Imagens aéreas resultantes do uso de Veículos Aéreos Não Tripulados (VANTs) ajudam a identificar, em particular, falhas de plantio que afetam diversas áreas plantadas, como as que se destinam ao cultivo do feijão- comum. Em tal contexto, a identificação de padrões de solo em imagens envolve, em grande parte, o uso de métodos/algoritmos de Aprendizado de Máquina. Este trabalho teve como foco a etapa de extração de features das imagens coletadas, a qual esta intimamente relacionada ao desempenho da aplicação. Assim, estudou-se três diferentes descritores de imagens, CIE-LAB, BIC (Border/Interior pisei Classification) e Haralick, os quais foram usados individualmente ou combinados para enriquecer representações. Estes descritores buscam representar imagens extraindo delas um conjunto de atributos numéricos. Resultados de classificação sobre os diferentes espaços de atributos gerados mostraram que as melhores acurácias provêm de representações com menos atributos e, em especial, ao se adotar o filtro de atributos Correlation-based Pearam Selection.

Autor(a) principal:

Luiz Fernando Sommaggio Coletta.