Detecção e contagem de plantas utilizando técnicas de inteligência artificial e machine learning

Abstract

Este trabalho tem como objetivo utilizar técnicas de aprendizado de máquina e visão computacional para uma aplicação em agricultura, mais especificamente na silvicultura, para detecção e contagem de indivíduos em uma plantação de eucaliptos. O objetivo de precisão deste trabalho é atingir uma contagem de 95% de todos os eucaliptos com uma taxa de erro de 5% em relação ao total de detecções. Foram utilizados os modelos mais precisos de redes neurais convolucionais atualmente existentes através da plataforma TensorFlow. O treinamento da rede foi realizado com um dataset obtido através do sobrevoo de uma região de plantação de eucaliptos com um VANT. Todos os dados foram catalogados e armazenados para posterior avaliação das redes encontradas sendo que na área de interesse, existem 7866 plantas de eucalipto em estado detectável pelo sistema. As redes foram treinadas em três cenários diferentes, um utilizando imagens RGB originais como entrada e nos outros dois cenários, foram utilizados como entrada das redes imagens com a aplicação dos índices de vegetação IFV e IVV. Os modelos escolhidos para o treinamento foram a SSD Inception V2, R-CNN Resnet 101 e a R-CNN Resnet Inception V2. Todos os melhores resultados foram obtidos utilizando as imagens originais em RGB, sendo a R-CNN Resnet 101 que obteve os melhores resultados em termos de precisão, contando 7471 dos 7866 indivíduos totais, resultando em uma taxa de contagem de 95% com apenas 452 resultados falsos (5%) com tempo de execução de 578 milissegundos por imagem. Em termos de velocidade, a SSD Inception V2 foi a que obteve melhores resultados, com a detecção de 7370 plantas (93,7%) e 430 resultados falsos utilizando apenas 81 milissegundos por imagem. A rede R-CNN Resnet Inception V2, obteve 7468 detecções (95%) com 397 erros, porém com um tempo de execução de 1102 milissegundos por imagem. Todas as redes utilizando índices de vegetação forneceram resultados com menos de 80% de precisão e foram desconsideradas da análise de resultados, devido ao seu desempenho inferior. Foi utilizada a rede com os melhores resultados, a R-CNN Resnet 101, para criação de um software automatizado de detecção e contagem de plantas baseado em uma entrada de imagem. Por fim, este trabalho valida a utilização de redes neurais artificiais para extração de informações de imagens aéreas para inventoriamento de silvicultura e abre novas possibilidades para manter a inovação contante e rápida neste campo de conhecimento.

his work aims to use machine learning and computer vision techniques for an applicationin agriculture, more specifically in forestry, for the detection and counting of individualsin a eucalyptus plantation. The objective of this work is to reach a count of 95% of alleucalyptus trees with a 5% error rate in relation to the total number of detections. Themost accurate models of convolutional neural networks currently available through theTensorFlow platform were used. Training of the network was performed with a data froman overflight of a eucalyptus plantation area with a UAV. All the data were cataloged forthe evaluation of the networks found. In the area of interest, there are 7866 eucalyptusplants in a state detectable by the naked eye. The networks were trained in three differentscenarios, one using original RGB images as input and in the other two scenarios, imagesusing the GVI and VVI vegetation indices were used as inputs to the networks. The modelschosen for the training were a SSD Inception V2, R-CNN Resnet 101 and R-CNN ResnetInception V2. All the best results were obtained using the original RGB images, withR-CNN Resnet101 obtaining the best results in terms of accuracy, counting 7471 of the7866 total individuals, resulting in a 95% counting rate with only 452 false results (5%)with a runtime of 578 milliseconds per image. In terms of speed, SSD Inception V2 was theone that obtained the best results, with the detection of 7370 plants (93.7%) and 430 falseresults using only 81 milliseconds per image. The Resnet Inception V2 R-CNN networkobtained 7468 detections (95%) with 397 errors, but with an execution time of 1102milliseconds per image. All results with vegetation indices provided results with less than80% accuracy and were disregarded from the analysis due to their inferior performance.The network with the best results was utilized, R-CNN Resnet 101, for the creation of anautomated plant detection and counting software based on an image input. Finally, thiswork validates the use of artificial neural networks for the extraction of information fromaerial images for forestry inventories and opens new possibilities for keeping the innovationconstant and fast in this field of knowledge.