Classificação de espécies florestais usando aprendizagem em profundidade (Deep Learning)

Abstract

O principal objetivo deste projeto é o desenvolvimento de um sistema para o reconhecimento automático de espécies florestais usando aprendizagem profunda (Deep Learning). Neste tipo de sistema, uma imagem digitalizada de uma madeira é utilizada como entrada e a espécie florestal da tábua é automaticamente informada como saída. Este trabalho está organizado como segue. Primeiramente, apresentamos as técnicas envolvendo a rede neural convolutiva utilizada. Em seguida, descrevemos os experimentos e análises realizadas comparando os atuais resultados com técnicas já estudadas anteriormente de extração de características e classificação. As avaliações serão conduzidas utilizando uma base de imagens de 112 espécies florestais distintas.

The main goal of this project is to develop a system for the automatic recognition of forest species using deep learning. In theses systems, a scanned image of a wood is used as input and the wood species of the board is automatically informed as output. This paper is organized as follows. First, we present the techniques involving the convolutional neural network used. Next, we describe the experiments and compare the current results with previously studied techniques of extraction of characteristics and classification. The experiments will be conducted using a database of images of 112 different forest species.

El principal objetivo de este proyecto es el desarrollo de un sistema para el reconocimiento automático de especies forestales usando aprendizaje profundo (Deep Learning). En este tipo de sistema, una imagen digitalizada de una madera se utiliza como entrada y la especie forestal de la tabla es automáticamente informada como salida. Este trabajo está organizado de la siguiente manera. Primero, presentamos las técnicas envolviendo la red neural convolutiva utilizada. A continuación, describimos los experimentos y análisis realizados comparando los actuales resultados con técnicas ya estudiadas anteriormente de extracción de características y clasificación. Las evaluaciones se llevarán a cabo utilizando una base de imágenes de 112 especies forestales distintas.