Banca de TCC – Thainan Bystronski Remboski

UNIVERSIDADE FEDERAL DE PELOTAS
CENTRO DE DESENVOLVIMENTO TECNOLÓGICO
TRABALHO DE CONCLUSÃO DE CURSO

Apresentações Finais (2016/2)

Identificação de insetos usando técnicas de processamento digital de imagens e de aprendizagem de máquina
por
Thainan Bystronski Remboski

Curso:
Ciência da Computação

Banca:
Prof. Marilton Sanchotene de Aguiar (orientador)
Prof. Paulo Roberto Ferreira Jr. (co-orientador)
Eng. Rafael da Silva Gonçalves
Eng. Sandro Daniel Nörnberg
Prof. Ricardo Matsumura Araujo

Data: 03 de Março de 2017

Hora: 08:00h

Local: Sala 309

Resumo do Trabalho: O manejo integrado de pragas (MIP) é uma técnica que procura manter as pragas sempre abaixo do nível em que causem danos para as plantações. O MIP também busca realizar um controle de pragas que seja prático, eficiente, econômico e que não prejudique a saúde da população, visando a diminuição do uso de agrotóxicos nas plantações. Uma técnica bastante empregada no monitoramento da população de pragas é baseada no uso de armadilhas. Porém, o método usual, consiste em levantamentos de campo regulares com a observação visual de armadilhas por um operador humano. Esse método possui inconvenientes por ser intensivo, insalubre e oneroso para o operador, além de não ser possível obter informações em tempo real e sincronizadas de todas armadilhas. Uma opção alternativa é utilizar armadilhas inteligentes que sejam capazes de coletar imagens e enviá-las a um servidor central, onde as imagens são processadas, realizando a identificação dos insetos. A tarefa de identificação não é trivial, pois inúmeros fatores podem prejudicar esse processo como: sobreposição de insetos, alta variedade de insetos capturados, baixa iluminação, entre outros. Com base neste contexto, este trabalho visa realizar os primeiros passos em direção ao desenvolvimento de uma armadilha inteligente, com seu escopo voltado para a identificação dos insetos, utilizando técnicas de aprendizado de máquina e processamento digital de imagens. A base de imagens coletadas para classificação consiste em 99 imagens, de onde foram extraídas 4338 regiões. Cada uma dessas regiões foi transformada em um vetor de características, com base no modelo bag-of-words. Para a classificação, foram utilizados os algoritmos support vector machine (SVM), k-nearest neighbors (KNN), árvore de decisão e Gaussian Naive Bayes. Os algoritmos foram testados em dois diferentes conjuntos de classes. Para o primeiro conjunto, considerando a acurácia como métrica, os resultados foram: SVM 78,46%, KNN 72,10%, árvore de decisão 69,36% e Gaussian Naive Bayes 60,67%. Para o segundo conjunto: SVM 82,20%, KNN 76,11%, árvore de decisão 72,75% e Gaussian Naïve Bayes 67,49%. O algoritmo SVM apresentou melhores resultados em todas as métricas, nos dois conjuntos de classes utilizados.

Para mais informações acesse: https://wp.ufpel.edu.br/notcc/bancas/historico/2016_2/