
dc.date.accessioned2023-09-28T20:19:59Z
dc.date.available2023-09-28T20:19:59Z
dc.identifierSILVA, Leandro Henrique Furtado Pinto. Detection and correction of deformations inUAVs’ images using deep learning. 2021. 86 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Federal de Uberlândia, Uberlândia, 2021. Disponível em: http://doi.org/10.14393/ufu.di.2021.249.
dc.identifierhttps://repositorio.ufu.br/handle/123456789/31755
dc.identifierhttp://doi.org/10.14393/ufu.di.2021.249
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/9048291
dc.descriptionNas últimas décadas, o crescimento populacional e a demanda por alimentos impulsionaram o uso de recursos tecnológicos no que chamamos de Agricultura de Precisão (AP). Dentre essas tecnologias, a utilização de Veículos Aéreos Não Tripulados (VANTs) tem-se destacado por auxiliar, potencializar e otimizar a produção agrícola. As imagens capturadas por VANTs permitem uma visão detalhada da região analisada, visto que o voo ocorre em altitudes baixas e médias (50m a 400m). Além disso, existe uma grande variedade de sensores (câmeras RGB, sensores de captura de calor, câmeras multi e hiperespectrais, entre outros), cada um com características próprias e capaz de produzir informações diferentes. No caso da aquisição de imagens multi espectrais, cada canal da imagem é adquirida por um sensor diferente e em momentos diferentes. Assim, muitas vezes, devido à características intríncecas ao voo do VANT e a própria natureza da aquisição, dois tipos principais de deformações entre as bandas de uma mesma imagem são comumente observadas, são elas: (1) lineares e (2) não lineares. As deformações lineares consistem, por exemplo, em transformações de rotação, translação e escala; já as não lineares possuem características variadas e sem um padrão previamente definido. Para a correta análise dessas imagens na AP, é necessário identificar e corrigir essas deformações. Diante disso, propõe-se o treinamento de redes neurais profundas para as tarefas de (1) identificação da presença da deformações e (2) a predição dos campos vetoriais de deformação para realizar o registro entre bandas de uma imagem multiespectral. Resultados evidenciam que tais técnicas se mostram promissoras para a solução do problema em questão. Para a identificação da presença de deformação, conseguimos uma precisão de 99,18% em imagens com deformações lineares e 99,25% para deformações não lineares. Além disso, a abordagem proposta alcançou uma precisão de 89,90% a 93,79% na tarefa de estimar o campo de deslocamento entre as bandas. De posse desse campo estimado pela rede, é possível realizar o registro entre as bandas sem a necessidade de marcação manual de pontos.
dc.descriptionCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
dc.descriptionDissertação (Mestrado)
dc.descriptionIn recent decades, population growth and the demand for food have boosted the use of technological resources in what we call Precision Agriculture (PA). Among these technologies, the use of Unmanned Aerial Vehicles (UAVs) has stood out for assisting, enhancing, and optimizing agricultural production. The images captured by UAVs allow a detailed view of the analyzed region since the flight occurs at low and medium altitudes (50m to 400m). In addition, there is a wide variety of sensors (RGB cameras, heat capture sensors, multi and hyperspectral cameras, among others), each with its own characteristics and capable of producing different information. In the case of the acquisition of multi-spectral images, each channel of the image is acquired by a different sensor and at different times. Thus, due to the intrinsic characteristics of the UAV flight and the very nature of the acquisition, two main types of deformations between the bands of the same image are commonly observed, are (1) linear and (2) non-linear. Linear deformations consist, for example, of transformations of rotation, translation, and scale; non-linear ones, however, have varied characteristics and without a previously defined pattern. For the correct analysis of these images in the PA, it is necessary to identify and correct these deformations. Therefore, it is proposed to train deep neural networks for the tasks of (1) identification of the presence of deformations and (2) the prediction of vector deformation fields to perform the registration between bands of a multispectral image. Results show that such techniques are promising for the solution to the problem in question. For the identification of the presence of deformation, we achieved an accuracy of 99.18% in images with linear deformations and 99.25% for non-linear deformations. In addition, the proposed approach reached an accuracy of 89.90% to 93.79% in the task of estimating the displacement field between the bands. With this field estimated by the network, it is possible to register between the bands without the need for manual marking of points.
dc.formatapplication/pdf
dc.languageeng
dc.publisherUniversidade Federal de Uberlândia
dc.publisherBrasil
dc.publisherPrograma de Pós-graduação em Ciência da Computação
dc.rightsAcesso Aberto
dc.subjectImage Registration
dc.subjectMultispectral Image
dc.subjectDeep Learning
dc.subjectPrecision Agriculture
dc.subjectUAV
dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
dc.titleDetection and correction of deformations in UAVs’ images using deep learning
dc.titleDetecção e correção de deformações em imagens de VANTs utilizando deep learning
dc.typeDissertação


Este ítem pertenece a la siguiente institución