Classificação e Contagem de Bovinos em Imagens Aéreas utilizando Visão Computacional e Aprendizagem de Máquina

  • Juliana do Espírito Santo UESC
  • Jorge de Oliveira Filho UESC

Resumo


Este artigo expõe um método que faz uso da visão computacional e da aprendizagem de máquina para possibilitar a detecção, classificação e contagem de bovinos brancos em imagens aéreas obtidas através de um drone. Foram utilizadas a linguagem de programação Python e as bibliotecas OpenCV (Open Source Computer Vision) para o pré-processamento e segmentação das imagens e scikit-learn para a classificação com regressão logística. O método foi testado em imagens divididas entre os períodos seco e
chuvoso para auxiliar nas etapas de pré-processamento e segmentação e obteve eficiência de 95,2% na detecção e acurácia de 90,1% na classificação de bovinos brancos.

Referências

Batistella, M. Andrade, R. G., Bolfe, E. L., Victoria, D. D. C. e Da Silva, G. B. S. (2011). Geotecnologias e gestão territorial da bovinocultura no Brasil. Em Embrapa Territorial-Artigo em periódico indexado (ALICE), páginas 251-260.

Bradski, G. (2000). The OpenCV Library . Em Dr. Dobbs Journal.

Groom, G., Petersen, I. K. e Fox A. D. (2007). Sea bird distribution data with object based mapping of high spatial resolution image data. Em Challenges for earth observation-scientific, technical and commercial. Proceedings of the Remote Sensing and Photogrammetry Society Annual Conference.

Harvey, P. (2013). “ExifTool: Read, write and edit meta information”, https://exiftool.org , Fevereiro.

Marengoni, M. e Stringhini, S. (2009). Tutorial: Introdução à visão computacional usando opencv. Em Revista de Informática Teórica e Aplicada, páginas 125-160.

Maussang, F., Guelton, L., Garello, R., e Chevallier, A. (2015). Marine life observation using classification algorithms on ocean surface photographs. Em OCEANS 2015-Genova. IEEE.

Oliveira, J. H. F., Magnabosco, C. D. U. e Borges, A. D. S. (2002), Nelore: Base Genética e Evolução Seletiva no Brasil, Planaltina, 1a edição.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... e Vanderplas, J. (2011). Scikit-learn: Machine learning in Python. Em Journal of machine Learning research.

Redmon, J., Divvala, S., Girshick, R. e Farhadi, A. (2016). You only look once: Unified, real-time object detection. Em Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, páginas 779-788.

Ribeiro, N. G. Vi., Guedes, G. B. e Barbieri, T. T. (2019). Aplicação de algoritmos de visão computacional na contagem de gado por meio de processamento de imagens aéreas. Em Revista Eletrônica Argentina-Brasil de Tecnologias da Informação e da Comunicação.

Rosebrock, A. (2015) “OpenCV Track Object Movement”, https://www.pyimagesearch.com/2015/09/21/opencv-track-object-movement, Março.

Rosten E., Porter R. e Drummond T., "Faster and Better: A Machine Learning Approach to Corner Detection," in IEEE Transactions on Pattern Analysis and Machine Intelligence , vol. 32, no. 1, pp. 105-119, Jan. 2010, doi: 10.1109/TPAMI.2008.275.

Sirmacek, B., Wegmann, M., Cross, A. D. P., Hopcraft, J. G. C., Reinartz, P. e Dech, S. (2012). Automatic population counts for improved wildlife management using aerial photography. Em 6th International Congress on Environmental Modelling and Software.

Tzutalin, D. (2015). “LabelImg”, https://github.com/tzutalin/labelImg, Abril.

Venticinque , E. M., Carneiro, J. S., Moreira, M. P., & Ferreira, L. (2007). O uso de regressão logística para espacialização de probabilidades. Em Megadiversidade.
Publicado
10/09/2020
DO ESPÍRITO SANTO, Juliana; DE OLIVEIRA FILHO, Jorge. Classificação e Contagem de Bovinos em Imagens Aéreas utilizando Visão Computacional e Aprendizagem de Máquina. In: ESCOLA REGIONAL DE COMPUTAÇÃO DO CEARÁ, MARANHÃO E PIAUÍ (ERCEMAPI), 8. , 2020, Evento Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2020 . p. 165-172. DOI: https://doi.org/10.5753/ercemapi.2020.11481.