Use este identificador para citar ou linkar para este item:
https://repositorio.ifgoiano.edu.br/handle/prefix/752| Tipo: | Trabalho de Conclusão de Curso |
| Título: | RECONHECIMENTO DE NERVURAS DE FOLHAS EM PLANTAS UTILIZANDO REDES NEURAIS CONVOLUCIONAIS |
| Título(s) alternativo(s): | Leaf vein recognition in plants using Convolutional Neural Networks |
| Autor(es): | Ribeiro, Andrey Silva |
| Primeiro Orientador: | Ferreira, André Luiz Nascente |
| Primeiro Coorientador: | Teles, Ronneesley Moura |
| Primeiro Membro da Banca: | Ferreira, André Luiz Nascente |
| Segundo Membro da Banca: | Faria, Lucas José de |
| Terceiro Membro da Banca: | Silva, Luiz Fernando Calaça |
| Resumo: | O presente trabalho busca a segmentação de imagens para identificação de nervuras de folhas de plantas disponíveis no dataset Flavia por meio de Redes Neurais Artificiais. As imagens passaram por um pré-processamento para criação de máscaras de segmentação, conversão em escala de cinza, redimensionamento e normalização. A criação de arquiteturas para a segmentação utilizando Redes Neurais Convolucionais tem como base hiperparâmetros como a quantidade de épocas de treinamento, tamanho do lote, função de ativação, algoritmo de aprendizagem, dentre outros. A quantidade de parâmetros da rede neural e o valor da função de perda foram utilizados para escolha do melhor modelo. Os resultados mostram que o melhor modelo foi utilizando a arquitetura U-Net com função deperda binary crossentropy no valor de perda de 0.0209. |
| Abstract: | The present work seeks the segmentation of images to identify leaf veins of plants available onthe Flavia dataset through Convolutional Neural Networks. Images have been preprocessed formask segmentation, grayscale conversion, rescaling and normalization.The creation of segmentation architectures using Convolutional Neural Networks is based onhyperparameters such as the number of training times, batch size, activation function, learningalgorithm, among others. The number of neural network parameters and the loss function valuewere used to choose the best model. The results show that the best model is using the U-Netarchitecture with binary crossentropy loss function in the value of 0.0209. |
| Palavras-chave: | Redes Neurais Artificiais Reconhecimento de Nervuras Visão Computacional Identificação de Plantas |
| Área do CNPq: | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
| Idioma: | por |
| Pais: | Brasil |
| Editor: | Instituto Federal Goiano |
| Sigla da Instituição: | IF Goiano |
| Campus: | Campus Ceres |
| Tipo de Acesso: | Acesso Aberto |
| URI: | https://repositorio.ifgoiano.edu.br/handle/prefix/752 |
| Data do documento: | 21-Nov-2019 |
| Aparece nas coleções: | Bacharelado em Sistemas de Informação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| tcc_ Andrey_Silva_Ribeiro.pdf | 1,1 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.