Identifição de Espécies Florestais com YOLO: Um Estudo Baseado em Imagens de Folhas
Resumo
Gerenciar e proteger recursos naturais é uma das principais preocupações de um país. A ameaça da mudança climática traz ênfase para a preservação florestal, o primeiro passo na direção da prevenção é a educação ambiental. O seguinte trabalho procura criar um modelo de aprendizado profundo capaz de identificar a espécie de uma árvore por sua folha. Utilizando um dataset disponibilizado com 16 espécies florestais, totalizando 698 imagens, e amostras em um ambiente controlado para treinar o modelo de detecção de objetos com o software YOLO. Procura-se disponibilizar uma ferramenta capaz de facilitar e garantir maior confiança na identificação de uma espécie florestal em qualquer lugar. Possibilitando o estudo ambiental de áreas que recebem menos atenção de organizações formais e possuem menos recursos e mão de obra especializada. O modelo apresenta taxas de acerto acima de 93% com uma confiança de 60% nas predições.
Referências
R. A. Kerr, “Global warming is changing the world,” Science, vol. 316, no. 5822, pp. 188–190, 2007.
P. A. L. MACHADO and M. A. d. S. ARAGÃO, Principios de Direito Ambiental. Editora Jus Podivm, 2022.
A. C. P. Mazzei, T. M. F. Floripes, and M. T. M. Feitosa, “A importância da educação ambiental no período operatório concreto para a sustentabilidade existencial,” in PSICOLOGIA: UM OLHAR DO MUNDO REAL VOLUME 1, vol. 1. Editora Científica Digital, 2020, pp. 18–25.
W. O. Pires, R. C. Fernandes, P. L. de Paula Filho, A. Candido Junior, and J. P. Teixeira, “Leaf-based species recognition using convolutional neural networks,” in Optimization, Learning Algorithms and Applications: First International Conference, OL2A 2021, Bragança, Portugal, July 19–21, 2021, Revised Selected Papers 1. Springer, 2021, pp. 367–380.
N. R. Da Silva, M. W. d. S. Oliveira, H. A. d. A. Filho, L. F. S. Pinheiro, D. R. Rossatto, R. M. Kolb, and O. M. Bruno, “Leaf epidermis images for robust identification of plants,” Scientific reports, vol. 6, no. 1, p. 25994, 2016.
R. C. V. Martins-da Silva, M. G. Hopkins, and I. S. Thompson, “Identificação botânica na Amazônia: situação atual e perspectivas.” Belém, PA: Embrapa Amazônia Oriental., 2003.
H. Jiang and E. Learned-Miller, “Face detection with the faster r-cnn,” in 2017 12th IEEE international conference on automatic face & gesture recognition (FG 2017). IEEE, 2017, pp. 650–657.
Y. Liu, P. Sun, N. Wergeles, and Y. Shang, “A survey and performance evaluation of deep learning methods for small object detection,” Expert Systems with Applications, vol. 172, p. 114602, 2021.
G. Jocher, A. Chaurasia, and J. Qiu, “Ultralytics yolov8,” 2023. [Online]. Available: [link]
B. Dwyer, J. Nelson, T. Hansen, and et al., “Roboflow (version 1.0),” 2024, computer vision software. [Online]. Available: [link]
C. Champagne and N. Sinha, “Compound leaves: equal to the sum of their parts?” Oxford University Press for The Company of Biologists Limited, 2004.
O. Mzoughi, I. Yahiaoui, N. Boujemaa, and E. Zagrouba, “Multiple leaflets-based identification approach for compound leaf species.” in EMR@ ICMR, 2014, pp. 53–60.
P. E. R. Carvalho, Espécies arbóreas brasileiras. Embrapa, 2008.
R. Rothe, M. Guillaumin, and L. Van Gool, “Non-maximum suppression for object detection by passing messages between windows,” in Computer Vision–ACCV 2014: 12th Asian Conference on Computer Vision, Singapore, Singapore, November 1-5, 2014, Revised Selected Papers, Part I 12. Springer, 2015, pp. 290–306.
D. M. Hawkins, “The problem of overfitting,” Journal of chemical information and computer sciences, vol. 44, no. 1, pp. 1–12, 2004
