Título:	Deep learning e segmentação semântica de imagens para diagnóstico de níveis de degradação de pastagem.
Autoria:	VIEIRA, L. P. SIMÕES, M. FERRAZ, R. P. D. RIBEIRO, J. A.
Afiliação:	LUAN PORTO VIEIRA, UNIVERSIDADE ESTADUAL DO RIO DE JANEIRO; MARGARETH GONCALVES SIMOES, CNPS; RODRIGO PECANHA DEMONTE FERRAZ, CNPS; JOÃO ARAÚJO RIBEIRO, UNIVERSIDADE ESTADUAL DO RIO DE JANEIRO.
Ano de publicação:	2023
Referência:	In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 20., 2023, Florianópolis. Anais [...]. São José dos Campos: Instituto Nacional de Pesquisas Espaciais, 2023. p. 1024-1027.
Conteúdo:	O processo de degradação de pastagem pode ser identificado quando a produção de forragem diminui, consequentemente, o aumento das áreas descobertas e plantas invasoras. Este trabalho objetivou avaliar técnicas de segmentação semântica de fotografias para diferenciação de plantas invasoras, forrageiras, solo exposto e palhada por meio do modelo DeeplabV3+. Primeiramente o modelo foi treinado com amostras do banco de dados The GrassClover Image Dataset for Semantic and Hierarchical Species Understanding in Agriculture. Um pequeno banco de dados foi construído a partir das fotografias ortogonais, retiradas da plataforma Atlas das Pastagens. Após o processo de treinamento com os dois bancos de imagens os resultados demonstraram satisfatórios com valores de MIoU de 87,6% com o primeiro banco de imagens e 75,4% com segundo banco de imagens. Conclui-se que as técnicas de segmentação semântica de imagens apresentam potencial para subsidiar a classificação da degradação de pastagens.
Thesagro:	Pastagem
NAL Thesaurus:	Image analysis
Palavras-chave:	Visão computacional Aprendizado de máquina Redes Neurais Convolucionais
Tipo do material:	Artigo em anais e proceedings
Acesso:	openAccess
Aparece nas coleções:	Artigo em anais de congresso (CNPS)