Geographical mapping of coffee crops by using convolutional networks
| dc.creator | Rafael Marlon Peirera Costa Baeta Carreira | |
| dc.date.accessioned | 2022-07-11T12:53:50Z | |
| dc.date.accessioned | 2025-09-09T01:03:23Z | |
| dc.date.available | 2022-07-11T12:53:50Z | |
| dc.date.issued | 2017-09-04 | |
| dc.description.abstract | Nas últimas décadas temos observado um constante crescimento na utilização de imagens de sensoriamento remoto para o monitoramento de atividades e fenômenos na Terra, o que permite o desenvolvimento de diversas aplicações. Dentre as aplicações existentes, a criação de mapas temáticos é uma das mais comuns, pois permite a classi cação e análise dos vários objetos que compõe uma imagem podendo ser utilizado para muitos ns, tais como: monitoramento, planejamento e reconhecimento. Mapas temáticos podem ser construídos de forma manual ou por modelos treinados através de aprendizagem supervisionada. Neste tipo de aprendizagem, o sistema é treinado para aprender diferentes padrões através da utilização de amostras rotuladas fornecidas pelo usuário. Nesse sentido, nesta dissertação, um método de geração de mapas temáticos foi desenvolvido para o reconhecimento de colheitas de café visando auxiliar na obtenção de dados dessa cultura agrícola. Pois, apesar de sua grande importância na economia do país e de Minas Gerais, a obtenção de dados ainda é realizada de forma manual. O método desenvolvido neste trabalho baseia-se na combinação de redes neuronais de convolução em múltiplas escalas sendo a escolha das redes neuronais para o desenvolvimento deste projeto atribuída ao seu desempenho superior aos métodos tradicionais propostos em visão computacional e também por ainda não ser amplamente utilizada em tarefas relacionadas à área agrícola. A utilização de uma abordagem multi-escala está relacionada à variação do tamanho dos padrões encontrados em imagens de satélite e visa tornar o método mais robusto ao permitir que características distintas sejam aprendidas em cada uma das escalas e usadas de forma complementar. | |
| dc.identifier.uri | https://hdl.handle.net/1843/43132 | |
| dc.language | eng | |
| dc.publisher | Universidade Federal de Minas Gerais | |
| dc.rights | Acesso Aberto | |
| dc.subject | Computação – Teses. | |
| dc.subject | Sensoriamento remoto - Teses | |
| dc.subject | Redes neurais convolucionais – Teses | |
| dc.subject | Café – Cultivo – Teses. | |
| dc.subject.other | Remote sensing | |
| dc.subject.other | Coffee classification | |
| dc.subject.other | Convolutional neural networks | |
| dc.title | Geographical mapping of coffee crops by using convolutional networks | |
| dc.type | Dissertação de mestrado | |
| local.contributor.advisor-co1 | David Menotti Gomes | |
| local.contributor.advisor1 | Jefersson Alex dos Santos | |
| local.contributor.advisor1Lattes | http://lattes.cnpq.br/2171782600728348 | |
| local.contributor.referee1 | Arnaldo Albuquerque Araújo | |
| local.contributor.referee1 | Rubens Augusto Camargo Lamparelli | |
| local.creator.Lattes | http://lattes.cnpq.br/8927799884903333 | |
| local.description.resumo | In the last decades we have observed a constant growth in the use of remote sensing images for the monitoring of activities and phenomena on Earth allowing the development of several applications. Among the existing applications, the creation of thematic maps is one of the most common, since it allows the classi cation and analysis of the various objects that composes an image and can be used for many purposes, such as: monitoring, planning and recognition. Thematic maps are, usually, generated manually or by the use of models trained by supervised learning. In this type of learning, the system is trained to learn di erent patterns by using labeled samples provided by the user. In this sense, in this dissertation, a thematic map generation method was developed for the recognition of co ee crops in order to obtain data from this crop. For, despite its great importance in the country's economy and Minas Gerais, data collection is still performed manually. The method developed in this work is based on the combination of convolutional neural networks in multiple scales and the choice by neural networks for the development of this project is attributed to the fact that its performance is superior to the traditional methods proposed in computer vision and also not yet be widely used in tasks related to the agricultural area. The use of a multi-scale approach is related to the variation of the size of the patterns found in satellite images and aims to make the method more robust by allowing distinct features to be learned at each of the scales and used in a complementary way. | |
| local.publisher.country | Brasil | |
| local.publisher.department | ICX - DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO | |
| local.publisher.initials | UFMG | |
| local.publisher.program | Programa de Pós-Graduação em Ciência da Computação |