Please use this identifier to cite or link to this item: https://repositorio.ifgoiano.edu.br/handle/prefix/752
metadata.dc.type: Trabalho de Conclusão de Curso
Title: RECONHECIMENTO DE NERVURAS DE FOLHAS EM PLANTAS UTILIZANDO REDES NEURAIS CONVOLUCIONAIS
Other Titles: Leaf vein recognition in plants using Convolutional Neural Networks
metadata.dc.creator: Ribeiro, Andrey Silva
metadata.dc.contributor.advisor1: Ferreira, André Luiz Nascente
metadata.dc.contributor.advisor-co1: Teles, Ronneesley Moura
metadata.dc.contributor.referee1: Ferreira, André Luiz Nascente
metadata.dc.contributor.referee2: Faria, Lucas José de
metadata.dc.contributor.referee3: Silva, Luiz Fernando Calaça
metadata.dc.description.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.
Keywords: Redes Neurais Artificiais
Reconhecimento de Nervuras
Visão Computacional
Identificação de Plantas
metadata.dc.subject.cnpq: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
metadata.dc.language: por
metadata.dc.publisher.country: Brasil
Publisher: Instituto Federal Goiano
metadata.dc.publisher.initials: IF Goiano
metadata.dc.publisher.department: Campus Ceres
metadata.dc.rights: Acesso Aberto
URI: https://repositorio.ifgoiano.edu.br/handle/prefix/752
Issue Date: 21-Nov-2019
Appears in Collections:Bacharelado em Sistemas de Informação

Files in This Item:
File Description SizeFormat 
tcc_ Andrey_Silva_Ribeiro.pdf1,1 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.