dc.contributor.author | Souza, Skarlat Manuely da Silva de | |
dc.contributor.author | Kapp, Marcelo Nepomoceno | |
dc.date.accessioned | 2020-05-18T13:10:31Z | |
dc.date.available | 2020-05-18T13:10:31Z | |
dc.date.issued | 2019 | |
dc.identifier.citation | SOUZA, Skarlat Manuely da Silva de; KAPP, Marcelo Nepomoceno. Classificação de espécies florestais usando aprendizagem em profundidade (Deep Learning). Rev. Bras. de Iniciação Científica (RBIC), Itapetininga, v. 6, n.4, p. 56-64, 2019. Edição Especial Universidade Federal da Integração Latino-Americana (UNILA). Disponível em <https://periodicos.itp.ifsp.edu.br/index.php/IC/article/view/1539>. | pt_BR |
dc.identifier.issn | ISSN: 2359-232x | |
dc.identifier.uri | http://dspace.unila.edu.br/123456789/5827 | |
dc.description | Eis que esta edição renova a parceria pedagógico-científica, estabelecida no
ano de 2018 com a, Universidade Federal da Integração Latino-Americana (UNILA),
representada pelo professor Rodrigo Cantu, presidente do Comitê Local de Iniciação
Científica da UNILA.
Aqui, apresentamos o fruto dessa parceria, para publicação de uma edição
especial contendo trabalhos apresentados no VII Encontro de Iniciação Científica e III
Encontro de Iniciação em Desenvolvimento Tecnológico e Inovação (EICTI) em 2018. | pt_BR |
dc.description.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. | pt_BR |
dc.description.abstract | 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. | |
dc.description.abstract | 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. | |
dc.language.iso | por | pt_BR |
dc.publisher | Revista Brasileira de Iniciação Científica | pt_BR |
dc.rights | openAccess | |
dc.subject | Aprendizagem profunda | pt_BR |
dc.subject | Espécies florestais | pt_BR |
dc.subject | Redes Neurais Convolutivas (RNC) | pt_BR |
dc.title | Classificação de espécies florestais usando aprendizagem em profundidade (Deep Learning) | pt_BR |
dc.title.alternative | Forest species classification based on deep learning | pt_BR |
dc.title.alternative | Clasificación de especies forestales usando aprendizaje en profundidad (Deep Learning) | pt_BR |
dc.type | article | pt_BR |