"Ciências Básicas para o Desenvolvimento Sustentável"
24 a 26 de outubro de 2023
Trabalho 19495
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Inteligência Artificial |
| Setor | Instituto de Ciências Exatas e Tecnológicas - Campus Rio Paranaíba |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Jocsan Ribeiro da Luz Ferreira |
| Orientador | JOAO FERNANDO MARI |
| Título | Análise de imagens de satélite com aplicações em agricultura de precisão |
| Resumo | As imagens de sensoriamento remoto desempenham um papel crucial na obtenção de informações para aplicações de agricultura de precisão. No entanto, um desafio comumente enfrentado é a oclusão de regiões de interesse por nuvens. Assim, a segmentação de nuvens em imagens de satélite desempenha um papel importante, permitindo a obtenção de informações úteis sobre as condições das culturas e, dessa forma, auxiliar na tomada de decisões e no monitoramento eficiente de grandes áreas agrícolas. O objetivo deste estudo é testar e avaliar métodos baseados em deep learning para realizar a segmentação de nuvens em imagens de satélite. Foram comparados vários modelos de segmentação semântica, empregando diferentes estruturas de backbone. Os métodos de segmentação semântica baseados em deep learning são considerados o estado da arte para resolver esse tipo de problema. Nesse estudo, foram utilizados os modelos disponíveis na biblioteca SMP, que oferece modelos de segmentação semântica como Unet, PSPNet, DeepLabV3, entre outros. Além disso, foram utilizados backbones pré-treinados em grandes bases de imagens, como o ImageNet. A SMP é compatível com as bibliotecas PyTorch e a linguagem de programação Python. O desempenho dos métodos foi avaliado utilizando o conjunto de dados Cloud-38, composto por 8.400 imagens de satélite no conjunto de treinamento e 9.201 no conjunto de testes. Para cada imagem, foi fornecida uma imagem de referência com as nuvens devidamente delimitadas. O conjunto de treinamento foi dividido em 30% para validação e o restante para treinamento. O treinamento dos modelos foi realizado até que a perda de validação se estabilizasse, de acordo com o critério de parada antecipada (early stopping). Essa abordagem abrangente e pragmática proporcionou uma análise comparativa dos melhores modelos e estratégias de treinamento para solucionar o desafio da segmentação de nuvens em imagens de satélite. Os resultados obtidos neste estudo fornecem informações valiosas para o desenvolvimento de soluções de análise de imagens de satélite no contexto da agricultura de precisão. |
| Palavras-chave | deep learning, agricultura de precisão, segmentação de nuvens |
| Forma de apresentação..... | Vídeo |
| Link para apresentação | Vídeo |
|---|