Título:	Detecção e rastreamento de múltiplos objetos utilizando redes profundas no contexto de mapeamento de formigueiros em plantação de Eucaliptos.
Autoria:	RAMALHO, G. L. S.
Ano de publicação:	2022
Referência:	2022. Dissertação (Mestrado em Computação Aplicada), Universidade Federal do Mato Grosso do Sul, Faculdade de Computação, Campo Grande, MS.
Páginas:	53 p.
Conteúdo:	O setor da silvicultura possibilita o desenvolvimento econômico e ambiental, oferecendo emprego e renda para a população e auxiliando com a redução das mudanças climáticas. Segundo IBGE, no ano de 2019, a área de florestas cultivadas em todo o território nacional alcançara um total de 9,98 milhões de hectares. O cultivo de eucalipto representa aproximadamente 76%, equivalente a 7,61 milhões de hectares. Nas plantações florestais presentes no Brasil, uma das principais pragas e que afetam intensamente a produção, são as formigas cortadeiras. Esses insetos consomem muita vegetação, atacando diferentes as espécies de plantas e causando a desfolha até a morte da planta, independendo do tamanho dela, de mudas até árvores. Para o combater às formigas, são utilizados produtos químicos, juntamente com o monitoramento da plantação. É possível aplicar a detecção e o rastreamento de objetos em imagens das plantações, com o intuito de auxiliar no monitoramento da plantação e dos formigueiros. A detecção e o rastreamento dos objetos nesse estudo se encaixam no contexto do rastreamento de múltiplos objetos, Multiple Object Tracking (MOT). A tarefa do MOT refere-se na localização de múltiplos objetos, na sua identificação e no cálculo de suas trajetórias individuais, em uma sequência de imagens. Neste estudo foram avaliados três detectores de objetos, Faster R-CNN, RetinaNet e VFNet, juntamente com os métodos de rastreamento Tracktor, Byte Tracker Deep Sort, além da proposta de um método baseado no Método SORT, para rastreamento de formigueiros. As avaliações dos métodos de detecção e rastreamento de objetos foram realizadas, e o melhores resultados de rastreamento obtidos foram utilizando o detector RetinaNet que atingiu 0.817 de Average Precision (AP), 53.004 de Higher Order Tracking Accuracy (HOTA) com o método de rastreamento Byte Tracker, 47.120 de HOTA com o Método Proposto e 43.426 de HOTA com o Deep Sort. Apesar do Byte Tracker indicar resultado HOTA superior, o Método Proposto se destaca na contagem dos objetos, superando os outros métodos de rastreamento.
Palavras-chave:	Redes neurais Faster R-CNN VFNet
Tipo do material:	Teses
Acesso:	openAccess
Aparece nas coleções:	Tese/dissertação (CNPDIA)