Reconhecimento de espécies florestais Amazônicas utilizando imagens de superfícies transversais

• Artur Jefferson F. da Silva UTFPR https://orcid.org/0009-0002-1280-2417
• Jandrei Sartori Spancerski UTFPR https://orcid.org/0000-0002-4077-281X
• Kelyn Schenatto UTFPR https://orcid.org/0000-0002-1810-679X
• Silvana Nisgoski UFPR https://orcid.org/0000-0001-9595-9131
• Pedro Luiz de Paula Filho UTFPR https://orcid.org/0000-0002-6291-9237

DOI: https://doi.org/10.5753/latinoware.2024.245540

Resumo

A pesquisa em monitoramento ambiental impulsionou o desenvolvimento de diversas tecnologias aplicadas à conservação dos ecossistemas. Este trabalho explora a aplicação da arquitetura YOLOv8 para a identificação de espécies arbóreas amazônicas utilizando técnicas de visão computacional. O estudo foca na análise de imagens de cortes transversais da madeira, com um banco de dados público compreendendo 2.160 imagens de 18 espécies distintas. O modelo foi treinado e validado, alcançando alta precisão no reconhecimento das espécies, com resultados de teste demonstrando taxas de acerto de até 99%. O objetivo é desenvolver uma solução que permita reconhecer espécies com precisão, contribuindo para a proteção da floresta e melhorando a fiscalização contra o desmatamento ilegal

Palavras-chave: monitoramento ambiental, YOLOv8, identificação de espécies, visão computacional, bioma amazônico, exploração ilegal

Referências

C. A. Boulton, T. M. Lenton, and N. Boers, “Pronounced loss of amazon rainforest resilience since the early 2000s,” Nature Climate Change, vol. 12, pp. 271–278, Mar. 2022. [Online]. Available: DOI: 10.1038/s41558-022-01287-8

L. V. Gatti, L. S. Basso, J. B. Miller, M. Gloor, L. G. Domingues, H. L. G. Cassol, G. Tejada, L. E. O. C. Aragão, C. Nobre, W. Peters, L. Marani, E. Arai, A. H. Sanches, S. M. Corrêa, L. Anderson, C. V. Randow, C. S. C. Correia, S. P. Crispim, and R. A. L. Neves, “Amazonia as a carbon source linked to deforestation and climate change,” Nature Climate Change, vol. 595, pp. 388–393, Mar. 2021. [Online]. Available: DOI: 10.1038/s41586-021-03629-6

R. B. Souza, R. B. B. Souza, F. R. F. Júnior, and P. P. de Almeida Neto, “Efeitos da extração de madeira sobre a biodiversidade em florestas tropicais,” Natural Resources, vol. 11, p. 3, Jul. 2021. [Online]. Available: DOI: 10.6008/CBPC2237-9290.2021.003.0005

P. L. de Paula Filho, “Reconhecimento de espécies florestais através de imagens macroscópicas,” Ph.D. dissertation, Universidade Federal do Paraná, 2012. [Online]. Available: [link]

H. A. Ghapar, U. Khairuddin, R. Yusof, A. S. M. Khairuddin, and A. Ahmad, “New Feature Extraction for Wood Species Recognition System via Statistical Properties of Line Distribution,” 2021 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), pp. 1–5, Feb. 2021. [Online]. Available: [link]

S. Neethu and L. B. Syla, “Wood Species Recognition Using Machine Learning,” 2021 Fourth International Conference on Microelectronics, Signals & Systems (ICMSS), pp. 1–6, Feb. 2021. [Online]. Available: [link]

J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” 2016. [Online]. Available: [link]

F. Solimani, A. Cardellicchio, G. Dimauro, A. Petrozza, S. Summerer, F. Cellini, and V. Renò, “Optimizing tomato plant phenotyping detection: Boosting yolov8 architecture to tackle data complexity,” Computers and Electronics in Agriculture, vol. 218, p. 108728, 2024. [Online]. Available: [link]

J. Terven, D.-M. Córdova-Esparza, and J.-A. Romero-González, “A comprehensive review of yolo architectures in computer vision: From yolov1 to yolov8 and yolo-nas,” Machine Learning and Knowledge Extraction, vol. 5, no. 4, p. 1680–1716, Nov. 2023. [Online]. Available: DOI: 10.3390/make5040083

Ultralytics, “Enterprise software license,” 2023. [Online]. Available: [link]

F. Wu, R. Gazo, E. Haviarova, and B. Benes, “Wood identification based on longitudinal section images by using deep learning,” Wood Science and Technology, no. 55, p. 553–563, Aug. 2021. [Online]. Available: DOI: 10.1007/s00226-021-01261-1

A. R. de Geus, S. F. d. Silva, A. B. Gontijo, F. O. Silva, M. A. Batista, and J. R. Souza, “An analysis of timber sections and deep learning for wood species classification,” Multimedia Tools and Applications, vol. 79, no. 45, pp. 34 513–34 529, 2020. [Online]. Available: DOI: 10.1007/s11042-020-09212-x

J. Redmon and A. Farhadi, “Yolov3: An incremental improvement,” 2018. [Online]. Available: [link]

A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, “Yolov4: Optimal speed and accuracy of object detection,” 2020. [Online]. Available: [link]

H. Zhang, M. Cisse, Y. N. Dauphin, and D. Lopez-Paz, “mixup: Beyond empirical risk minimization,” 2018. [Online]. Available: [link]

N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, “Dropout: A simple way to prevent neural networks from overfitting,” Journal of Machine Learning Research, vol. 15, no. 56, pp. 1929–1958, 2014. [Online]. Available: [link]