Reconhecimento de plantas comestı́veis não convencionais: uma análise de métodos de classificação aplicados à visão computacional

• Gustavo Almeida UFOPA
• Virgílio Soares UFOPA
• Marcio Ponte UFOPA
• Fabio Lobato UFOPA

DOI: https://doi.org/10.5753/wcama.2019.6421

Resumo

A vasta biodiversidade da floresta amazônica abre portas para muitos estudos, inclusive acerca da utilização de métodos computacionais para anali- sar fauna e flora. Verificando uma lacuna no estudo de plantas comestı́veis não convencionais (PANCs) na Região do Oeste do Pará, objetivou-se utilizar de técnicas de visão computacional para identificação automática de plantas per- tencentes à esta categoria. Para obter tal resultado, avaliou-se a utilização de sete classificadores para reconhecimento em imagens digitais das PANCs. Os resultados apresentaram uma boa precisão no reconhecimento das classes das imagens de teste. Como impacto direto do estudo, destaca-se a possibilidade de se desenvolver um aplicativo de suporte à decisão para reconhecimento automático de PANCs a fim de ser utilizado por órgãos reguladores.

Palavras-chave: Plantas comestíveis não-convencionais, Reconhecimento de folhas, Visão computacional, Modelos de classificação

Referências

Bezerra, M. E. R. and Oliveira, A. L. I. (2006). M´etodos baseados na regra do vizinho mais pr´oximo para reconhecimento de imagens.

Bredariol, L. R. (2015). Levantamento e caracterizac¸ ˜ao das plantas aliment´ıcias n˜ao con- vencionais (panc’s) espontˆaneas presentes em um sistema agroflorestal no munic´ıpio de rio claro-sp.

Castillo, R., Contreras, D., Freer, J., Ruiz, J., and Valenzuela, S. (2008). Supervised pattern recognition techniques for classification of eucalyptus species from leaves nir spectra. Journal ofthe Chilean Chemical Society, 53(4):1709–1713.

Duarte, G. d. R. (2018). Levantamento e caracterizac¸ ˜ao das plantas aliment´ıcias n˜ao convencionais do Parque Florestal de Monsanto-Lisboa. PhD thesis.

Hoorn, C., Wesselingh, F. P., ter Steege, H., Bermudez, M. A., Mora, A., Sevink, J., Sanmart´ın, I., Sanchez-Meseguer, A., Anderson, C. L., Figueiredo, J. P., Jaramillo, C., Riff, D., Negri, F. R., Hooghiemstra, H., Lundberg, J., Stadler, T., S¨arkinen, T., and Antonelli, A. (2010). Amazonia through time: Andean uplift, climate change, landscape evolution, and biodiversity. Science, 330(6006):927–931.

Hossain, J. and Amin, M. A. (2010). Leaf shape identification based plant biometrics. In 2010 13th International conference on computer and information technology (ICCIT), pages 458–463. IEEE.

Kinupp, V. F. and Lorenzi, H. (2014). Plantas Aliment´ıcias N˜ao Convencionais (PANC) no Brasil: guia de identificacao, aspectos nutricionais e receitas ilustradas. Instituto Plantarum de Estudos da Flora Ltda.

Kumar, M., Kamble, M., Pawar, S., Patil, P., and Bonde, N. (2011). Survey on techniques for plant leaf classification. International Journal of Modern Engineering Research, 1(2):538–544.

Satti, V., Satya, A., and Sharma, S. (2013). An automatic leaf recognition system for plant identification using machine vision technology. International journal of engineering science and technology, 5(4):874.

Sousa, R. d. S., Guedes, E. B., and Oliveira, M. B. L. (2018). Previsao anual de precipitacoes em manaus, amazonas: Um comparativo de tecnicas de aprendizado de m´aquina. In 9o Workshop de Computacao Aplicada a Gestao do Meio Ambiente e Recursos Naturais (WCAMA CSBC 2018), volume 9. SBC.

Visentini, G. C., Pavan, W., Holbig, C. A., and Fernades, J. M. (2018). Aplicativo ios para coleta autˆonoma de imagens e monitoramento do meio agr´ıcola. In 9o Workshop de Computac¸ ˜ao Aplicada a Gest˜ao do Meio Ambiente e Recursos Naturais (WCAMA CSBC 2018), volume 9. SBC.