Avaliação de descritores de imagem no aprendizado de máquina para a detecção de falhas de plantio de feijão-comum
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.
Coautores:
Guilherme Makoto Harakuchi; Jean Vitor Cavalcante Calisso.

Comentários
Avaliação de descritores de imagem no aprendizado de máquina para a detecção de falhas de plantio de feijão-comum — Nenhum comentário
HTML tags allowed in your comment: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>