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

dc.contributor.authorSouza, Skarlat Manuely da Silva de
dc.contributor.authorKapp, Marcelo Nepomoceno
dc.date.accessioned2020-05-18T13:10:31Z
dc.date.available2020-05-18T13:10:31Z
dc.date.issued2019
dc.descriptionEis 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.abstractO 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.abstractThe 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.abstractEl 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.identifier.citationSOUZA, 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.issnISSN: 2359-232x
dc.identifier.urihttps://dspace.unila.edu.br/handle/123456789/5827
dc.language.isoporpt_BR
dc.publisherRevista Brasileira de Iniciação Científicapt_BR
dc.rightsopenAccess
dc.subjectAprendizagem profundapt_BR
dc.subjectEspécies florestaispt_BR
dc.subjectRedes Neurais Convolutivas (RNC)pt_BR
dc.titleClassificação de espécies florestais usando aprendizagem em profundidade (Deep Learning)pt_BR
dc.title.alternativeForest species classification based on deep learningpt_BR
dc.title.alternativeClasificación de especies forestales usando aprendizaje en profundidad (Deep Learning)pt_BR
dc.typearticlept_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
1539-5716-1-PB.pdf
Tamanho:
322.4 KB
Formato:
Adobe Portable Document Format
Descrição:
Artigo publicado em revista
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.82 KB
Formato:
Item-specific license agreed upon to submission
Descrição: