Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/16916
Files in This Item:
File Description SizeFormat 
karlagabrieleflorentinodasilva.pdf8.44 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Vieira, Marcelo Bernardes-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/0858482819476716pt_BR
dc.contributor.advisor-co1Maciel, Luiz Maurílio da Silva-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/4491455337486151pt_BR
dc.contributor.referee1Villela, Saulo Moraes-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/3358075178615535pt_BR
dc.contributor.referee2Pedrini, Hélio-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/9600140904712115pt_BR
dc.creatorSilva, Karla Gabriele Florentino da-
dc.creator.Latteshttp://lattes.cnpq.br/7888949483385107pt_BR
dc.date.accessioned2024-07-19T10:58:50Z-
dc.date.available2024-07-18-
dc.date.available2024-07-19T10:58:50Z-
dc.date.issued2023-12-21-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/16916-
dc.description.abstractLeaves perform a fundamental role for the plant body doing photosynthesis and morphological characteristics (e.g., leaf area) associated with its surface are parameters that could help explain responses to various processes, such as climate change, ecological relationships, and agricultural productivity. Most of the existing methods for measuring leaf surface dimensions are expensive and often complicated. In addition, it commonly uses destructive approaches that make it impossible to monitor plant growth. In this context, a new database with annotated images was constructed for non-destructive estimation of bean leaf dimensions (area, width, length, and perimeter), based on a virtual reality marker added to the scene. The construction of the database involved a process of planting, image acquisition, leaf picking, manual measurement, semi-automatic segmentation, and marker pose estimation. Furthermore, a new deep neural network was developed that receives one input image containing a salient leaf accompanied by a marker and provides relative leaf area by comparing the proportions of both objects in the image. The proposed method is based on the architecture of a semantic segmentation neural network. The main hypothesis is that is possible to adapt a convolutional neural network to regress image pixels area. Thus, a new decoder module is proposed for the network, used to remap image representation on relative area estimation of the objects of interest, leaf and marker. The model presented is composed of one encoder and two decoders, which estimate the image segmentation and the pixels area of the objects of interest. A way of calculating the loss of the decoder and selection criteria for the best model are also defined. For proposal viability determination, an extensive quantitative and qualitative analysis is performed with the model’s predictions on 1033 images of 90 different leaves. Results indicate that the model is capable of learning to estimate the area of the objects of interest with only one input image.pt_BR
dc.description.resumoAs folhas desempenham papel fundamental para o corpo vegetal ao realizarem fotossíntese e as características morfológicas (e.g., área foliar) associadas a sua superfície são parâmetros que podem contribuir para explicar respostas a diversos processos, como mudanças climáticas, relações ecológicas e produtividade agrícola. Porém, a maioria dos métodos para medição das dimensões de superfícies foliares existentes são trabalhosos e onerosos. Além de utilizarem muitas das vezes abordagens destrutivas que impossibilitam acompanhar o crescimento da planta. Neste contexto, construiu-se uma nova base de imagens anotadas para estimativa não destrutiva das dimensões (área, largura, comprimento e perímetro) de superfícies de folhas de feijão, com base em um marcador de realidade virtual adicionado na cena. A construção do conjunto de dados envolveu um processo de plantio, aquisição de imagens, colheita das folhas, medição manual das dimensões reais, segmentação semi-automática e estimativa de pose do marcador. Além disso, desenvolveu-se uma nova rede neural profunda que receba uma imagem de entrada contendo uma folha saliente acompanhada de um marcador, e retorne a estimativa da área foliar pela comparação entre as proporções dos dois objetos na imagem. O modelo proposto é baseado na arquitetura de uma rede neural de segmentação semântica. A hipótese principal é que é possível adaptar uma rede neural convolucional para realizar a regressão da área dos pixels da imagem. Assim, propõe-se um novo módulo decodificador para a rede, utilizado para remapear a representação da imagem na estimativa da área relativa dos objetos de interesse, folha e marcador. O modelo apresentado é composto por um codificador e dois decodificadores, que estimam a segmentação da imagem e a área dos pixels dos objetos de interesse. Também define-se uma forma para calcular a perda deste decodificador e critérios para seleção do melhor modelo. Para determinar a viabilidade da proposta realiza-se uma análise extensiva, em termos quantitativos e qualitativos, do comportamento das predições do modelo para 1033 imagens de 90 folhas distintas. Os resultados obtidos evidenciam que o modelo é capaz de aprender a estimar a área dos objetos de interesse tendo apenas uma imagem de entrada.pt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentICE – Instituto de Ciências Exataspt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computaçãopt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectRede neuralpt_BR
dc.subjectAprendizado profundopt_BR
dc.subjectÁrea foliarpt_BR
dc.subjectBase de imagenspt_BR
dc.subjectMétodo não destrutivopt_BR
dc.subjectNeural networkpt_BR
dc.subjectDeep learningpt_BR
dc.subjectLeaf areapt_BR
dc.subjectImage databasept_BR
dc.subjectNondestructive methodpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleUma base de imagens de folhas de feijão e uma rede neural profunda para estimativa não-destrutiva de área foliarpt_BR
dc.typeDissertaçãopt_BR
Appears in Collections:Mestrado em Ciência da Computação (Dissertações)



This item is licensed under a Creative Commons License Creative Commons