Biblioteca do Café

URI permanente desta comunidadehttps://thoth.dti.ufv.br/handle/123456789/1

Navegar

Filtros

2015 - 201912020 - 20221

Configurações

Assunto: search.filters.subject.Classificação de imagens

Resultados da Pesquisa

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Remotely piloted aircraft and computer vision applied to coffee growing management
    (Universidade Federal de Lavras, 2022-11-25) Santana, Lucas Santos; Ferraz, Gabriel Araújo e Silva
    Digital and precision agriculture technologies used in coffee farming have gained space and have become necessary in many coffee production stages. Among the emerging technologies, the Remotely Piloted Aircraft (RPA) can be highlighted because their products can be used as data providers for machine learning techniques and automated monitoring forms. This study aimed to apply cartographic and photogrammetric products from RPAs submitted to machine learning techniques and image analysis in digital and precision coffee farming. Three types of research were built: Application of RPA cartographic products for the coffee plant implantation project; Identification and counting of plants in PRA images and Investigations of plants development in renewal areas. (I)The first study evaluated different flight mission composition efficiency and point cloud levels for Digital Terrain Models generation applied in coffee plantations. Flights performed at 120 m Above Ground Land (AGL) and 80 × 80% overlap showed higher assertiveness and efficiency. The 90 m AGL flight showed great terrain detail, causing significant surface differences concerning the topography obtained by Global Navigation Satellite System (GNSS) receivers. Slope ranges up to 20% are considered reliable for precision coffee growing projects. Changes in flight settings and image processing are satisfactory for precision coffee projects. Image overlap reduction significantly lowed the processing time without influencing Digital Terrain Model DTM's quality. (II) The second research aimed to develop an algorithm for automatic counting coffee plants and define the plant's best age to carry the monitoring using RPA images. Plants with four months of development showed 86.5% count assertiveness. The best results were observed in plantations with six months of development, presenting an average of 96.8% of assertiveness in automatically counting plants. This analysis enables an algorithm development for automated counting of coffee plants through RGB images obtained by remotely piloted aircraft and machine learning applications. (III) The objective of the third research was to monitor the coffee plants' development planted on ash from crop residues through vegetative indices in RPA images, analysis of chemical elements presents in the ash and soil analysis. Preliminary results indicate the high presence of aluminum and potassium in the ash, causing significant differences in coffee development beginning. In addition, variations were observed in vegetative indices values in regions with ash presence, highlighting the NGI and NNIRI indices. The research developed by this paper provides essential information for digital agriculture technologies advancement in coffee growing.
  • Imagem de Miniatura
    Item
    Uso de séries temporais para o mapeamento da cafeicultura
    (Universidade Federal de Lavras, 2015-02-24) Souza, Carolina Gusmão; Carvalho, Luis Marcelo Tavares de
    A cafeicultura representa uma das principais atividades agrícolas, com grande importância no Brasil e no mundo, sendo o estado de Minas Gerais o maior produtor de café do país. Estimar os dados básicos desta cultura corretamente é um desafio, uma vez que as informações obtidas são pouco detalhadas e o setor ainda é carente de dados precisos. As geotecnologias têm sido promissoras para suprir esta lacuna, avaliando de forma mais precisa a dinâmica da cafeicultura. Porém, o mapeamento dessas áreas ainda é uma tarefa difícil, uma vez que elas são muito complexas de serem mapeadas, apresentando uma alta confusão entre os alvos. Para suprir esta necessidade, este trabalho foi realizado com o objetivo geral de propor uma metodologia para o mapeamento da cafeicultura, por meio de variáveis multiespectrais e multitemporais. O estudo foi conduzido em duas áreas distintas do estado de Minas Gerais, uma na região sul e a outra na região centro-oeste. Primeiramente, foram realizadas classificações, utilizando imagens de alta resolução do satélite RapidEye, testando diferentes algoritmos de aprendizagem de máquina e a combinação de diferentes variáveis (espectrais, geométricas e texturais) no processo de classificação. Os resultados mostraram que o algoritmo Support Vector Machine obteve os melhores resultados nas classificações para todas as áreas, com acurácia global de 88,33%. As variáveis texturais, quando associadas às espectrais, melhoraram a acurácia da classificação, porém, não houve diferença significativa entre as classificações. Apesar de os resultados terem se mostrado com bons índices de acerto, ainda houve muita confusão entre as classes. Foi proposto um novo método de mapeamento, utilizando dados multitemporais como variáveis no processo de classificação. Os resultados mostraram que os índices de acerto utilizando as variáveis multitemporais, integrados a variáveis espectrais, apresentaram índices de acurácia global de 93,00% e diminuíram significativamente a confusão entre os alvos, tornando o processo de classificação mais preciso. A metodologia proposta neste estudo mostrou eficiência no mapeamento de áreas cafeeiras.