Uma Abordagem Multiclasse para a Caracterização de Flores Utilizando Redes Neurais Convolucionais

• Diego Nunes Noceli IF Sudeste MG
• Alessandra Martins Coelho IF Sudeste MG
• Matheus de Freitas Oliveira Baffa IF Sudeste MG

DOI: https://doi.org/10.5753/encompif.2021.15952

Resumo

No Brasil existem cerca de 30 mil especies de plantas com flores,sendo descobertas entre 250 e 300 novas especies anualmente podendo conter diferentes formas, cores e perfumes. Devido as características semelhantes encontradas nas plantas, a sua tipificação não é uma tarefa trivial. Este trabalho tem como objetivo, desenvolver um método preliminar de classificação de flores, baseado em Redes Neurais Convolucionais para identificar padrões e diferenciar automaticamente os tipos de flores. Para o desenvolvimento, foi utilizada uma base de dados de 4.135 imagens contendo cinco grupos de flores, sendo elas o dente de leão, a margarida, a rosa, a tulipa e o girassol. Essas imagens foram utilizadas no treinamento e avaliação de dois tipos de Redes Neurais Convolucionais, a LeNet-5 e a ResNet152. Embora mais simples, a LeNet-5 obteve um resultado superior, atingindo 99.69% de acurácia categórica.

Palavras-chave: Aprendizado Profundo, Classificação de Flores, Visão Computacional

Referências

Azevedo, E. and Conci, A. (2003).Computação Gráfica: Teoria e Prática, volume 2. Elsevier.

Backes, A. R. and de Mesquita Sá Junior, J. J. (2019).Introdução à visão computacional usando Matlab. Alta Books Editora.

Chaudhary, R. (2020).Final flowers course project dataset. Disponível em:<https://www.kaggle.com/rishitchs/final-flowers-course-project-dataset/metadata>. Acesso em: 21 nov. 2020.

Fernandes, M. P., Sato, J. R., Busatto Filho, G., and Thomaz, C. E. (2012). Classificação estatística e predição da doença de alzheimer por meio de imagens médicas do encéfalo humano. Avanços da Visão Computacional. Omnipax Editora.

Hiary, H., Saadeh, H., Saadeh, M., and Yaqub, M. (2018). Flower classification using deep convolutional neural networks. IET Computer Vision, 12(6):855–862.

Joly, A., Goëau, H., Bonnet, P., Bakić, V., Barbe, J., Selmi, S., Yahiaoui, I., Carré, J., Mouysset, E., Molino, J.-F., et al. (2014). Interactive plant identification based on social image data. Ecological Informatics, 23:22–34.

Kumar, N., Belhumeur, P. N., Biswas, A., Jacobs, D. W., Kress, W. J., Lopez, I. C., andSoares, J. V. (2012). Leafsnap: A computer vision system for automatic plant species identification. In European Conference on Computer Vision, pages 502–516. Springer.

LeCun, Y., Bengio, Y., et al. (1995). Convolutional networks for images, speech, and timeseries. The handbook of brain theory and neural networks, 3361(10): 1995.

Moen, E., Bannon, D., Kudo, T., Graf, W., Covert, M., and Van Valen, D. (2019). Deep learning for cellular image analysis. Nature methods, pages 1–14.

Neves, L. A. P., VIEIRA NETO, H., and Gonzaga, A., editors (2012). Avanços em Visão Computacional. Omnipax, Curitiba, PR, 1 edition. 406 p.

Nieto, D., Brill, A., Feng, Q., Humensky, T., Kim, B., Miener, T., Mukherjee, R., andSevilla, J. (2019). Ctlearn: Deep learning for gamma-ray astronomy. arXiv preprint arXiv:1912.09877.

Oyama, P. d. C., JORGE, L. d. C., Rodrigues, E. L. L., and Gomes, C. C. (2012). Sistema para classificação automática de café em grãos por cor e forma através de imagens digitais. Embrapa Instrumentação - Capítulo em livro científico (ALICE).

Wu, S. G., Bao, F. S., Xu, E. Y., Wang, Y.-X., Chang, Y.-F., and Xiang, Q.-L. (2007). A leaf recognition algorithm for plant classification using probabilistic neural network. In 2007 IEEE international symposium on signal processing and information technology, pages 11–16. IEEE.

Wu, Z., Shen, C., and Van Den Hengel, A. (2019). Wider or deeper: Revisiting the resnet model for visual recognition. Pattern Recognition, 90:119–133.