Comparativo entre modelos de segmentação para identificação de espécies florestais

• Rômulo Diógenes Moro UTFPR
• Pedro Luiz de Paula Filho UTFPR

DOI: https://doi.org/10.5753/latinoware.2024.245731

Resumo

O desmatamento das florestas é uma preocupação crescente, pois seus impactos estão diretamente relacionados ao aquecimento global. Uma das maneiras de diminuir a degradação das florestas é a correta identificação das espécies de madeira. Porém, essa identificação se torna difícil devida à grande quantidade de espécies presentes no bioma brasileiro. Este artigo tem como objetivo explorar os conceitos para o desenvolvimento de uma solução baseada em técnicas de segmentação de imagens como o You Only Look Once (YOLO) e o Segment Anything Model (SAM) para otimizar o desempenho de um classificador Resnet-50. Ao concluir esta solução, espera-se contribuir para a identificação precisa das espécies de madeira, auxiliando com os agentes fiscalizadores no combate ao desmatamento ilegal.

Palavras-chave: YOLO, SAM, Resnet-50, Espécies Florestais

Referências

Dickmann e L. Liotti, Educação Ambiental Crítica: Mudanças Climáticas, 2024, p. 189. [Online]. Disponível em: [link]

Ministério do Meio Ambiente, “Prevenção e controle do desmatamento,” 2024. [Online]. Disponível em: [link]

M. N. dos Santos Andreza, C. L. F. Diniz, J. V. da Silva Dantas, N. L. Cartaxo, C. T. de Macedo, V. S. dos Santos, W. J. de Santana e R. L. Gonçalves, “Interferência do desmatamento na qualidade ambiental e social,” Brazilian Journal of Development, vol. 10, pp. 1420–1436, 2024. [Online]. Disponível em: [link]

A. Castro e D. Andrade, “O custo econômico do desmatamento da floresta amazônica brasileira (1988-2014),” Perspectiva Econômica, vol. 12, p. 21, 2016. [Online]. Disponível em: [link]

P. Fearnside, Desmatamento na Amazônia Brasileira: História, Índices e Consequências, 2020. [Online]. Disponível em: [link]

M. B. Diniz, “Desmatamento e ausência de riqueza na Amazônia,” 2017, [link]. [Online]. Disponível em: [link]

J. Achatz, M. Lukovic, S. Hilt, T. Läadrach e M. Schubert, “Convolutional neural networks for quality and species sorting of roundwood with image and numerical data,” Expert Systems with Applications, vol. 246, p. 123117, 2024. [Online]. Disponível em: [link]

W. de Oliveira, “Software para reconhecimento de espécies florestais a partir de imagens digitais de madeiras utilizando deep learning,” Medianeira, PR, Brasil, p. 103, 2018. [Online]. Disponível em: [link]

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

S.-W. Hwang e J. Sugiyama, “Computer vision-based wood identification and its expansion and contribution potentials in wood science: A review,” Plant Methods, vol. 17, 2021. [Online]. Disponível em: [link]

G. Jocher, A. Chaurasia e J. Qiu, “Ultralytics yolov8,” 2024. [Online]. Disponível em: [link]

J. Terven, D.-M. C. Esparza e J.-A. Romero-Gonzalez, “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, pp. 1680–1716, nov 2023. [Online]. Disponível em: DOI: 10.3390/make5040083

A. Kirillov, E. Mintun, N. Ravi, H. Mao, C. Rolland, L. Gustafson, T. Xiao, S. Whitehead, A. C. Berg, W.-Y. Lo, P. Dollár e R. Girshick, “Segment anything,” ArXiv, vol. abs/2304.02643, p. 30, 2023. [Online]. Disponível em: [link]

Meta, “Introducing segment anything: Working toward the first foundation model for image segmentation,” 2024. [Online]. Disponível em: [link]

S. Minaee, Y. Boykov, F. Porikli, A. Plaza, N. Kehtarnavaz e D. Terzopoulos, “Image segmentation using deep learning: A survey,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. abs/2305.06422, p. 44, 2022. [Online]. Disponível em: [link]

I. R. I. Haque e J. Neubert, “Deep learning approaches to biomedical image segmentation,” Informatics in Medicine Unlocked, vol. 18, p. 100297, 2020. [Online]. Disponível em: [link]

G. Silva, M. K. C. Huang, T. F. Naves e P. L. de Paula Filho, “Reconhecimento de espécies florestais utilizando visão computacional,” in Anais do XII Seminário de Extensão e Inovação & XXVII Seminário de Iniciação Científica e Tecnológica da UTFPR. Santa Helena (PR): UTFPR Santa Helena, 2022. [Online]. Disponível em: [link]

K. He, X. Zhang, S. Ren e J. Sun, “Deep residual learning for image recognition,” ArXiv, vol. abs/1512.03385, p. 12, 2015. [Online]. Disponível em: [link]

V. Souza, L. Silva, L. Araújo e A. Santos, “Análise comparativa de redes neurais convolucionais no reconhecimento de cenas,” 2020. [Online]. Disponível em: [link]