Análise Semi-Automática Do Arranjo Espacial de Plantas de Milho Utilizando Visão Computacional

UNIVERSIDADE TECNOLGICA FEDERAL DO PARAN
CMPUS CORNLIO PROCPIO

DIRETORIA DE PESQUISA E PS-GRADUAO
PROGRAMA DE PS-GRADUAO EM INFORMTICA
ANDERSON BRILHADOR
ANLISE SEMI-AUTOMTICA DO ARRANJO ESPACIAL DE

PLANTAS DE MILHO UTILIZANDO VISO COMPUTACIONAL
DISSERTAO MESTRADO
CORNLIO PROCPIO
2015
ANDERSON BRILHADOR
ANLISE SEMI-AUTOMTICA DO ARRANJO ESPACIAL DE

PLANTAS DE MILHO UTILIZANDO VISO COMPUTACIONAL
Dissertao de mestrado apresentada ao Programa

de Ps-Graduao em Informtica da Universidade
Tecnolgica Federal do Paran UTFPR para a ob-
teno do ttulo de Mestre em Informtica.
Orientador: Fabrcio Martins Lopes
CORNLIO PROCPIO
2015
Ministrio da Educao
Universidade Tecnolgica Federal do Paran
Cmpus Cornlio Procpio
Programa de Ps-Graduao em Informtica
Ttulo da Dissertao N 10:
Anlise Automtica do Arranjo Espacial de Plantas de

Milho Utilizando Viso Computacional.
por
Anderson Brilhador
Orientador: Prof. Dr. Fabrcio Martins Lopes
Esta dissertao foi apresentada como requisito parcial obteno do

grau de MESTRE EM INFORMTICA rea de Concentrao: Computao
Aplicada, pelo Programa de Ps-Graduao em Informtica PPGI da
Universidade Tecnolgica Federal do Paran UTFPR Cmpus Cornlio
Procpio, s 14h00 do dia 29 de setembro de 2015. O trabalho foi APROVADO pela
Banca Examinadora, composta pelos professores:
__________________________________ __________________________________
Prof. Dr. Fabrcio Martins Lopes Prof. Dr. Pedro Henrique Bugatti
(Presidente) (UTFPR-CP)
_________________________________
Prof. Dr. Franklin Csar Flores
(UEM-PR)
Visto da coordenao: __________________________________

Carlos Nascimento Silla Junior
Coordenador do Programa de Ps-Graduao em Informtica
UTFPR Cmpus Cornlio Procpio
A Folha de Aprovao assinada encontra-se na Coordenao do Programa.
Av. Alberto Carazzai, 1640 - 86.300-000- Cornlio Procpio PR.

Tel. +55 (43) 3520-4055 / e-mail: ppgi-cp@utfpr.edu.br / www.utfpr.edu.br/cornelioprocopio/ppgi
Dedico este trabalho memria do meu querido pai...
Lasinho Brilhador.
AGRADECIMENTOS
Certamente no ser possvel agradecer todas as pessoas, nas quais de algum modo
colaboraram ou fizeram parte desta grande jornada pessoal, assim peo desculpas aqueles que
no esto presentes entre estas palavras, mas asseguro que tenho todo respeito e gratido ao que
fizeram por mim.
Agradeo ao Professor Dr. Fabrcio Martins Lopes pela orientao, colaborao e

todos esforos empenhados para que o trabalho fosse concretizado.
Agradeo ao Engenheiro Daniel Aloysio Serrarens pela idealizao e colaborao no

trabalho desenvolvido.
Agradeo ao Engenheiro Osvaldo Rodrigues Jnior por todas as caronas para a Fa-
zenda Canad.
Agradeo Belagrcola pela bolsa disponibilizada para o desenvolvimento do trabalho

e toda confiana depositada.
Agradeo minha me, Tereza Soares de Almeida, uma mulher guerreira, que apesar
de todas as dificuldades sempre fez o melhor por mim.
E por fim, agradeo ao meu pai, Lasinho Brilhador, um homem humilde, teimoso e
acima de tudo, batalhador, no qual em todo momento de sua vida, acreditou na minha capaci-
dade, me dando confiana para lutar.
Hoje tenho a convico, que s cheguei onde cheguei, graas ao apoio do meu pai.
Obrigado, pai.
RESUMO
BRILHADOR, Anderson. ANLISE SEMI-AUTOMTICA DO ARRANJO ESPACIAL DE

PLANTAS DE MILHO UTILIZANDO VISO COMPUTACIONAL. 111 f. Dissertao
Mestrado Programa de Ps-graduao em Informtica, Universidade Tecnolgica Federal do
Paran. Cornlio Procpio, 2015.
A demanda mundial por alimentos cresce a cada ano, tornando necessrio o desenvolvimento
de novas tecnologias que aumentem a produo de gros sem aumentar as reas destinadas ao
para plantio. A cultura de milho uma das principais commodities do mundo, sendo utilizada
na alimentao humana e como rao de outros animais, alm de possuir outros fins industriais.
O milho sensvel ao arranjo espacial de plantas e qualquer variao no padro de distribuio
pode levar reduo na produo do milho. Atualmente, o processo de verificao da uniformi-
dade dos espaamentos entre plantas realizado de forma manual por agrnomos e produtores,
a fim de prever possveis perdas de produo. Nesse contexto, este trabalho prope uma abor-
dagem automtica para a anlise do arranjo espacial de plantas por meio da mensurao dos es-
paamentos entre plantas de milho em fases inicias de crescimento. A partir dessa mensurao
so extradas informaes relevantes como densidade populacional, uniformidade do plantio e
estimativas de perdas. A abordagem proposta utiliza tcnicas de viso computacional de baixo
custo computacional para identificar as plantas de milho e mensurar os espaamentos entre plan-
tas, permitindo seu uso em dispositivos com baixo poder computacional como smartphones e
tablets. Um conjunto de imagens foi construdo como uma contribuio adicional do trabalho
contento 222 imagens panormicas da linha de plantio de milho em trs condies de plantio:
direto, convencional e direto aps aplicao de herbicidas. Os resultados dos experimentos al-
canaram uma taxa de 90% de preciso e 87% de sensibilidade na identificao das plantas de
milhos presentes na base. Uma comparao entre as medidas dos espaamentos entre plantas
realizadas de forma manual e por viso computacional, no apresentou diferenas significativas
entre as medies, indicando a eficcia da abordagem proposta no trabalho.
Palavras-chave: Viso computacional, Espaamento entre plantas, Densidade populacional,

Estimativa de perdas, Agricultura de preciso.
ABSTRACT
BRILHADOR, Anderson. AUTOMATIC ANALYSIS OF THE SPATIAL ARRANGEMENT

OF CORN PLANTS USING COMPUTER VISION. 111 f. Dissertao Mestrado Programa
de Ps-graduao em Informtica, Universidade Tecnolgica Federal do Paran. Cornlio Pro-
cpio, 2015.
Global demand for food is growing every year, requiring the development of new technologies
that increase grain production without increasing the areas destined for planting. The corn crop
is a major commodity in the world and is used as food, feed for other animals, in addition to
having other industrial purposes. Corn is sensitive to the spatial arrangement of plants and any
variation in distribution pattern can lead to reduction in the production of corn. Currently, the
process of checking the uniformity of spacing between plants is done manually by agronomists
and producers in order to predict possible production losses. In this context, this paper proposes
an automatic approach to the analysis of the spatial arrangement of plants by measuring the
spacing between corn plants in early stages of growth. From this measurement are extracted
relevant information such as population density, uniformity of planting and loss estimates. The
proposed approach uses computer vision techniques of low computational cost to identify corn
plants and measure the spacing between plants, allowing its use in devices with low compu-
tational power such as smartphones and tablets. A set of images was built as an additional
contribution of work, containing 222 panoramic images of corn planting in three conditions of
planting: direct, conventional and direct after applying herbicides. The experimental results
achieve 90% of rate accuracy and 87% sensitivity in identification of corn plants present on the
base. A comparison of the measurements of the distances between plants made of manual and
computer vision way, no presented significant differences between the measurements, indica-
ting the effectiveness of the proposed approach at work.
Keywords: Computer vision, Inter-plant spacing, Population density, Estimating losses, Preci-
sion agriculture.
LISTA DE FIGURAS
FIGURA 1 Exemplos de plantio. (a) Plantio direto e (b) Plantio convencional. . . . . . 20

FIGURA 2 Exemplo de arranjo espacial de plantas de milho. . . . . . . . . . . . . . . . . . . . . 21
FIGURA 3 Exemplo de desuniformidade na linha de plantio: (a) uniformidade ideal;
(b) planta fora do lugar; (c) falha e (d) duplas. . . . . . . . . . . . . . . . . . . . . . . . . . 22
FIGURA 4 Fluxograma representando as etapas do processamento de imagens. Fonte:
Adaptado de Gonzalez e Woods (2006). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
FIGURA 5 Descrio dos valores dos pixels de uma imagem digital. (a) Imagem
original, (b) Imagem discreta e (c) Intensidade dos pixels. . . . . . . . . . . . . . . 32
FIGURA 6 Exemplos de vizinhanas de pixels (a) 4 - Conectividade e (b) 8 - Conec-
tividade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
FIGURA 7 Representao das mscaras 3 x 3 do filtro da mdia. (a) Posio dos
pixels. (b) Mdia aritmtica. (c) Mdia ponderada. Fonte: (GONZALEZ;
WOODS, 2006). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
FIGURA 8 Histograma bimodal de intensidades dividido por um nico limiar T. . . 39
FIGURA 9 Operao de dilatao e eroso. (a) Imagem Original; (b) Elemento
estruturante; (c) Resultado da dilatao; (d) Resultado da eroso. Fonte:
Adaptado de Pedrini e Schwartz (2008). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
FIGURA 10 Operao de abertura e fechamento. (a) Imagem Original; (b) Elemento
estruturante; (c) Resultado da abertura; (d) Resultado do fechamento. Fonte:
Adaptado de Pedrini e Schwartz (2008). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
FIGURA 11 Dimetro de uma borda. Fonte: Adaptado de Pedrini e Schwartz (2008). 47
FIGURA 12 Compacidade, conforme a equao 26. (a) objeto com baixa compa-
cidade; (b) objeto com alta compacidade. Fonte: Adaptado de Pedrini e
Schwartz (2008). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
FIGURA 13 Fecho convexo e defeitos convexos. (a) A linha pontilhada o fecho
convexo da estrela; (b) A regio em cinza o defeito convexo da estrela.
Fonte: Adaptado de Costa e Jr. (2009). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
FIGURA 14 Exemplo de estrutura de uma rvore de deciso. . . . . . . . . . . . . . . . . . . . . . 55
FIGURA 15 Modelo de uma rede neural composta de um perceptron. Fonte: (PE-
DRINI; SCHWARTZ, 2008). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
FIGURA 16 Arquitetura de rede neural multicamadas. Fonte: (PEDRINI; SCHWARTZ,
2008). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
FIGURA 17 Exemplo de separao tima entre duas classes. Fonte: Adaptado de
Duda et al. (2001). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
FIGURA 18 Estimativa de preciso com o mtodo Holdout. Fonte: Adaptado de Han
et al. (2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
FIGURA 19 Exemplo de imagens pertencentes a classe de Feijo. . . . . . . . . . . . . . . . . 64
FIGURA 20 Exemplo de imagens pertencentes a classe de Milho. . . . . . . . . . . . . . . . . 65
FIGURA 21 Processo de aquisio das imagens panormicas. . . . . . . . . . . . . . . . . . . . . 65
FIGURA 22 Exemplo de imagens presentes na base. (a, b) Plantio direto, (c, d) Plan-
tio convencional e (e, f) Plantio direto aps aplicao de herbicidas. . . . . . . 67
FIGURA 23 Exemplo de demarcao das plantas de milho presentes na base de ima-
gens. As informaes em azul so referentes a planta e as informaes em
amarelo referem-se ao caule. (a) Imagem original, (b) Imagem Superpixel,
(c, d, e) Usurio seleciona os agrupamentos dos pixels, (f) Mscara gerada
pela demarcao das plantas, (g) Demarcao considerando a rea da planta
e do caule. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
FIGURA 24 (a) Exemplo de imagem da base. (b) O rob utilizando na aquisio das
imagens. Fonte: (HAUG; OSTERMANN, 2014). . . . . . . . . . . . . . . . . . . . . . . 70
FIGURA 25 Fluxograma da metodologia para classificao de milho e feijo. . . . . . . 71
FIGURA 26 Exemplo de imagens resultantes do processo de segmentao pelo indice
vegetativos. (a) Imagem original, (b) Imagem em tons de cinza produzida
pelo CIVE, (c) Imagem binarizada pelo mtodo de Otsu, (d) Mscara de
referncia da segmentao. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
FIGURA 27 Exemplo de imagens da base de cenouras e ervas daninhas e as respec-
tivas imagens em tons de cinza geradas pelos ndices de vegetao. (a)
Imagem original, (b) ExG, (c) ExR, (d) NDI, (e) CIVE, (f) ExGR, (g) VEG
e (h) COM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
FIGURA 28 Exemplo de imagens da base de cenouras e ervas daninhase as respec-
e (h) COM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
FIGURA 29 Exemplo de imagens da base de cenouras e ervas daninhas e as respec-
e (h) COM. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
FIGURA 30 Exemplo de marcaes realizadas pelo especialista para treinamento do
classificador da abordagem de segmentao interativa. . . . . . . . . . . . . . . . . . 75
FIGURA 31 Fluxograma da metodologia para identificao e mensurao dos espa-
amento entre plantas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
FIGURA 32 Exemplo de identificao de plantas duplas. (a) Plantas duplas em uma
linha de plantio de milho; (b) Extrao da rea do objeto segmentado para
comparar com a mediada das reas; (c) Diviso da rea em duas identifi-
cando duas plantas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
FIGURA 33 Extrao do caule pelo defeito do fecho convexo. (a) Objeto extrado;
(b) Fecho convexo; (c) Em amarelo so os defeitos do fecho convexo; (d)
Identificao do ponto mais profundo e definio do caule da planta. . . . . . 80
FIGURA 34 Imagens adquiridas das demarcaes no solo. . . . . . . . . . . . . . . . . . . . . . . . 81
FIGURA 35 Exemplo de contraste inadequado, onde o pico da distribuio est na
lateral. (a) Imagem da classe de plantio direto. (b) histograma dos trs
canais RGB. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
FIGURA 36 Exemplo de contraste inadequado, pois os picos das distribuies no
tendem a convergir em nico ponto central. (a) Imagem da classe de plantio
convencional. (b) histograma dos trs canais RGB. . . . . . . . . . . . . . . . . . . . . . 90
FIGURA 37 Exemplo de contraste adequado, onde os picos convergem para um ponto
central. (a) Imagem da classe de plantio herbicida. (b) histograma dos trs
canais RGB. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
FIGURA 38 Exemplo de contraste adequado, onde os picos tendem a convergir a um
ponto central. (a) Imagem da classe de plantio herbicida. (b) histograma
dos trs canais RGB. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
FIGURA 39 Resultados da identificao das plantas de milho utilizando o ndice ve-
getativo CIVE em conjunto com o mtodo de Otsu como mtodo de seg-
mentao e a demarcao pela rea da planta e do caule. . . . . . . . . . . . . . . . . 95
FIGURA 40 Resultados da identificao das plantas de milho utilizando a segmenta-
o interativa e a demarcao pela rea da planta e do caule. . . . . . . . . . . . . 95
FIGURA 41 Resultados da identificao das plantas de milho utilizando o ndice ve-
getativo CIVE em conjunto com o mtodo de Otsu como mtodo de seg-
mentao e a demarcao pela mscara da planta e do caule. . . . . . . . . . . . . 97
FIGURA 42 Resultados da identificao das plantas de milho utilizando a segmenta-
o interativa e a demarcao pela mscara da planta e do caule. . . . . . . . . 98
FIGURA 43 Imagem exemplo do plantio direto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
FIGURA 44 Imagem exemplo do plantio convencional. . . . . . . . . . . . . . . . . . . . . . . . . . . 99
FIGURA 45 Imagem exemplo do plantio aps aplicao de herbicida. . . . . . . . . . . . . . 99
LISTA DE TABELAS
TABELA 1 Estdios fenolgicos de uma planta de milho. . . . . . . . . . . . . . . . . . . . . . . . 19

TABELA 2 Principais ndices vegetativos encontrados na literatura. . . . . . . . . . . . . . . 37
TABELA 3 Exemplo de matriz de confuso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
TABELA 4 Descrio das Tags que compem o XML de informaes das imagens
panormicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
TABELA 5 Resumo das caractersticas utilizadas no experimento, apresentadas na
seo 3.6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
TABELA 6 Feijo - Resultados com 16 caractersticas. . . . . . . . . . . . . . . . . . . . . . . . . . . 83
TABELA 7 Milho - Resultados com 16 caractersticas. . . . . . . . . . . . . . . . . . . . . . . . . . . 83
TABELA 8 Feijo - Resultados com 5 caractersticas. . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
TABELA 9 Milho - Resultados com 5 caractersticas. . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
TABELA 10 Resultados das segmentaes utilizando os ndices vegetativos sobre a
base de imagens de cenoura e ervas daninhas, descrita na seo 5.3. . . . . . . 86
TABELA 11 Resultados da abordagem de segmentao interativa sobre a base de ce-
noura e ervas daninhas, descrita na seo 5.3. . . . . . . . . . . . . . . . . . . . . . . . . . . 86
TABELA 12 Resultados dos mtodos de segmentao sobre a classe de plantio direto,
da base de imagens panormica de milho, descrita na seo 5.2. . . . . . . . . . . 87
TABELA 13 Resultados dos mtodos de segmentao sobre a classe de plantio con-
vencional, da base de imagens panormica de milho, descrita na seo 5.2. 88
TABELA 14 Resultados dos mtodos de segmentao sobre a classe de plantio direto
aps aplicao de herbicidas, da base de imagens panormica de milho,
descrita na seo 5.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
TABELA 15 Percentual de imagens com contraste adequado e inadequado em cada
classe de plantio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
TABELA 16 Mdia e desvio padro das diferenas da medio manual e baseada em
viso computacional. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
TABELA 17 Comparao entre a medio manual e baseada em viso computacional
com correo manual dos espaamentos entre plantas. Os valores esto em
centmetros e a imagem base do exemplo apresentada na Figura 43. . . . . 99
SUMRIO
1 INTRODUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1 OBJETIVOS DA PESQUISA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1.2 Objetivos Especficos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2 JUSTIFICATIVA E RELEVNCIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 CULTURA DO MILHO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1 ESTGIOS DE DESENVOLVIMENTO DA PLANTA DE MILHO. . . . . . . . . . . . . . . 18
2.2 MANEJO DO SOLO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 ARRANJO ESPACIAL DE PLANTAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 PERDAS NO PLANTIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 VISO COMPUTACIONAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1 FUNDAMENTOS DE IMAGENS DIGITAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 PR - PROCESSAMENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 NDICES DE VEGETAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 SEGMENTAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4.1 Limiarizao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4.2 Segmentao interativa de imagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4.3 Superpixel - agrupamento de pixel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.5 MORFOLOGIA MATEMTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.5.1 Dilatao e Eroso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.5.2 Abertura e Fechamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.6 REPRESENTAO E DESCRIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4 RECONHECIMENTO DE PADRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.1 CLASSIFICAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.1.1 Naive Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.1.2 Instance-based learning algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.1.3 rvore de deciso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1.4 Redes neurais artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.1.5 Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 SELEO DE CARACTERSTICAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2.1 Correlation-based feature selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3 VALIDAO E ANLISE DA PRECISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3.1 Mtodos de validao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3.2 Medidas de avaliao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5 MATERIAIS E MTODOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.1 BASE DE IMAGENS DE MILHO E FEIJO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.2 BASE DE IMAGENS PANORMICAS DE MILHO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2.1 Demarcao de plantas presentes na base de imagens . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.3 BASE DE IMAGENS DE CENOURA E ERVAS DANINHAS . . . . . . . . . . . . . . . . . . . 68
5.4 METODOLOGIA PARA CLASSIFICAO DE MILHO E FEIJO . . . . . . . . . . . . . . 71
5.5 METODOLOGIA PARA ANLISE E VALIDAO DOS MTODOS DE SEG-
MENTAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.6 METODOLOGIA PARA ANLISE AUTOMTICA DO ARRANJO ESPACIAL DE
PLANTAS DE MILHO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6 RESULTADOS E DISCUSSES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.1 CLASSIFICAO DE MILHO E FEIJO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.2 ANLISE E VALIDAO DOS MTODOS DE SEGMENTAO . . . . . . . . . . . . . . 84
6.3 ANLISE AUTOMTICA DO ARRANJO ESPACIAL DE PLANTAS DE MILHO 92
7 CONCLUSES E DIRECIONAMENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
REFERNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
13
1 INTRODUO
Na dcada atual a taxa de crescimento da produo agrcola mundial mais lenta que
da dcada anterior. Entretanto, ainda condizente com as estimativas que apontam a necessi-
dade de aumentar a produo mundial de alimentos em 70% para atender a populao aproxi-
mada de 2050 de acordo com a Organizao para Cooperao e Desenvolvimento Econmico
(OCDE) e a Food And Agriculture Organization (FAO) (OECD; FAO, 2010). Segundo estas
organizaes, o Brasil o pais com maior potencial de crescimento rpido, com capacidade de
aumentar a produo em 40% at 2019. O crescimento da produo agrcola esperado para a
China, ndia, Rssia, e Ucrnia superior a 20%. Enquanto espera-se que a produo agrcola
dos Estados Unidos e do Canad cresa entre 10% e 15%; da Austrlia, 7%; e a da Unio Eu-
ropeia, 27%, a qual deve apresentar um crescimento de seu produto agrcola menor que 4% at
2019 (VIEIRA FILHO et al., 2011).
Segundo o Food and Agricultural Policy Research Institute (FAPRI) (FAPRI, 2010), a
dificuldade de diversos pases em atenderem o aumento de suas necessidades de alimentos pode
resultar em um dficit acentuado de gros nos prximos anos. Pelos dados da instituio, pos-
svel que, em 2020 ocorra um dficit de arroz, soja, trigo e milho na ordem de 458,5 milhes de
toneladas. Deste total, 356,3 milhes de toneladas podem ser atendidas pelo comrcio, ficando
com um saldo devedor de 102,3 milhes de toneladas de gros. Os efeitos mais imediatos destes
resultados so o aumento da carncia alimentar mundial, especialmente nas regies pobres, e a
elevao dos preos das commodities agrcolas.
O Brasil o 3 maior produtor de gros alm de ser o 5 maior produtor de oleagi-

nosas e cereais mundiais (FAO, 2013) colocando o pas como um dos principais produtores do
mundo. O pas alcanou 195,47 milhes de toneladas de gros na safra de 2013/2014, a qual
deve ter uma reduo de 0,7% at um acrscimo de 3,2% para a safra 2014/2015 ficando entre
194 a 201,65 milhes de toneladas, segundo dados apontados pelo 1 levantamento de safra
2014/2015 realizado pela Companhia Nacional de Abastecimento (CONAB) (CONAB, 2014).
O agronegcio brasileiro tem grande potencial de crescimento. O mercado interno

14
expressivo, e o mercado internacional tem apresentado acentuado crescimento do consumo.

Pases superpopulosos tero dificuldades de atender s demandas devido ao esgotamento de suas
reas agricultveis. As dificuldades de reposio de estoques mundiais, o acentuado aumento
do consumo especialmente de gros como milho, soja e trigo e o processo de urbanizao em
curso no mundo criam condies favorveis a pases como o Brasil, que tm imenso potencial
de produo e tecnologia disponvel. A disponibilidade de recursos naturais no pas fator de
competitividade.
O Produto Interno Bruto (PIB) do agronegcio brasileiro em 2013 alcanou a marca

de 22,54% do PIB representando um montante de 1,09 trilhes de reais (CEPEA-USP, 2014),
tendo como expectativa de crescimento de 2,6% em 2014 e de 2,8% para o ano de 2015
(CEPEA-USP, 2015). O agronegcio entendido como a soma de quatro segmentos: (a)
insumos para agropecuria, (b) produo agropecuria bsica ou primria, (c) agroindstria
(processamento) e (d) distribuio. A anlise desse conjunto de segmentos feita para o setor
agrcola (vegetal) e para o pecurio (animal).
As exportaes do setor de agronegcios alcanaram a cifra de US$ 99,7 bilhes de

dlares em 2013, subindo 4,3% em relao ao ano de 2012, segundo dados da Secretria de
Relaes Internacionais do Ministrio da Agricultura, Pecuria e Abastecimento (SRI/Mapa).
As importaes cresceram 4%, atingindo US$ 17,06 bilhes. O saldo do comrcio exterior
do agronegcio foi positivo em US$ 82,91 bilhes (BRASIL, 2014). No entanto, em 2014
as exportaes do agronegcio brasileiro totalizaram US$ 96,75 bilhes, declnio de 3,2% em
relao aos US$ 99,97 bilhes comercializados no ano anterior. As importaes seguiram a
mesma tendncia, com queda de 2,6%, totalizando US$ 16,61 bilhes. O saldo do comrcio
exterior do agronegcio ficou positivo em US$ 80,13 bilhes, 3,3% inferior ao registrado em
2013, segundo o Departamento do Agronegcio da Fiesp (DEAGRO)(DEAGRO, 2015).
Um estudo indito realizado pelo IBGE (IBGE, 2004), analisou e quantificou as per-
das dos principais gros produzidos na agricultura brasileira chegando a 10% de toda colheita.
Nesse perodo apenas por perdas ocorridas entre o plantio e a colheita, nas culturas de arroz,
feijo, milho, soja e trigo, o Pas deixou de colher cerca de 28 milhes de toneladas de gros.
Nos ltimos anos, a cultura de milho (Zea mays L.) tem recebido grande ateno dos
produtores, passando de uma cultura destinada a rotao para uma cultura de commodity agr-
cola, sendo destinada para a produo de rao animal (avicultura, bovinocultura e suinicultura),
alm de ser utilizada na alimentao humana, serve tambm como matria prima para produo
de etanol (MIOTTO JNIOR, 2014).
No Brasil a produo mdia de milho baixa, em consequncia de fatores ligados fer-

15
tilidade do solo, arranjo espacial de plantas, uso inadequado de gentipos e prticas de manejos
no plantio. Contudo, o potencial produtivo aproximadamente seis vezes maior que mdia
brasileira nas ltimas safras, em torno de 4.000 kg ha, devido as caractersticas fisiolgicas
presentes na cultura de milho (SANGOI et al., 2010b).
A cultura de milho sensvel variao na densidade populacional e no arranjo espa-

cial de plantas (MIOTTO JNIOR, 2014). Alteraes nessas variveis podem otimizar o uso
de fatores de produo como gua, luz e nutrientes. Porm, essas prticas devem ser estudadas
localmente antes de serem adotadas, pois requerem altos investimentos em mquinas e insumos
(BALEM, 2013).
O milho vem sendo umas das culturas mais estudas no mundo com objetivo de maxi-
mizar o potencial produtivo, abordando o ponto de vista gentico ou de alternativas de manejo
mais eficientes. Nessa ltima dcada, vem se discutindo com maior frequncia a determinao
do melhor arranho espacial de plantas. No entanto, atualmente o melhor arranjo de plantas
aquele que proporciona um espaamento uniforme entre plantas, possibilitando melhor utiliza-
o de luz incidente, da gua e dos nutrientes (BALEM, 2013).
Agrnomos, tcnicos agrcolas e produtores rurais avaliam o arranjo espacial de plan-

tas de forma manual, esse mtodo exaustivo e demorado, alm de estar sujeito a erro humano
e dificilmente aplicado em larga escala. Portanto, importante o desenvolvimento de meto-
dologias que auxiliem o processo de anlise do arranjo espacial de planta, reduzindo o esforo,
tempo e erros ocasionados pela medio manual.
1.1 OBJETIVOS DA PESQUISA
1.1.1 OBJETIVO GERAL
Elaborar uma metodologia baseada em viso computacional para analisar o arranjo

espacial de plantas de milho, afim de extrair informaes relevantes como a densidade popu-
lacional, a uniformidade dos espaamentos entre plantas e a estimao das perdas de gros,
auxiliando a interveno de agrnomos, tcnicos agrcolas e produtores na fase inicial de de-
senvolvimento das plantas.
1.1.2 OBJETIVOS ESPECFICOS
Construir e disponibilizar uma base de imagens referentes ao cultivar de milho para auxi-
liar no desenvolvimento de novas metodologias de anlise dos espaamentos entre plantas
16
e servir como base para validao de experimentos.
Analisar mtodos de segmentao de plantas e caractersticas que apresentem melhores

resultados na classificao/mensurao do arranjo espacial de cultivares de milho.
Desenvolver uma metodologia para a identificao do cultivar de milho e mensurao de

espaamento entre plantas.
1.2 JUSTIFICATIVA E RELEVNCIA
A principal fonte de crescimento da agricultura Brasileira a produtividade, a qual vem

aumentando de maneira sistemtica, sendo que parte desse progresso ocorre pela incorporao
de terras e novas prticas de cultivo, sendo que o principal propulsor so os resultados dos
investimentos em pesquisa, servios de extenso e uso de novas tecnologias (GASQUES et al.,
2012). O investimento massivo em novas tecnologias realizado pelos produtores e fabricantes
de equipamentos agrcolas com o objetivo de solucionar problemas existentes e aumentar a
produtividade (COPETTI, 2004).
A produtividade importante por vrios aspectos, em particular por sua relao com
o crescimento econmico, bem-estar, distribuio de renda e reduo da pobreza. A agricul-
tura diretamente relacionada com a eficincia de produo e o custo de alimentos e produtos
agrcolas. Atualmente a grande preocupao a nvel global a suplementao de alimentos
medida que cresce a populao mundial o que torna ainda mais importante e necessrio o au-
mento de produtividade no setor agrcola (GASQUES et al., 2012). Portanto, o benefcio da alta
produtividade na agricultura de interesse de toda a sociedade e no apenas do setor agrcola.
Porm, para que o crescimento da produtividade possa continuar nos prximos anos,
trs fatores so essenciais: investimentos em logstica, principalmente nas reas em que esto
previstos os maiores aumentos de produo; melhorias nas reas: porturia, rodoviria e de
comunicao e crdito rural; devido ao papel que esta poltica tem na formao de capital, no
acesso s inovaes tecnolgicas e no estmulo oferta de produtos agrcola. Finalmente,
necessrio dar continuidade aos investimentos em pesquisa nas universidades e nos institutos
de pesquisa do pas. Ademais, devem-se traar polticas pblicas que incorporem na moderna
produo aqueles setores poucos desenvolvidos e com baixa capacidade de absoro tecnol-
gica, o que contribuiria para o desenvolvimento econmico como um todo (VIEIRA FILHO et
al., 2011).
Com essa necessidade na agricultura, a busca por alta produtividade se tornou indispen-
svel sendo preciso buscar inovaes tecnolgicas que auxiliem nesse processo. Dessa forma,
17
o trabalho prope o desenvolvimento de uma metodologia de analise do arranjo espacial de

plantas de milho, avaliando a uniformidade dos espaamentos entre plantas e a densidade po-
pulacional das plantas, alm de estimar as perdas de gros produzidas pela desuniformidade
do plantio com intuito de auxiliar agrnomos, tcnicos agrcolas e produtores no aumento da
produo de gros.
18
2 CULTURA DO MILHO
O milho uma gramnea pertencente famlia Poaceae e sua espcie a Zea mays L.
A supresso, condensao e multiplicao de vrias partes da anatomia bsica das gramneas
caracterizam a morfologia da planta e seu carter monico1 . Os aspectos vegetativos e reprodu-
tivos da planta de milho podem ser alterados atravs da interao com os fatores ambientais que
afetam o controle da ontogenia do desenvolvimento. No entanto, o resultado desse processo de
seleo natural produziu uma planta anual2 , robusta e ereta, com um a quatro metros de altura,
que uma grande fbrica para produo de gros (MAGALHES, 2002).
2.1 ESTGIOS DE DESENVOLVIMENTO DA PLANTA DE MILHO.
O conhecimento das diferentes fases de crescimento do milho de fundamental im-

portncia para obter um eficiente manejo da cultura. Portanto, relevante enfatizar os diversos
estgios de desenvolvimento de uma planta de milho, desde a sua emergncia at a maturidade
fisiolgica (MAGALHES, 2002).
As plantas de milho tm caractersticas fenolgicas3 relacionadas s suas fases de cres-

cimento. Ritchie et al. (1993) utilizam essas caractersticas para descrever detalhadamente os
estgios de desenvolvimento do milho, os quais so apresentados na escala fenolgica como
estdios fenolgicos.
A Tabela 1 apresenta a escala fenolgica proposta por Ritchie et al. (1993). Os estdios
vegetativos so representados pela letra V e os estdios reprodutivos so formados pela letra R.
A definio das subdivises dos estdios V so representadas numericamente como V1, V2, V3,
etc., at V(n), no qual (n) representa a quantidade de folhas completamente desenvolvidas antes
de alcanar VT. O primeiro e ltimo estdios de V so representados por VE (emergncia) e VT
(pendoamento), respectivamente. As subdivises dos estdios reprodutivos so representadas
numericamente seguindo o padro proposto por Hanway et al. (1966).
1 Apresenta flores masculinas e femininas na mesma planta (SILVA, 2014).
2 So as plantas que germinam, florescem e morrem no perodo mximo de um ano (SUGASTI, 2012).
3 So as mudanas morfolgicas relacionadas ao ciclo da cultura (DE ASSIS et al., 2014).
19
Tabela 1: Estdios fenolgicos de uma planta de milho.
Estdios vegetativos Estdios reprodutivos

VE - Emergncia R1 - Florescimento
V1 - Primeira folha R2 - Gro em bolha
V2 - Segunda folha R3 - Gro leitoso
V3 - Terceira folha R4 - Gro pastoso
V(n) ensima folha R5 - Gro dentado
VT - Pendoamento R6 - Maturao fisiolgica
Fonte: (RITCHIE et al., 1993).
2.2 MANEJO DO SOLO
O manejo do solo consiste de um conjunto de operaes realizadas para propiciar con-

dies favorveis semeadura, o desenvolvimento e a produo das plantas cultivadas. O pre-
paro do solo uma das operaes mais importantes a serem realizadas, pois quando usado raci-
onalmente, pode permitir uma alta produtividade das culturas com custos relativamente baixos.
No entanto, quando usado de maneira incorreta, pode realizar uma degradao fsica, qumica
e biolgica do solo, diminuindo o potencial produtivo da cultura (EMBRAPA, 2013).
Schultz (1987) divide os sistemas de preparo do solo em trs grupos:
Plantio convencional: solo lavrado e a superfcie fica exposta;
Cultivo mnimo: solo recebe o mnimo de preparo;
Plantio direto: solo no passa por nenhum tipo de preparo.
O plantio convencional vem sendo substitudo pelo plantio direto, devido principal-
mente degradao do solo causada pela prtica convencional. Enquanto, o plantio direto tem
efeito oposto, sendo corretamente adotado indispensvel para reverter o processo de degrada-
o, alm de melhorar o desempenho dos cultivares (EMBRAPA, 2013). A Figura 1 exibe dois
exemplos de plantio.
As ervas daninhas esto presentes em todos os sistemas de plantio, sendo necessrio

sua eliminao. No plantio convencional, as ervas daninhas so controladas mecanicamente
antes do plantio, atravs das operaes de gradagens (MELHORANA, 2002). No cultivo
mnimo, o preparo do solo localizado na linha de plantio, mantendo a maior parte dos resduos
naturais sob a superfcie do solo, a eliminao das ervas daninhas realizada, geralmente, com
aplicao de herbicidas pr-emergentes (BOTELHO, 2003). No plantio direto, a eliminao das
20
(a) (b)
Figura 1: Exemplos de plantio. (a) Plantio direto e (b) Plantio convencional.
ervas daninhas tambm feita por herbicidas aplicados em pr e ps-emergncia. Esse processo
de fundamental importncia para a viabilizao do plantio direto, sendo to eficiente quanto o
controle realizado pelo preparo do solo com grades, ou seja, causando mortalidade de 100% das
plantas presentes, para que a cultura se estabelea e tenha o seu desenvolvimento inicial sem a
competio das ervas daninhas (MELHORANA, 2002).
2.3 ARRANJO ESPACIAL DE PLANTAS
O arranjo espacial de plantas definido como o padro de distribuio das plantas,

no qual determinada a rea geomtrica disponvel para cada indivduo do plantio (WILLEY;
RAO, 1981). Teoricamente, o melhor arranjo espacial de plantas de milho aquele que pro-
move uma distribuio mais uniforme de plantas por rea, possibilitando melhor utilizao da
luminosidade, gua e nutrientes (ARGENTA et al., 2001; CRUZ et al., 2010a).
Esse arranjo pode ser alterado por mudanas na densidade populacional, no espaa-
mento entrelinhas e na distribuio espacial das plantas na linhas de plantio (SANGOI et al.,
2010a), sendo que as variaes de distncia entre as plantas diferem os arranjos espaciais da
lavoura (ARGENTA et al., 2001).
Entre as formas existentes de manejo do arranjo espacial, a densidade de plantas a

que tem maior interferncia no rendimento de gros (DOURADO NETO et al., 2010). Entre-
tanto diversos fatores tambm influenciam nos rendimentos dos gros como a qualidade das
sementes plantadas, profundidade de semeadura e a distribuio em linha no plantio (HORN,
2010; FRANA NETO et al., 2010).
Entre esses fatores, dois podem ser analisados de forma visual, a densidade de plantas
e a distribuio das plantas presentes na linha do plantio, os quais sero o foco do presente
21
trabalho. A Figura 2 exibe um exemplo de arranjo espacial de plantas de milho.
Figura 2: Exemplo de arranjo espacial de plantas de milho.
A Figura 2 exibe algumas variveis importantes para o entendimento deste trabalho.

A linha de plantio pode ser descrita como uma fileira de plantas. O espaamento entre linhas
definido pela distncia entre as fileiras e o espaamento entre plantas a distncia entre duas
plantas. A densidade de plantas definida como a quantidade de plantas por metro linear na
linha de plantio.
A densidade de plantas apresenta grande interferncia na produo de gros, pois pe-

quenas alteraes implicam em modificaes expressivas no rendimentos de gros (BRACHT-
VOGEL et al., 2009). A densidade ideal de plantas depende de diversos fatores, tais como a
disponibilidade hdrica, nvel de fertilidade do solo, cultivar e espaamentos entre linhas (AR-
GENTA et al., 2001).
A mensurao de densidade de plantas comumente realizada de forma manual com

auxlio de uma trena, a qual colocada paralelamente ao plantio e dentro do intervalo da trena
so contadas o nmero de plantas. Por exemplo, em um intervalo de 10 metros lineares so
contabilizadas 30 plantas, ou seja, 3 plantas por metro linear.
A distribuio em linha do plantio est relacionada ao estabelecimento de um arranjo

espacial uniforme de plantas, sendo outro fator importante para alcanar alto rendimento pro-
dutivo. Os estandes uniformes so aqueles em que as plantas se apresentam equidistantemente
22
distribudas e emergem simultaneamente na mesma poca (SANGOI et al., 2013).
A uniformidade permite uma melhor distribuio das plantas, aumentando a eficin-

cia na interceptao de radiao fotossinteticamente ativa, o que possibilita a diminuio na
competio entre plantas por gua, luz e nutrientes (SANGOI et al., 2002; ALVAREZ et al.,
2006). Portanto, a escolha do arranjo espacial adequado de plantas importante para maximi-
zar o rendimento de gros, pois afeta diretamente a interceptao de radiao solar (LOOMIS;
AMTHOR, 1999; ARGENTA et al., 2001; BRACHTVOGEL et al., 2012), que um dos prin-
cipais fatores que influenciam no rendimento de gros (LOOMIS; AMTHOR, 1999), desde que
outros fatores como gua e nutrientes estejam disponveis sem limitaes.
A uniformidade do estande um fator importante para o rendimento de gros. Na

Figura 3, apresentado um exemplo de desuniformidade de semeadura em funo da variao
da distncia entre plantas na linha de plantio.
Figura 3: Exemplo de desuniformidade na linha de plantio: (a) uniformidade

ideal; (b) planta fora do lugar; (c) falha e (d) duplas.
Somente alcanar o nmero de sementes por metro linear no garante ao produtor o

total rendimento da lavoura, pois se as sementes no estiverem distribudas de maneira uniforme
o rendimento pode ser comprometido (HORN, 2010).
possvel medir a uniformidade do plantio na linha atravs do percentual de falhas e

duplas. A Associao Brasileira de Normas Tcnicas (ABNT) considera que valores acima de
1,5 vezes do espaamento mdio entre plantas como falhas e valores abaixo de 0,5 vezes como
duplas, conforme descrito em (KURACHI et al., 1989). No entanto, no possvel contabilizar
as sementes que foram deslocadas durante o processo de plantio. Dessa forma, a maneira mais
adequada para mensurar a uniformidade do plantio atravs da utilizao do coeficiente de va-
riao ou desvio padro. Quanto maior for o valor do coeficiente, maior a variao de distncia
23
entre as plantas (HORN, 2010).
Trabalhos realizados pela Pioneer indicaram que o percentual de coeficiente de varia-

o aceitvel seria de 25%. No Brasil o percentual encontrado est acima de 30% sendo superior
a 60% em alguns casos. Fato que tambm foi identificado em estudos de algumas instituies
de ensino e pesquisas brasileiras (HORN, 2010).
2.4 PERDAS NO PLANTIO
Segundo o estudo indito realizado pelo IBGE, os Indicadores Agropecurios 1996-

2003, onde foi realizada uma anlise e quantificao das perdas dos principais gros brasileiros.
As perdas so classificadas em 3 grupos: (1) pr-colheita, (2) perodo de colheita e (3) ps-
colheita (IBGE, 2004).
As perdas na pr-colheita so as que ocorrem da semeadura at o momento que an-

tecede a colheita. Podem ser provocadas por adversidades abiticas, biticas e por questes
econmicas.
As adversidades abiticas esto relacionadas diretamente com a ordem climtica. Con-

forme a intensidade e amplitude dos eventos climticos adversos, podem ocorrer atrasos nas
colheitas, destruio de lavouras, acarretamento de deiscncia nos frutos, queda de sementes e
germinao ineficaz de sementes e frutos. As adversidades biticas esto relacionadas princi-
palmente incidncia de doenas e pragas nas lavouras.
Entre os fatores de ordem econmica que podem determinar a perda nas lavouras,
destaca-se a queda de preo de um determinado produto no momento da colheita, que, em
muitos casos, podem levar o produtor a inutilizar a sua lavoura.
No plantio, por razes econmicas ou por falta de conhecimento tcnico, o uso de

sementes de baixa qualidade, a escolha de variedades inapropriadas para as condies edafocli-
mticas da regio, o preparo inadequado do solo, a semeadura fora do tempo, so fatores que
podem acarretar perdas nas lavouras, tanto na fase de pr-colheita, quanto na colheita.
A desuniformidade dos espaamentos entre plantas apontada por alguns estudos

como um fator de perdas na produo de gros de milho. Nielsen (1991) relatou uma redu-
o de cerca de 2,5 bushels 4 por acre, que equivalem 62 kg por hectare, para cada centmetro
de acrscimo no desvio padro dos espaamentos entre plantas. Doerge et al. (2002) encontra-
ram efeitos semelhantes, onde eles relataram uma perda de 3,4 bushels por acre (84 kg/ha) para
4 Unidade de medida para mercadorias slidas como gros e farinhas.
24
cada centmetro de acrscimo do desvio padro da distribuio de plantas dentro da linha de

plantio.
As perdas na colheita so causadas principalmente pela falta de manuteno e regu-

lagem das colheitadeiras, e tambm, por diversidades climticas. Para minimizar as perdas
necessrio que o agricultor observe uma srie de cuidados, por exemplo, o grau de maturao
fisiolgico dos gros e decidir com exatido o momento de inciar a colheita. As perdas na
colheita se devem:
falta de manuteno das colheitadeiras;
falta de regulagem ou de ajuste fino das mquinas, que devem ser realizadas no mo-
mento da colheita, levando em conta o grau de umidade e maturao dos gros;
idade ou obsolncia da frota;
O nmero ainda reduzido de operadores de colheitadeiras capacitados;
No observncia da velocidade ideal da operao das mquinas e dos elementos mecni-

cos diretamente responsveis por uma pr-eficincia na colheita (molinete, barra de corte,
caracol, etc.).
As perdas aps a colheita podem ocorrer em duas situaes: no transporte e no arma-

zenamento dos produtos.
Na armazenagem as perdas decorrem, em geral, da insuficincia estrutural ou inade-

quada da rede de armazenamento, bem como do baixo nvel de qualificao da mo-de-obra que
opera os secadores, as cmaras de expurgo, os aeradores e outros equipamentos de recepo,
movimentao e conservao dos produtos nas unidades de armazenamento.
No momento do armazenamento podem ocorrer perdas fsicas e perdas de qualidade

do produto. As perdas fsicas so identificadas pelo peso dos estoques, principalmente pelo
ataque de insetos, e pela umidade dos gros. Tanto as perdas fsicas com as de qualidade dos
gros esto associadas ao tempo da existncia dos estoques e s condies de armazenamento
dos mesmos.
No transporte dos gros ocorrem as maiores perdas, devido a longa distncia percorrida
e o tipo de transporte escolhido para deslocar a carga. O Brasil, ao contrrio da Argentina e
Estados Unidos no escolhe o transporte pelo custo. Conforme o IBGE (2004), a estimativa
de que 67% das cargas brasileiras so deslocadas pelo modal rodovirio, o menos vantajoso
25
para longas distncias. O modal rodovirio o mais adequado para as distncias inferiores a
300 km, enquanto o ferrovirio o mais adequado para distncias acima de 300 km at 500 km;
e o fluvial para distncias acima de 500 km.
Nos ltimos anos, estimativas de perdas de gros baseadas na variao das distncias
entre plantas em uma linha de plantio vm sendo estudada por diversos pesquisadores, mas
sua influncia em relao a produtividade de gros ainda questionvel (LAUER; RANKIN,
2004). Mesmo assim possvel encontrar algumas tcnicas de estimativas como o mtodo
proposto por (CARLSON et al., 2002) baseado no desvio padro das distncias entre as plantas
ou a tcnica mencionada na palestra online realizada pela DuPont Pioneer sobre o plantio de
preciso, ministrada por Itavor Nummer Filho no dia 11 de Agosto de 2011 (PIONEER, 2011).
Nesta apresentao, o ministrante indica o uso do coeficiente de variao para estimar as perdas
de gros causadas pela desuniformidade dos espaamento entre plantas. O clculo para estimar
as perdas considerado simples, sendo a cada 10% do coeficiente de variao so perdidos 1,5
sacos/ha.
2.5 TRABALHOS RELACIONADOS
O arranjo espacial de plantas vem sendo analisado por diversos pesquisadores, em

consequncia da sua influncia na produo de gros. Nesse contexto, so encontrados diversos
trabalhos referentes mensurao da densidade populacional e espaamento entre plantas. A
seguir sero apresentados alguns trabalhos relacionados.
Shrestha e Steward (2003) desenvolveram um sistema baseado em viso de mquina

para mensurar a populao de plantas de milho em fases inciais de crescimento. A captura
do vdeo foi realizada por uma cmera acoplada a um carro percorrendo a linha de plantio.
Em seguida, as imagens adquiridas passaram por um processo de sequenciamento. Um novo
mtodo de sequenciamento de imagens (mosaico de imagens) foi proposto, em consequncia
das tcnicas atuais apresentarem resultados errneos em situaes nas quais as plantas estejam
em movimento devido ao vento. Aps a construo do mosaico de imagens ainda era necessrio
a separao dos pixels vegetativos dos pixels de fundo, para isso foi empregado o mtodo de
segmentao de vegetao proposta por (SHRESTHA et al., 2001). A ltima etapa do trabalho
a contagem de plantas dentro do mosaico de imagens, para isso foi proposto um mtodo
iterativo baseado no comprimento das regies de planta. A estimativa de contagem de plantas
pelo sistema resultou em uma taxa de erro 5.4%.
No ano seguinte, Shrestha et al. (2004) propuseram um algoritmo para estimar a den-
26
sidade populacional e o espaamento entre plantas. O processo de aquisio, sequenciamento

de imagens e segmentao foram os mesmos usados em (SHRESTHA; STEWARD, 2003). Na
etapa seguinte, a identificao das plantas foi realizada pelo mtodo de Otsu (OTSU, 1979)
modificado para processar os histogramas bimodais gerados pelas plantas de milho e ervas da-
ninhas. Os centros das plantas foram encontrados com auxlio da regresso linear, sendo assim
possvel estimar os espaamentos entre plantas e comparar o resultado do algoritmo com as
medies manuais. As medies em pixels no apresentaram diferenas significativas das me-
dies manuais demonstrando sua eficcia para estimao de espaamento entre plantas.
Shrestha e Steward (2005) apresentam um mtodo de estimao de populao de plan-

tas e espaamento utilizando processamento de imagens. As etapas iniciais de aquisio, se-
quenciamento de imagens e segmentao seguem o mesmo fluxo de (SHRESTHA; STEWARD,
2003). O mtodo baseado no cdigo da cadeia (FREEMAN, 1961) para classificao das re-
gies de plantas aplicando-se duas caractersticas de forma. Os centros das plantas, da mesma
forma, utilizaram o cdigo da cadeia minimizando a soma das distncia de um centro local para
todas as coordenadas do limite. A uniformidade das varincias de distncias foi testada pelo
mtodo modificado de Levene (CONOVER et al., 1981). Esse trabalho demonstrou que as ca-
ractersticas de forma podem ser utilizadas para distinguir plantas de milho de ervas daninhas,
alm de apresentarem melhorias nas estimativas populacionais de plantas.
Tang e Tian (2008a) desenvolveram outra metodologia para a medio automtica de

espaamento entre plantas de milho aplicadas sobre um mosaico de imagens. O mosaico de
imagens foi montado utilizando a tcnica proposta por (TANG; TIAN, 2008b). Para a segmen-
tao da imagem foi aplicado a transformao de cor EGRBI (excess green, red-blue, intensity)
em conjunto com agrupamento k-means para o desenvolvimento posterior de um classificador
Bayesiano (STEWARD; TIAN, 1999). Na etapa de identificao das plantas de milho nova-
mente foram usadas duas caractersticas de forma para distinguir as plantas de milho das ervas
daninhas. Para a localizao do centro das plantas foram propostos dois mtodos. O primeiro
por meio do algoritmo de segmentao de cores (STEWARD; TIAN, 1999) composto por uma
operao morfolgica de eroso. E o segundo, mais robusto, encontrando o ponto de satura-
o mxima dentro do esqueleto extrado da planta. Aps esse procedimento ainda possvel
encontrar classificaes errneas das plantas. Para corrigir esse problema foi adicionado um
mtodo de correo manual. Por fim, os espaamentos entre plantas so comparados com a
medies manuais e usando regresso linear para validar os resultados. O algoritmo apresentou
uma taxa de erro de 3.7%. Dessa forma, em um estande com 100 plantas, apenas 4 precisariam
ser identificadas de modo manual.
27
Chuanyu et al. (2011) tambm propuseram uma metodologia baseada em viso compu-
tacional para estimar o espaamento entre plantas de milho em fase inicial de crescimento. As
imagens foram capturadas utilizando uma cmera acoplada em um trator a 0,85 metros do cho
e posicionada verticalmente em uma viso superior das plantas. Com as imagens capturadas,
foi montado um mosaico usando as caractersticas SIFT (Scale Invariant Feature Transform)
(LOWE, 2004). Esse mtodo transforma os dados da imagem em coordenadas de escala in-
variantes a translao, escala e rotao para realizao do sequenciamento. Para segmentar as
imagens mosaico e separar as plantas do fundo da imagem foi utilizada a superfcie elipsoidal
truncada (SHRESTHA et al., 2001). Em seguida, as regies das plantas segmentadas com in-
tuito de localizar o centro das plantas foi extrado o esqueleto e definindo o pixel com a menor
intensidade de cinza, pertencente ao esqueleto, sendo o centro do tronco da planta. Antes de
estimar o espaamento entre plantas o autor encontrou a melhor linha utilizando a transformada
de Hough para posicionar os centros das plantas. Os espaamentos estimados pelo sistema
foram comparados com as medies manuais e no apresentaram diferenas significativas.
Recentemente estudos apresentaram uma novo mtodo de estimao de densidade po-

pulacional e espaamento de plantas utilizando sensores 3D. Esse procedimento aplicado a
plantas de milho em estgios mais avanados.
Nakarmi e Tang (2012) desenvolveu uma metodologia baseada em viso computa-

cional com aquisio das imagens por um sensor 3D. Esse sensor captura as informaes de
distncia, intensidade e amplitude em uma nica vez. O sensor foi acoplado a um carrinho
posicionado de forma que fosse possvel capturar as imagens laterais da planta. A separao
das plantas do fundo da imagem utilizou um limiar de profundidade de 0,6 m sendo que qual-
quer pixel alm desse valor foi considerado como fundo. Esse procedimento removeu quase
todo o contedo do solo da imagem, permanecendo somente a regio de interesse. A partir
dessas regies de interesse foram extrados os esqueletos pelo mtodo proposto em (ROSEN-
FELD, 1975) e a partir deles identificadas as posies dos caules. Ocorreram sobreposies no
processo de captura das imagens, sendo necessrio criar um mosaico de imagens para posterior-
mente estimar a distncia entre as plantas. Inicialmente tentaram aplicar o mtodo de sequenci-
amento de imagens proposto por (TANG; TIAN, 2008a), mas devido o ngulo de aquisio das
imagens serem distintos, os resultados no foram satisfatrios. Dessa forma, foi proposto um
novo mtodo de sequenciamento de imagens combinando os dados do codificador (sensor 3D)
e o resultado da identificao do caule. Por fim, as coordenadas dos caules foram transformadas
em coordenadas reais e calculadas as distncias entre as duas plantas de milho e novamente a
distncia manual foi utilizada como medida de comparao. Os resultados demonstram que o
uso do sistema de viso 3D pode medir com preciso o espaamento entre as plantas em uma
28
linha de cultura, com uma taxa de erro 2,2% de identificao das plantas.
Nakarmi e Tang (2014) propuseram uma abordagem multi-view para medio de den-
sidade populacional e estimao do espaamento utilizando um sensor 3D. As imagens foram
capturadas com um carrinho de 3 rodas projetado para que rea de aquisio da imagem fosse
coberta para que a luz solar no refletisse diretamente nas plantas. As imagem foram segmenta-
das utilizando um limiar de profundidade e amplitude para separar as plantas do fundo e solo. A
etapa seguinte foi o processo de identificao do caule das plantas para isso encontrou as linhas
de Hough com uma angulao mxima de 15 . Essas linhas foram agrupadas conforme suas
proximidades e a mediana dessas linhas foi utilizada como a melhor linha. As regies de plantas
em torno dessa linhas foram cortadas e extrados os esqueletos, o ponto inferior do esqueleto
foi utilizado como centro do caule. O mosaico de imagens foi criado a partir de informaes do
sensor 3D e da posio dos caules encontrados. Uma abordagem multi-view foi proposta para
calcular a distncia entre plantas. A ideia foi calcular a distncia entre duas plantas em mais
de uma imagem e selecionar a distncia que o algoritmo indicar como melhor. Essas distncias
foram comparadas com as medies manuais. O sistema mult-view no apresentou erros de
deteco de plantas de milho e a estimao de espaamento entre plantas obteve uma taxa de
erro quadrtico de 2,54 cm.
Este trabalho apresenta uma abordagem simples e eficaz para analisar o arranjo espa-
cial de plantas de milho. Em particular, a abordagem utiliza apenas de caractersticas de forma
para identificar as plantas de milho presentes nas imagens, as quais possuem trs situaes dis-
tintas de plantio, como descrito na seo 5.2, com a finalidade de realizar a mensurao dos
espaamentos entre plantas e extrair informaes relevantes do plantio. Alm disso, a aborda-
gem composta de tcnicas de baixo custo computacional, permitindo que seja implementada
em dispositivos com baixo poder computacional, como smartphones e tablets.
29
3 VISO COMPUTACIONAL
A viso computacional tem como objetivo resolver problemas altamente complexos,

tentando imitar a cognio humana e a habilidade do ser humano em tomar decises de acordo
com as informaes presentes na imagem (PEDRINI; SCHWARTZ, 2008), para isso ela inte-
gra as reas de processamento de imagens e inteligncia artificial (NEVES et al., 2012). Suas
aplicaes envolvem diversos segmentos tecnolgicos, os quais envolvem anlise de imagens,
reconhecimento de padres e controle inteligente, incorporando mltiplas reas de conheci-
mento, tais como agronomia, astronomia, biologia, biometria, medicina e outras. Portando,
uma rea multidisciplinar com muitas aplicaes prticas (NEVES et al., 2012).
Pedrini e Schwartz (2008) com intuito de simplificar o entendimento abstraiu a viso

computacional em dois nveis: processamento de imagens (baixo nvel) e anlise de imagens
(alto nvel).
O processamento de imagens digitais pode ser definido como todo o processo que
envolve entrada e sada de uma imagem digital (GONZALEZ; WOODS, 2006) atravs de um
computador digital. O emprego desse processo permite extrair e identificar informaes das
imagens, melhorar a qualidade visual de certos aspectos estruturais, facilitando a percepo
humana e a interpretao automtica por meio das mquinas (PEDRINI; SCHWARTZ, 2008).
A anlise de imagens baseada na forma, textura e nveis de intensidades dos obje-

tos presentes na imagens. Tendo como grande desafio seu carcter multidisciplinar que exige
domnios em diversas reas de conhecimento, tais como geometria computacional, visualiza-
o cientfica, psicofsica, estatstica, teoria da informao e outros (PEDRINI; SCHWARTZ,
2008).
O processamento de imagens constitudo de um conjunto de etapas ilustradas na

Figura 4. No entanto, isso no significa que todas as etapas so aplicadas, variando na resoluo
de determinados processos e problemas. Uma simples descrio das etapas apresentada a
seguir:
Aquisio de Imagens: a etapa de recepo das imagens digitais, podendo receber

30
Figura 4: Fluxograma representando as etapas do processamento de imagens.

Fonte: Adaptado de Gonzalez e Woods (2006).
31
uma imagem que j esteja em formato digital ou envolvendo outros dispositivos como
uma cmera fotogrfica.
Realce de Imagens: o processo de manipulao de uma imagem de forma que o

resultado seja mais adequado do que original para uma aplicao especfica.
Restaurao de imagens: todo processo que tem como objetivo melhorar de forma
visual uma imagem digital.
Processamento de imagens coloridas: a etapa que envolve o processamento bsico

de cores e modelos de cores em uma ambiente digital.
Wavelets: constituem os fundamentos de representao de imagens em vrios nveis

de resoluo.
Compresso: constituem todas as tcnicas de reduo de armazenamento e transmis-

so de imagens.
Processamento morfolgico: essa etapa composta de ferramentas para extrao de

componentes de uma imagens, teis na representao e descrio de imagens.
Segmentao: composta de mtodos que tem objetivo de dividir uma imagem em

partes ou objetos constituintes.
Representao e descrio: essa etapa transforma dados primrios, como pixels, em

um formato apropriado para o processamento computacional.
Reconhecimento: o processo que atribui rtulos a um objeto com base em seus

descritores.
3.1 FUNDAMENTOS DE IMAGENS DIGITAIS
O propsito dessa seo apresentar alguns dos principais conceitos relacionados a

processamento de imagens, afim de facilitar a compreenso do trabalho.
Uma imagem digital refere-se a uma funo bidimensional, f (x, y), onde x e y so
as coordenadas espaciais de um plano, e o valor de f em qualquer ponto das coordenadas
(x, y) representa a intensidade presente naquele ponto. Quando x,y e os valores de intensidade
de f so quantidades finitas e discreta chamada de imagem digital. Esses pontos possuem
localizao e valores especficos dentro da imagem e so chamados de pixels (contrao do
ingls de picture element) termo mais utilizado para representar elementos de uma imagem
32
(GONZALEZ; WOODS, 2006). A Figura 5 exibe a representao de uma imagem discreta e

sua subdiviso de pixels.
Figura 5: Descrio dos valores dos pixels de uma imagem digital. (a) Imagem original, (b) Imagem
discreta e (c) Intensidade dos pixels.
O nvel de intensidade em um pixel varia entre 0 e 255 em imagem digital de 8 bits, essa
imagem possui apenas tons de cinzas em suas tonalidades. Um dos modelos para representao
de imagens coloridas o modelo RGB (acrnimo do ingls Red, Green e Blue), no qual o
nmero de bits para representar um pixel passa a ser chamado de profundidade de pixel. A
profundidade do pixel em uma imagem RGB de 24 bits, na qual um pixel corresponde a
um trio de valores [(R, G, B)], sendo que cada valor representa uma imagem de 8 bits em sua
tonalidade. A juno dessas trs imagens formam uma imagem RGB.
Para transformar uma imagem do modelo RGB para uma imagem de nveis de cinzas
necessrio unir os canais para que os mesmo formem um s, para isso pode se utilizar de
uma aproximao simples que a soma dos valores de cada canal RGB pertencentes a um pixel
dividido pelo quantidade de canais, o resultado tonalidade de cinza daquele pixel, o processo
deve ser realizado em toda imagem percorrendo cada pixel que deseja ser convertido.
Existem trs tipos de vizinhanas entre os pixels: Conectividade 4 no qual um pixel

p na coordenada (x, y) tem quatro vizinhos considerando que os pixels vizinhos podem estar
na vertical, na horizontal e at mesmo na diagonal do pixel central. Caso p esteja na borda
da imagem alguns destes vizinhos podem no pertencer a imagem; Conectividade 8 na qual a
vizinhana considera os oito pixels em todas as direes do pixel central e a de Conectividade
M na qual modificado a conectividade de 8 produzindo conexes de formas diferentes. A
Figura 6 apresenta 2 exemplos de vizinhana.
Conhecer a conectividade entre os pixels, auxilia em diversas tcnicas de processa-

mento de imagem como determinao de rtulos em objetos e regies pertencentes a imagem,
33
Figura 6: Exemplos de vizinhanas de pixels (a) 4 - Conectividade e

(b) 8 - Conectividade.
atravs das caractersticas comuns extradas dos pixels vizinhos. Aps definir os rtulos pos-
svel calcular distncias, enumerar a quantidade de elementos e at mesmo segmentar objetos
da imagem.
De modo geral, o Histograma de uma imagem digital o agrupamento dos pixels que
possuem a mesma intensidade. A sua construo dada por uma funo discreta h(rk ) = n onde
rk o K-simo valor de intensidade e nk o numero de pixels da imagem com intensidade rk
(GONZALEZ; WOODS, 2006).
O histograma pode ser utilizado para diferentes finalidades como realce de imagens
digitais, compresso, segmentao e classificao. Aplicar somente o histograma para caracte-
rizao de uma imagem no o indicado, pois o mesmo no armazena informaes espaciais
e contm informaes redundantes pelo grande nmero de valores gerados em sua descrio
(LOPES, 2003).
Pelo nvel de complexidade baixa em sua implementao, o histograma uma tcnica

muito utilizada em aplicaes que necessitem de economia de hardware e para processamento
de imagens em tempo real.
Segundo Gonzalez e Woods (2006) a filtragem espacial (tambm chamada de mscara,

kernels, templates e janelas) uma das principais ferramentas utilizadas no processamento de
imagens e tm como caractersticas realizar operaes diretamente nos valores dos pixels con-
tidos em uma vizinhana. Essa tcnica possui uma ampla gama de aplicaes como filtros de
realce, suavizao e segmentao.
Um filtro espacial consiste em uma vizinhana de pixels e um operao pr-definida

a ser realizada sobre os pixels includos na vizinhana. A mscara ento percorre a imagem
pixel-a-pixel aplicando a operao para armazenar o resultado dessa operao utiliza-se de uma
matriz ou uma imagem possuindo as mesmas dimenses da imagem de entrada. O resultado
34
colocado nas coordenadas do pixel central da mscara gerando uma imagem filtrada.
3.2 PR - PROCESSAMENTO
Nesta seo sero apresentado os mtodos utilizados na etapa de pr - processamento

com objetivo de reduzir os rudos presentes na imagens, afim de colaborar com etapas posteri-
ores.
Os filtros de suavizao tem como resultado da aplicao em uma imagem digital

um efeito de borramento e reduo de rudos. Esses filtros so aplicados com objetivo de
remoo de pequenos detalhes da imagem antes da extrao de objetos e conexo de pequenas
descontinuidades em linhas e curvas (GONZALEZ; WOODS, 2006). Existem dois tipos de
filtros espaciais de suavizao que so: filtragem linear e no linear.
Os filtros lineares so implementados por meio do clculo da mdia dos pixels contidos
na vizinhana da mscara de filtragem. Esse filtros tem como efeito minimizar os rudos sem
alterar o nvel mdio de intensidades da imagem.
Os filtros no lineares so obtido por medidas estatsticas, como a mediana dos pixels
presentes na vizinhana definida pela mscara. Seus resultados em relao a reduo de ru-
dos so comumente superiores as filtros da mdia, mas sua aplicao altera o nvel mdio da
imagem.
O filtro da mdia tambm conhecido por filtragem espacial de passa-baixas (GONZA-

LEZ; WOODS, 2006), pode ser implementados utilizando o clculo da mdia aritmtica ou da
mdia ponderada. O filtro da mdia aritmtica aplica-se a mscara com todos os coeficientes
com valor 1, enquanto o filtro da mdia pondera os coeficientes possuem pesos diferentes, como
exibido na Figura 7.
Figura 7: Representao das mscaras 3 x 3 do filtro da mdia. (a) Posio dos pixels. (b) Mdia aritmtica.
(c) Mdia ponderada.
Fonte: (GONZALEZ; WOODS, 2006).
35
Outro ponto importante que quanto maior for o tamanho da mscara utilizada maior
ser o resultado do borramento e da remoo de rudos, consequentemente a perda de informa-
es crescera proporcionalmente.
N
1
R= zi (1)
T i=1
A equao 1 exibe o clculo do filtro da mdia, onde R o valor que ir substituir o

pixel da posio central da mscara, T a soma dos valores dos coeficientes, z os valores das
intensidades dos pixels, N o total de pixels dentro da mscara sendo que i = 1, 2, ..., N.
Para aplicar esse mtodo em imagens no formato RGB deve se calcular a mdia das
intensidades dos pixels de forma separada para compor uma nova cor em RGB, substituindo a
cor do pixel central.
O filtro da mediana consiste em substituir a intensidade do pixel central pela mediana

dos pixels capturados pela mscara aplicada. Esse o filtro de ordem esttica mais til no
processamento de imagens, pois para determinados tipos de rudos como o conhecido rudo de
sal e pimenta essa tcnica proporciona excelentes resultados na reduo de rudos e preservao
da agudeza de bordas e linhas (GONZALEZ; WOODS, 2006), fator importante para extrao
de objetos da imagem.
Para implementar a filtragem pela mediana em um pixel da imagem, deve primeiro

ordenar os valores dos pixels da vizinhana, de forma incremental ou decremental, incluindo
o pixel central, ento calcula-se a mediana dos pixels e atribui o valor ao pixel central, como
por exemplo uma vizinhana de 3 x 3, a mediana o 5 valor ordenado e de uma vizinhana
de 5 x 5 o 13 valor ordenado. Assim a principal funo do filtro da mediana obrigar que
intensidades distintas se assemelhem com sua vizinhana.
3.3 NDICES DE VEGETAO
Os ndices de vegetao so transformaes de imagens baseadas nos espao de cores

RGB, onde o resultado final so imagens em tons de cinza que apresentam os pixels de vege-
tao realados. Para separar os pixels vegetao dos outros pixels de uma imagem em tons de
cinza necessrio passar por um limiar ajustvel como o mtodo de Otsu.
Normalmente antes de computar os ndices de vegetao, os valores dos canais de cores

R, G e B so normalizados de forma individual. A normalizao pode ser realizada dividindo o
valor atual da banda pelo valor mais elevado encontrado dentro da faixa espectral para imagem
36
que est sendo analisada. Os valores variam entre [0, 1] de acordo com a equao a seguir:
R G B
R = , G = , B = , (2)
Rm Gm Bm
onde R, G e B so os valores reais do pixel analisado, Rm , Gm eBm so os valores mximo de

B so os valores normalizado de cada canal.
Ge
cada canal e R,
A segunda normalizao frequentemente aplicada em segmentao de imagens na

agricultura (GE et al., 2008), nessa operao so somados os valores dos trs canais para
estimar um valor unitrio do pixel, como segue:
R G B
r= , g= , b= , r + g + b = 1. (3)
R+G+B R+G+B R+G+B
Finalmente, aps a normalizao dos canais de cores, podem ser calculados os ndices
de vegetao. O resultado final desse clculo so imagens em tons de cinza, as quais podem
ser binarizadas utilizando um limiar. A Tabela 2 apresenta os principais ndices de vegetao
encontrados na literatura.
Tabela 2: Principais ndices vegetativos encontrados na literatura.
Nome Frmula Observao

Verde excessivo (ExG) ExG = 2g r b Woebbecke et al. (1995) estudou diversos ndices de vegetao com o objetivo de distin-
guir as plantas do solo. O ndice de verde excessivo apresentou desempenho satisfatrio
em vrias condies de iluminao solar. Alguns anos depois, Ribeiro et al. (2005) rea-
lizou algumas modificaes no ndice, baseando-se em estudos feitos no espao de cores
CYMK (Cyan-Margenta-Yellow-Black).
Vermelho excessivo ExR = 1.4r g O ndice de vermelho excessivo foi descrito em (MEYER et al., 1999). O autor tambm
(ExR) testou o ndice verde excessivo, porm, os resultados foram inferiores ao ndice proposto.
(gr)
ndice de diferena NDI = (g+r) O ndice de diferena normalizada foi proposto por (WOEBBECKE et al., 1993). O
normalizada (NDI) ndice semelhante a infravermelho, utilizando a luz vermelha de reflexo para separar
as plantas do solo. Recentemente, o ndice foi utilizado em (PEREZ et al., 2000), para
separar ervas daninhas e plantas de cereais do solo.
ndice de cor de vege- CIV E = 0.441r O mtodo foi utilizado para distinguir plantas de soja (KATAOKA et al., 2003).
tao (CIVE) 0.811g + 0.385b +
18.78745
Verde excessivo me- ExGR = ExG ExR Em (CAMARGO NETO, 2004) o autor combinou dois ndices de vegetao, verde ex-
nos vermelho exces- cessivo e vermelho excessivo, criando o ndice denominado de Verde excessivo menos
sivo (ExGR) vermelho Excessivo (ExG - ExR). O ndice proposto apresentou resultados superiores ao
ndice de verde excessivo e o ndice de diferena normalizada.
g
ndice vegetativo V EG = ra b1a
, a = Esse ndice foi proposto por (HAGUE et al., 2006). Duas vantagens do mtodo so desta-
(VEG) 0.667 cadas a insensibilidade em relao a amplitude de iluminao e a invarincia em relao
a temperatura de cor. No entanto, o trabalho no indica como ajustar a constante a.
ndices combinados COM = 0.25ExG + Guijarro et al. (2011) props a combinao de vrios ndices de vegetao afim de aumen-
(COM) 0.30ExGR + tar o contraste entre as plantas e o solo, melhorando o resultado da segmentao. Aps
0.33CIV E + 0.12V EG experimentos foram definidos quatro ndices mais relevantes, onde foram atribudos pesos
a cada um deles conforme a taxa de erro de cada segmentao. O CIVE foi considerado
o mtodo mais relevante.
37
38
3.4 SEGMENTAO
Nesta seo sero apresentados os mtodos de segmentao de imagens estudados e

aplicados no conjunto de imagens, afim de separar o objeto do fundo para posterior anlise.
Existem vrias estratgias de segmentao de culturas por meio de imagens digitais.
3.4.1 LIMIARIZAO
A limiarizao uma tcnica de segmentao simples e computacionalmente rpida,

por essas propriedades a limiarizao muito utilizada em aplicaes que identificam e extraem
objetos de uma imagem, cujo o tempo computacional exigido seja um fator relevante (LOPES,
2003). A base da limiarizao est relacionado ao histograma de intensidades explicado na
seo 3.1.
O histograma da Figura 8 representa uma imagem, f (x, y), composta por objetos claros
sobre um fundo escuro, esta composio gera um histograma com dois grupos de intensidades
agrupados. A forma bvia de extrair os objetos do fundo e selecionar um limiar T que separe os
dois grupos. Ento qualquer ponto (x, y) na imagem em que f (x, y) > T chamado de ponto do
objeto e o caso contrario chamado de ponto de fundo, isto expressado pela seguinte forma:

1 se f (x, y > T )
g(x, y) = (4)
0 se f (x, y < T ) .
Neste caso foi utilizado a conveno de usar 1 para objeto e 0 para fundo, mas 2 valores
distintos quaisquer podem ser utilizados na equao 4.
Essa tcnica possui variaes e foi classificada em dois grupos: globais e locais por
Sahoo et al. (1988). Os limiares globais so o que dividem a imagem utilizando apenas um
limiar. Os locais dividem a imagem em sub-imagem e determinar um limiar para cada sub-
imagem.
Observando o mtodo fcil identificar que o sucesso da tcnica est diretamente

ligado a largura e a profundidade dos vales do histograma. Por sua vez, existem vrios fatores
que interferem nestas condies como ndice de rudos na imagem, o tamanho do objetos que
deseja ser extrado e a uniformidade da luz e reflexo da imagem (GONZALEZ; WOODS,
2006).
Tendo em vista a dificuldade de identificao de um limiar e sendo impossvel este

39
Figura 8: Histograma bimodal de intensidades dividido por um nico limiar T.
reconhecimento ser realizado por uma pessoa em uma larga escala de imagens, foram proposto
os mtodos de limiarizao global automticos que tem como objetivo estabelecer um limiar
para uma imagem de forma eficiente minimizando a taxa de erro entre a separao dos picos do
histograma.
O mtodo de Otsu (OTSU, 1979) considerado um mtodo timo para seleo au-
tomtica de um limiar pois consegue maximizar a varincia entre as classes, no caso separar
objeto do fundo da imagem.
A separao feita pela definio de um limiar que particione os pixels de uma imagem
em duas classes C0 sendo o fundo e C1 o objeto, ou vice versa. Para isso necessrio maximizar
uma das funes critrios exibidas na equao 5:
B2 T2 B2
= = = (5)
W2 W2 T2
mas primeiro deve calcular a probabilidade da distribuio dos nveis de pixels como definido
na equao 6:
ni
pi = , (6)
N
onde ni o nmero de pixels no level i e N o total de pixels da imagem. Com a probabilidade

dos pixels, calcula-se a mdia total para todos os nveis de cinzas [1,...,L] dada por
40
L
T = (L) = ipi (7)
i=1
e a varincia total definida como
L
T2 = (i T )2 pi . (8)
i=1
Em relao a classes (C0 e C1 ) so calculadas as probabilidades da ocorrncias dos

pixels (9) e (10) e a mdia dos nveis de cinza (11) e (12), utilizando as seguintes equaes:
k
0 = Pr(C0 ) = pi = (k) , (9)
i=1
L
1 = Pr(C1 ) = pi = 1 (k) (10)
i=k+1
k
ki=1 ipi (k)
0 = iPr(i|C0 ) = = , (11)
i=1 0 (k)
k L
ipi T (k)
1 = iPr(i|C0 ) = = (12)
i=1 i=k+1 1 1 (k)
onde
k
(k) = pi (13)
i=1
k
(k) = ipi , (14)
i=1
onde a equao 14 a somatria dos momentos do histograma de [1,...,k].
Como foi descrito anteriormente, o limiar timo o nvel k que maximiza . Caso
essa mxima no seja nica possvel aplicar uma forma alternativa (k ) buscando de forma
sequencial em [1,...,L] diversos valores mximos que k corresponde, utilizando a equao 15:
41
[T (k) (k)]2
B2 (k) = , (15)
(k)[1 (k)]
portanto o limiar k definido como:
B2 (k ) = max B2 (k) . (16)

1k<L
Aps o processo de definio do limiar realizada a limiarizao substituindo o valor

de T.
3.4.2 SEGMENTAO INTERATIVA DE IMAGENS
A segmentao automtica, como o mtodo de Otsu descrito na seo 3.4, tem sido
amplamente utilizada em deteco de objetos onde uma segmentao rpida e simples o sufi-
ciente. No entanto, em algumas aplicaes, tais como a segmentao de imagens mdicas, uma
segmentao mais precisa necessria. Na maioria dos casos, difcil o computador determinar
a objetividade da segmentao, variveis como luminosidade e contraste na imagem podem
dificultar o processo de segmentao automtica criando regies ambguas ao longo do objeto
a ser segmentado (HE et al., 2013).
Para impor restries segmentao, a segmentao interativa envolve a interao do

usurio para indicar a objetividade e assim orientar uma segmentao precisa. Esse procedi-
mento pode gerar solues eficazes para problemas de segmentao ainda desafiadores. Com
conhecimento prvio do objeto como cor, brilho, localizao e tamanho e as restries indica-
das pelo usurio, algoritmo de segmentao muitas vezes geram resultados satisfatrios (HE et
al., 2013).
O objetivo da segmentao interativa obter resultados precisos de segmentao com

base em informaes obtidas do usurio, ao mesmo tempo que minimiza o esforo de interao
e o tempo computacional necessrio (MALMBERG, 2011; SHI et al., 2011).
Uma abordagem de segmentao interativa proposta por Sommer et al. (2011), onde
apresentado uma ferramenta de segmentao de imagens com aprendizagem de mquina inte-
rativa utilizando o classificador Random Forest, devido a sua capacidade de capturar os limites
de deciso altamente no-lineares no espao de caractersticas. A ferramenta consiste em trs
partes para segmentar a imagem:
1. Seleo de caractersticas no-lineares da imagem, fornecendo uma base genrica para

42
representar diversos padres locais da imagem;
2. O classificador treinado a partir das entradas do usurio, que realizada pela interface
grfica, onde pode ser definido um nmero arbitrrio de classes;
3. O usurio pode ajustar o classificador fornecendo novos rtulos.
As caractersticas podem ser calculadas no espao 2D/3D, dependendo dos dados dis-
ponveis. O conjunto fornecido de caractersticas inclui descritores de cor, borda e textura po-
pulares na literatura. As caractersticas padres do ferramenta so agrupadas da seguinte forma:
cor e intensidade consiste nos valores das intensidades dos pixels da imagem suavizada com
um filtro Gaussiano; borda definida pela incluso de funes indicadoras de borda como os
autovalores do tensor de estrutura, autovalores da matriz de Hessiana, magnitude de inclina-
o e diferenas das Gaussiana e Laplaciana de Gauss; textura compreende os autovalores do
tensor de estrutura e autovalores da matriz de Hessiana, essas estruturas tambm so utilizadas
para definir a orientao das texturas. Todos os grupos podem ser selecionados em 7 escalas,
sendo no total 35 diferentes combinaes de caractersticas, ficando a cargo do usurio a melhor
combinao para o problema.
3.4.3 SUPERPIXEL - AGRUPAMENTO DE PIXEL
Os algoritmos de superpixel tem como objetivo particionar uma imagem em vrios

agrupamentos de pixels. Essa caracterstica permite que essa tcnica seja utilizada como pr-
segmentao para reduzir a quantidade de pixels da imagem ou como segmentao final (BO-
TELHO, 2014). Na literatura existem diversos trabalhos de extrao de superpixels, como
(REN; MALIK, 2003; LEVINSHTEIN et al., 2009; CIGLA; ALATAN, 2010; ACHANTA et
al., 2010). O algoritmo de Achanta (ACHANTA et al., 2010) foi aplicado nesse trabalho, pois
considerado mais eficiente computacionalmente (ACHANTA et al., 2012).
O algoritmo SLIC para extrao de superpixels em imagens coloridas, aplicado ao

modelo de cores CIELAB, foi introduzido por Achanta et al. (2010). Existem adaptaes do
algoritmo para outros espaos de cores como XYZ SLIC (SLIC no espao de cores XYZ) e RGB
SLIC (SLIC no espao de cores RGB) (REN; REID, 2011). O mtodo baseado no algoritmo
k-means, mas apresenta um espao de busca mais eficiente considerando que seu tamanho
limitado, reduzindo o custo computacional. Botelho (2014) descreveu a implementao do
SLIC em trs passos:
O primeiro passo dividir a imagem de entrada de tamanho N x N em k regies retangu-

43
lares, ou seja, superpixel de dimenso s x s, onde s = Nk . O superpixel j representado

por um centride definido como um vetor de cinco dimenses C j = L j , a j , b j , x j , y j , onde
L, a e b so os valores mdios dos trs componentes do modelo CIELAB, a luminncia L
(a qual varia de preto (0) e branco (100)) e dois intervalos de cores a e b que variam, res-
pectivamente, do verde ao vermelho e do azul ao amarelo. J x j e y j so as coordenadas
do superpixel j.
O algoritmo iterativo, onde em cada loop o pixel i associado com o centride do su-
perpixel mais prximo, dado que rea de busca de cada superpixel inclui i. O tamanho
de busca duas vezes a rea do superpixel. Posteriormente, novos centrides so cal-
culados como uma mdia do vetor C j , considerando todos os pixels do superpixel j. A
proximidade definida pela minimizao da funo D:
r
ds 2 2
D= dc2 + ( ) m , (17)
S
onde dc a distncia no espao de cores e ds a distncia espacial. As distncias so
definidas a seguir:
q
dc = (l j li )2 + (a j ai )2 + (b j bi )2 . (18)
q
ds = (x j xi )2 + (y j yi )2 . (19)
Achanta et al. (2010) sugerem que superpixels precisos podem ser obtidos com no m-
ximo 10 iteraes. J o parmetro m (1 m 20) controla a capacidade dos superpixels,
ou seja, maior o valor de m, maior a nfase na proximidade espacial e mais compactos os
grupos.
Por fim, grupos de pixels isolados podem aparecer aps o termino das iteraes. Estes
devem ser associados ao maior superpixel vizinho.
3.5 MORFOLOGIA MATEMTICA
A morfologia matemtica consiste em uma metodologia de anlise de imagens que

permite a construo de operadores teis para a descrio de objetos presentes nas imagens
(PEDRINI; SCHWARTZ, 2008). As operaes morfolgicas so utilizadas em um grande n-
mero de aplicaes em processamento e anlise de imagens, tais como a extrao de componen-
tes conexos, busca de padres especficos na imagem, delimitao do fecho convexo, extrao
44
de bordas de objetos e afinamento de bordas. Nas sees seguintes sero apresentados alguns
conceitos da morfologia matemtica.
3.5.1 DILATAO E EROSO
A dilatao e a eroso so operadores morfolgicos elementares da morfologia ma-

temtica, na quais so teis para a construo de operadores mais sofisticados para uso em
processamento e anlise de imagens (PEDRINI; SCHWARTZ, 2008).
A operao de dilatao entre o conjunto A e o elemento estruturante B definido

como a adio de Minkowski, dada por:
[
D(A, B) = A B = (A + b) (20)
bB
O processo de dilatao entre A e B corresponde ao conjunto de todas as translaes de

B com os pontos da imagem em que exista pelo menos um elemento em comum com o conjunto
A.
A translao do elemento estruturante na dilatao semelhante ao mecanismo de

convoluo espacial, pois envolve sucessivos deslocamentos dos elementos sobre a imagem A.
A operao de eroso entre o conjunto A e o elemento estruturante B definida como

a subtrao de Minkowski, definida:
\
E(A, B) = A B = (A b) (21)
bB
A eroso de A por B o conjunto de todos os elementos de B transladados que esto

contidos em A.
O efeito das operaes de dilatao e eroso podem ser observadas na Figura 9.
3.5.2 ABERTURA E FECHAMENTO
Duas outras operaes morfolgicas importantes em anlise de imagens so a abertura

e o fechamento (PEDRINI; SCHWARTZ, 2008). A abertura de A por B, denotada A B,
definida como:
A B = (A B) B (22)
45
Figura 9: Operao de dilatao e eroso. (a) Imagem Original; (b) Elemento

estruturante; (c) Resultado da dilatao; (d) Resultado da eroso.
Fonte: Adaptado de Pedrini e Schwartz (2008).
ou seja, a abertura definida como a unio de todas as translaes de B que esto contidas em
A.
O fechamento de A por B, denotado A B, definido como:
A B = (A B) B (23)
o qual pode ser interpretado geometricamente como a unio de todas as translaes de B que
no esto contidas em A.
Ao observar a equao de abertura de A por B simplesmente a eroso de A por B,

seguida de uma dilatao do resultado por B, enquanto o fechamento de A por B a dilatao
de A por B, seguida de uma eroso do resultado por B.
A abertura geralmente utilizada para suavizar o contorno de objetos, eliminar cone-

xes estreitas entre objetos e remover salincias ou protuses finas. O fechamento utilizado
para fundir separaes estreitas entre objetos, eliminar pequenos buracos e preencher lacunas
no contorno.
A Figura 10 ilustra a aplicao dos operadores de abertura e fechamento em uma ima-

gem.
3.6 REPRESENTAO E DESCRIO
A representao e a descrio de objetos e regies de uma imagem, um problema

bsico no desenvolvimento de sistemas de anlises de imagens (PEDRINI; SCHWARTZ, 2008).
As caractersticas de representao dos objetos devem ser extradas em formato apropriado para
as etapas subsequentes e so compostas basicamente de trs propriedades: cor, forma e textura.
46
Figura 10: Operao de abertura e fechamento. (a) Imagem Original; (b) Elemento
estruturante; (c) Resultado da abertura; (d) Resultado do fechamento.
47
As caractersticas de cor so baseadas nos valores das intensidades dos pixels perten-
centes ao objeto. Dois exemplos simples de caractersticas de cor, so a mdia e o desvio padro
das intensidades pertencentes ao objeto de interesse.
As caractersticas de forma, como o nome j diz, representam dados sobre a forma

e o contorno do objeto (COSTA; JR., 2009). A seguir sero descritas algumas caractersticas
bsicas dessa propriedade.
A rea de um objeto de interesse pode ser definida como o nmero de pixels perten-
centes ao objeto. Em uma imagem binria, a rea de um objeto contido em um retngulo com
dimenses de mxn pixels, em que os pixels f (x, y) do objeto so representados pelo valor 1,
definido como:
m1 n1

Area = f (x, y) (24)
x=0 y=0
A rea pode ser utilizada como descritor de regio, mas ela geralmente aplicada a
situaes em que a escala dos objetos no varia. A rea invariante quanto translao e
rotao do objeto.
O dimetro de uma borda B definido como a maior distncia entre dois pontos pi e
p j pertencentes borda de um objeto, ou seja:

Diametro(B) = maxi, j [D(pi , p j )] (25)
onde D a medida de distncia entre os pontos. O conceito de dimetro de uma borda ilustrado
na Figura 11. O dimetro invariante quanto rotao e translao do objeto.
Figura 11: Dimetro de uma borda.

48
O permetro representa o comprimento da borda de um objeto. Uma aproximao para

este descritor pode ser obtida pela contagem dos pixels ao longo da borda do objeto na imagem.
O permetro invariante quanto s operaes de transio e rotao.
Existem vrias definies para compacidade ou circularidade na literatura. Em Pedrini

e Schwartz (2008) ela definida pela Equao 26.
Permentro2
Compacidade = , (26)

Area
enquanto em Tang e Tian (2008a) possui a seguinte equao:

4 Area
Compacidade = , (27)
Permentro2
onde permetro e rea so medido em unidades de pixels. De acordo com a Equao 26, um
crculo possui o menor valor de compacidade, igual a 4, entretanto na Equao 27, o crculo
representa o valor mximo igual a 1.
A compacidade invariante s transformaes de translao, escala e rotao dos ob-

jetos. A Figura 12 exibe o conceito de compacidade em dois objetos com formas diferentes
(PEDRINI; SCHWARTZ, 2008).
Figura 12: Compacidade, conforme a equao 26. (a) objeto com

baixa compacidade; (b) objeto com alta compacidade.
O fecho convexo de uma regio planar corresponde ao menor polgono convexo que
envolve a regio. Em muitos trabalhos o fecho convexo utilizado para o reconhecimento de
objetos (PEDRINI; SCHWARTZ, 2008). Os defeitos convexos so definidos como a diferena
entre o objeto envolvido e o polgono convexo (COSTA; JR., 2009), como demonstrado na
Figura 13.
49
Figura 13: Fecho convexo e defeitos convexos. (a) A linha

pontilhada o fecho convexo da estrela; (b) A regio em cinza o
defeito convexo da estrela.
Fonte: Adaptado de Costa e Jr. (2009).
Apesar do sistema visual humano apresentar facilidade para reconhecimento e des-

crio de texturas, extremamente difcil formalizar sua definio (PEDRINI; SCHWARTZ,
2008), mas intuitivamente essa propriedade fornece medidas de suavidade, rugosidade e regu-
laridade (GONZALEZ; WOODS, 2006).
As trs principais abordagens utilizadas no processamento de imagens para descrever

a textura de uma regio so as abordagens: estatstica, estrutural e espectral. As abordagens
estatsticas produzem caracterizaes das texturas como: suave, rugosa, granulada e assim por
diante. As tcnicas estruturais lidam com arranjos de primitivas de imagens, como a descrio
de textura baseada em linhas paralelas espaadas regularmente. As tcnicas espectrais esto
baseadas em propriedades do espectro de Fourier e so usadas principalmente para detectar a
periodicidade global em uma imagem pela identificao de picos de alta energia no espectro
(GONZALEZ; WOODS, 2006).
Nesse trabalho foram utilizadas apenas abordagens estatsticas, devido a simplicidade

de implementao e baixo custo computacional.
Dentro das abordagens estatsticas, uma maneira simples de descrever uma textura
utilizar os momentos estticos do histograma de intensidade de um objeto (GONZALEZ;
WOODS, 2006). Seja z o valor da intensidade do pixel, L o nmero de intensidade presentas na
imagem e p(z) a probabilidade dessa intensidade ocorrer na imagem so extradas as seguintes
caractersticas:
Mdia
1 L1
m= zi (28)
n i=0
50
Desvio padro s
(zi m)2
dv = (29)
n1
Suavidade
(zi m)2 1

variancia = , suavidade = 1 2
(30)
n1 1 + variancia

3 Momento
L1

3 momento = (zi m)3 p(zi) (31)
i=0
Uniformidade
L1
uni f ormidade = p2(zi) (32)
i=0
Entropia mdia
L1
em = log2 p(zi) (33)
i=0
51
4 RECONHECIMENTO DE PADRES
O reconhecimento de padres uma disciplina cientfica, cujo o objetivo a classifica-

o dos objetos em um nmero de categorias ou classes. Dependo das aplicaes esses objetos
podem ser imagens, sinais de onda ou outros tipos de dados a serem classificados (THEODO-
RIDIS; KOUTROUMBAS, 2008).
Dentro do processamento de imagens, o reconhecimento definido como o processo

de rotulao de um objeto com base nos descritores (GONZALEZ; WOODS, 2006). Esses
descritores devem caracterizar um objeto de maneira que se torne distinto de outros padres
existentes dentro do contexto do problema.
Para que o reconhecimento destes padres seja realizado por uma mquina, neces-
srio uma tcnica de atribuio de padres para s suas respectivas classes sendo realizada de
forma automtica ou semi-automtica. Essa atribuio composta por um vetor de caractersti-
cas (feature vector ou pattern vector) representado da seguinte maneira:
x = [x1 , x2 , ..., xn ]T , (34)
onde xi representa o i-ssimo descritor, n o nmero total de descritores relacionados ao padro

e T identifica que o vetor foi transposto.
O vetor de caractersticas tm influencia importante no desempenho final do reconhe-

cimento de objetos, pois a escolha dos seus componentes devem conter caractersticas com um
nvel elevado de separabilidade entre as classes (famlia de padres que compartilham proprie-
dades comuns).
Portanto para avaliar o grau de separabilidade das classes por meio dos descritores
aplica-se mtodos de classificao aos vetores de caractersticas, aps essa classificao rea-
lizada uma anlise sobre os resultados para avaliar o grau de separabilidade e desempenho dos
classificadores. Essas tcnicas sero abordadas na seo 4.1.
52
4.1 CLASSIFICAO
A classificao o processo de anlise do vetor de caractersticas que permite extrair

modelos para que dado um vetor de entrada seja atribuda uma classe correspondente. Esse
processo pode ser dividido em duas fases: a primeira fase conhecida como treinamento, a
qual o objetivo determinar um grupo de classes por meio de atributos de entradas (HAN et al.,
2011). Dentro desta fase possvel fragmenta-l em 2 estilos: aprendizagem supervisionada
- onde as instncias a serem classificadas contm classes de exemplos, assim a classificao
gerada de forma que o resultado chegue o mais prximo possvel das classes de exemplo e
aprendizagem no supervisionada - onde as instncias no possuem classes de exemplos, sendo
necessrio o uso de raciocnio probabilstico para o conhecimento das classes (DUDA et al.,
2001).
A segunda fase consiste em utilizar o modelo criado na primeira fase para rotulao
de novas instncias. Para essa classificao possvel utilizar diversos mtodos. Os mto-
dos utilizados neste trabalho utilizam aprendizagem supervisionada para classificao e sero
apresentados nas prximas sees.
4.1.1 NAIVE BAYES
O Naive Bayes (JOHN; LANGLEY, 1995) o mais simples dos classificadores Bayesi-
anos (YANG; WEBB, 2003; KEOGH; PAZZANI, 1999), os quais so classificadores estticos
que se baseiam na probabilidade de uma instncia pertencer a uma classe, para isso consideram
que as instncias so independentes uma das outras em relao as classes. Por isso descrito
na literatura como um classificador ingnuo.
A classificao bayesiana baseada no teorema de Bayes, no qual calcula-se a proba-

bilidade condicional de cada instncia a uma determinada classe, onde o rtulo da instncia
definido pela classe que obteve o maior resultado probabilstico.
Ento suponha que pretende-se classificar uma instncia x, para isso considera-se duas
expresses: da teoria bsica da probabilidade p(A/B) = [p(A)p(B/A)]/p(B) e a equao de
risco mdio condicional que dada por:
w
r j (x) = Lk j p(wk /x) , (35)
k=1
onde a probabilidade de um determinado padro x pertencer a uma classe wi , denotado por

53
p(wi /x). Caso o classificador defina que x pertence a classe w j , enquanto x pertence a wi , ele
ter cometido uma perda denotado por Li j . Assim se tm a funo que calcula a mdia incorrida
na atribuio de x classe w j .
Com a juno das expresses anteriores se escreve a equao na forma:
1 w
r j (x) = Lk j p(x/wk )P(wk ) , (36)
p(x) k=1
em que p(x/Wk ) a funo de densidade de probabilidade da classe wk e P(wk ) a proba-

bilidade de ocorrncia da classe wk , tambm chamada de probabilidade a priori. Visto que
1/p(x) positivo e comum a todos os r j (x), j = 1, 2, ..., w, ele pode ser eliminado da equao,
a expresso se reduz ento a:
w
r j (x) = Lk j p(x/wk )P(wk ) . (37)
k=1
O classificador possui diversas classes w e deve atribuir x a uma destas classes para
isso ele calcula a expresso para todas as classes possveis e a atribui a instncia x a classe com
menor perda. Para isso ele define um padro desconhecido a x classe wi onde ri (x) < r j (x)
para j = 1, 2, ..., w; j 6= i. Considerando que a perda para uma deciso correta igual a zero, e
a incorreta igual a um, a funo da perda fica como Li j = 1 i j , indicando que a perda de uma
unidade dada para as decises incorretas e uma perda de zero para decises corretas, assim a
funo da perda mdia pode ser substituda por:
ri (x) = p(x) p(x/w j )P(w j ) . (38)
Ento o classificador define x quando uma classe wi valida a seguinte expresso:
p(x/wi )P(wi ) > p(x/w j )P(w j ) j = 1, 2, ..., w; j 6= i . (39)
ou seja, a instncia x atribuda a classe cuja funo produz o maior valor numrico.
4.1.2 INSTANCE-BASED LEARNING ALGORITHMS
O Instance-based learning algorithms (IBK) foi proposto por (AHA; KIBLER, 1991)
e um exemplo o algoritmo K-Nearest Neighbors (K-NN) onde o aprendizado baseado na
analogia. O conjunto de treinamento constitudo de vetores de n-dimenses onde cada ele-
54
mento no conjunto representa um ponto no espao n-dimensional.
A classificao de uma instncia desconhecida feita baseada nas classes dos K ele-
mentos vizinhos mais prximos, ou seja, os elementos que tiveram o maior grau de similari-
dade com a instncia desconhecida. A rotulao dada pela classe mais frequente entre os
K-vizinhos.
Essa similaridade pode ser calculada por medidas de distncias entre dois pontos como
por exemplo a distncia Euclidiana de x e y:
q
d(x, y) = (x1 y1 )2 + (x2 y2 )2 + ... + (xn yn )2 , (40)
distncia de Manhattan de x e y:
d(x, y) = |x1 y1 | + |x2 y2 | + ... + |xn yn | (41)
e distncia de Minkowski de x e y:
1
d(x, y) = (|x1 y1 |q + |x2 y2 |q + ... + |xn yn |q ) q , onde q N , (42)
essas so as medidas comumente utilizadas, devido ao fato de serem intuitivas e de baixo custo
computacional.
Aps o clculo da similaridade ordena se conjunto de treinamento do mais similar ao

menos similar. Com os elementos ordenados, seleciona-se os K-vizinhos mais prximos. A
quantidade de K-vizinhos um fator determinante para atribuio da classe, pois quando K > 1
vai ser necessria uma regra para mensurar qual das classes ser atribuda a instncia.
Em Wang (2006) so revista duas regras de classificao bem comuns: maioria na

votao (majority voting scheme) e a soma dos pesos da similaridade (weighted-sum voting
scheme). Na primeira os elementos tm peso igual e a classe escolhida ser aquela que tiver
mais representantes entre os K elementos. Na segunda so somadas as similaridades entre os
elementos da mesma classe, a instncia desconhecida ser classificada na classe que obtiver o
maior valor.
Este mtodo de classificao um processo exaustivo para grandes conjunto de dados,

mas para determinadas aplicaes o mtodo bastante aceitvel.
55
4.1.3 RVORE DE DECISO
Esses classificadores possuem esse nome pois sua estrutura similar a de uma rvore.
Os algoritmos baseados em rvore de deciso possuem metodologias que a partir de um con-
junto de dados de treinamento, onde as classes so previamente conhecidas conseguem induzir
a formao da rvore de deciso. A estrutura da rvore pode ser observada na Figura 14.
Figura 14: Exemplo de estrutura de uma rvore de deciso.
A estrutura da rvore formada por ns (raiz, internos e folhas). Os ns raizes so

rotulados com o nome de um atributo pertencente ao vetor de caractersticas e suas ramificaes,
os ns internos, recebem os valores encontradas naquele atributo e so considerados ns de
deciso. As folhas so identificadas com o nome de uma classe presente na classificao.
O processo de classificao de uma instncia x acontece percorrendo a rvore, a partir

do n raiz, passando pelos arcos que unem os ns, onde cada n interno possui uma condio
especifica para determinar qual ramificao a instncia pertence, assim a instncia deve con-
templar todas as condies at atingir um n folha, na qual a classe que rotula aquela folha ser
atribuda a instncia x.
Os classificadores baseados em rvore de deciso utilizados no trabalho foram o J48

do classificador C4.5 (QUINLAN, 1993) e o Random Forest (STATISTICS; BREIMAN, 2001).
O algoritmo J48 induz a formao da rvore de deciso a partir de um conjunto de treinamento
baseando-se na teoria da informao, enquanto o Random Forest cria um conjunto de rvores
de deciso, assim a classificao de uma instncia dada pela soma dos votos de cada rvore,
56
ou seja, a classe com maior nmero de votos escolhida para a instncia.
4.1.4 REDES NEURAIS ARTIFICIAIS
As redes neurais artificiais so modelos de grafos em que os ns representam os

neurnios artificiais e as arestas so conexes de entrada e sada dos neurnios (PEDRINI;
SCHWARTZ, 2008), onde um neurnio tem como funo coletar, processar e enviar sinais.
A estrutura de uma rede neural simples composta apenas de um perceptron como pode ser
observada na Figura 15.
Figura 15: Modelo de uma rede neural composta de um perceptron.

Fonte: (PEDRINI; SCHWARTZ, 2008).
Os componentes da rede neural so os sinais de entrada xn , os quais so os elementos

do vetor de caractersticas, os pesos sinpticos wn , a juno aditiva J(x) que um somatrio
simples das N entradas j com seus respectivos pesos e a funo de ativao na qual se obtm
um valor binrio denotado de ativo ou no-ativo representando a sada S(x) a partir da seguinte
condio:

1 se J(x) > 0
S(x) = (43)
0 .
caso contrario
Neste trabalho ser utilizado o classificador MultiLayer Perceptron (RUSSELL et al.,

1996) no qual basea-se no esquema de rede neural em mltiplas camadas, conforme ilustra na
57
Figura 16. Nesta arquitetura, a sada de uma camada utilizada na camada subseqente, de
forma acclica e a funo de ativao aplicada no-linear, permitindo que funes complexas
sejam utilizadas no mapeamento entre a entrada e a sada.
Figura 16: Arquitetura de rede neural multicamadas.

Fonte: (PEDRINI; SCHWARTZ, 2008).
A quantidade de camadas ocultas permite que a rede extraia estatsticas de ordem mais
elevadas. Por isso, a determinao da quantidade de camadas depende da complexidade da
aplicao.
4.1.5 SUPPORT VECTOR MACHINES
Support Vector Machines (SVM) uma tcnica de aprendizado de mquina, funda-

mentada nos princpios da Minimizao do Risco Estrutural (Structural Risk Minimization -
SRM) e tem como objetivo a determinao de limites de deciso que produzam uma separao
tima entre as classes por meio da minimizao do erro (VAPNIK, 1999), ou seja, a separao
da classes escolhida de forma a separar ao mximo as classes.
O algoritmo pode ser descrito da seguinte forma: dados D elementos de treinamento

(xi , yi ), onde i = 1, 2, 3, ..., D e xi m uma representao vetorial de um conjunto e yi
58
(1, 1) sua classe associada. Neste processo existe uma distribuio de probabilidade P(x, y)
desconhecida da qual os dados de treinamento sero retirados.
Desta forma o processo consiste em treinar um classificador de maneira que este apre-
enda o mapeamento x y por meio dos elementos (classes) de treinamento (xi , yi ) de tal forma
que a mquina seja capaz de classificar um exemplo (x, y) ainda no visto que siga a mesma
distribuio de probabilidade (P) dos exemplos de treinamento.
Como o objetivo do classificador SVM consiste em minimizar a taxa de erro R()

numa classificao onde R() dado por:
1
Z
R() = |y f (x, )|dPr(x, y) . (44)
2
Percebe-se que a distribuio de probabilidade Pr(x, y) no conhecida, sendo impos-

svel computar essa equao. Por outro lado, o risco emprico, Remp (), definido como a mdia
da taxa de erro nos elementos do conjunto de treinamento definido como:
1 D
Remp () = |xi f (xi, )| .
2D t=1
(45)
Sendo que Remp fixo para um arbitraria e um conjunto de treinamento de (xi , yi ).
A separao tima entre classes ocorre por meio de um hiperplano condicional (L)
(Figura 17), tal que este plano orientado para maximizar a margem (distncia entre as bordas,
L1 e L2 ) pelo ponto mais prximo de cada classe.
O SVM possui quatro funes, sendo elas (i) linear, (ii) quadrtica, (iii) polinomial e
(iv) funo de base radial. Neste trabalho foi adotado a funo de base linear.
4.2 SELEO DE CARACTERSTICAS
A seleo de caractersticas busca por um subconjunto de caractersticas que induzem

a uma boa representao, classificao ou predio das classes dos objetos em anlises (LOPES,
2011). A seleo um problema relevante para muitas aplicaes em reconhecimento de pa-
dres e aprendizado de mquina: bioinformtica, categorizao de texto, sensoriamento remoto,
descoberta de medicamentos, marketing, processamento de fala e reconhecimento de caracte-
res manuscritos. Os dados so de alta dimensionalidade e a quantidade de amostras muitas
vezes pequena (WEBB; COPSEY, 2011). Alguns motivos para usar seleo de caractersticas
so: aumentar a preciso do classificador, remover dados irrelevantes, melhorar a eficincia
59
Figura 17: Exemplo de separao tima entre duas classes.

Fonte: Adaptado de Duda et al. (2001).
de aprendizagem, e reduzir custos futuros com coleta de dados e diminuir a complexidade do

classificador. No entanto, a seleo de caractersticas no uma etapa de pr-processamento
obrigatria para obter um alto desempenho em algoritmos de classificao (GUYON, 2008).
Muitos algoritmos modernos de reconhecimento de padres empregam tcnicas de regulariza-
o para lidar com overfitting (Anlise discriminante regularizada, Mquinas de vetor de suporte
e mdias de mltiplos classificadores) e , assim, remover caractersticas no pr-processamento
desnecessrio.
4.2.1 CORRELATION-BASED FEATURE SELECTION
O algoritmo de Correlation-based feature selection (CFS) proposto em (HALL, 1998),

uma tcnica de seleo de caractersticas na qual parte da hiptese que o melhor subconjunto
de atributos para uma classificao aquele que contm atributos com alta correlao com as
classes a serem classificadas, mas que possuem baixa correlao entre os atributos. Para isso
CFS avalia o subconjunto de atributos considerando a capacidade individual do atributo em
classificar as classes e o grau de redundncia entre eles.
Para calcular o grau de associao entre uma classe e um atributo, pode-se utilizar
diversos coeficientes de correlao entre duas variveis. Entre os mais conhecidos est coefici-
ente de correlao de Pearson (PRESS et al., 1988), que obtido dividindo-se a covarincia das
60
variveis pelo produto dos seus desvio padro, representada pela equao:
(xi x)(yi y)
r(x, y) = p p . (46)
(xi x)2 (yi y)2
O valor de r varia entre 0 e 1, onde 0 quando no existe nenhuma relao entre

as variveis x e y, e 1 quando as variveis so linearmente dependentes. Em Hall (1998) a
relevncia de um subconjunto dada por:
k rkc
CFS(Xk ,C) = p . (47)
k + (k 1)rkk
onde rkc = r(Xk ,C) o coeficiente de correlao mdio entre os k atributos de um subconjunto
Xk e a classe C, e rkk = r(Xk , Xk ) coeficiente de correlao entre os diferentes atributos (WU;
ZHANG, 2004).
4.3 VALIDAO E ANLISE DA PRECISO
Nessa seo so apresentados mtodos e medidas para avaliar e analisar os resultados

dos classificadores executados no trabalho.
4.3.1 MTODOS DE VALIDAO
A seguir sero descritas algumas tcnicas aplicadas para validar e avaliar o desempe-
nho dos mtodos de classificao a partir das amostras que compem o conjunto de treinamento.
Dentre as tcnicas descritas esto o mtodo de Holdout e a validao cruzada.
No mtodo de Holdout, os dados fornecidos so divididos aleatoriamente em dois

conjuntos independentes, um conjunto de treino e um conjunto de teste. Comumente, dois
teros dos dados so atribudos ao conjunto de treinamento, e o restante um tero atribudo ao
conjunto de teste. O conjunto de treinamento usado para gerar o modelo do classificador. A
preciso do modelo estimada com o conjunto de teste, como pode ser observado na Figura 18.
A estimativa pessimista porque apenas um poro dos dados iniciais utilizado para derivar
o modelo (HAN et al., 2011).
O mtodo de validao cruzada (Cross-validation) permite utilizar todos os elementos

disponveis, no tendo necessidade de separar amostras para fase de treinamento ou classifica-
o final. Segundo Santos et al. (2005) a validao cruzada consiste em dividir as amostras (P)
em K subconjuntos mutuamente exclusivos (P1 , P2, ..., Pk ) e de dimenses aproximadamente
61
Figura 18: Estimativa de preciso com o mtodo Holdout.

Fonte: Adaptado de Han et al. (2011).
iguais (K-folds). Os modelos so executados K vezes pelo o algoritmo de classificao e cada

execuo do modelo reservada uma parte Pi para ser realizada a classificao. A acurcia ou
erro final dada pela mdia dos resultados das execues. O valor de K pode variar entre 2 e
N, mas o valor 10 o mais utilizado (Ten-Fold Cross-Validation).
4.3.2 MEDIDAS DE AVALIAO
As medidas de avaliao respondem se o classificador treinado est realizando corre-

tamente as predies das classes e tuplas (tambm conhecidas como instncias) (HAN et al.,
2011). Essas medidas so extradas de quatro termos adicionais, os quais so descritos a seguir:
Verdadeiro positivo (VP): Referem-se as instncias positivas que foram corretamente

marcadas pelo classificador.
Verdadeiro negativo (VN): Referem-se as instncias negativas que foram corretamente

marcadas pelo classificador.
Falso positivo (FP): Referem-se as instncias negativas que foram incorretamente rotula-
das como positivas.
Falso negativo (FN): Referem-se as instncias positivas que foram incorretamente rotula-
das como negativas.
Esses termos so resumidos na matriz de confuso da Tabela 3. A matriz de confuso

uma matriz de erros e acertos onde permite analisar a capacidade do classificador em reconhecer
diferentes classes de instncias. VP e VN indicam o quanto o classificador est acertando nas
predies, enquanto FP e FN indicam o quanto o classificador est errando nas predies.
62
Tabela 3: Exemplo de matriz de confuso.
Classes Reais Classes Preditas

Classe 1 Verdadeiro positivo (VP) Falso negativo (FN)
Classe 2 Falso positivo (FP) Verdadeiro negativo (VN)
A partir de agora sero descritas as medidas de avaliao, iniciando pela acurcia. A

acurcia de um classificador em um determinado conjunto de teste a porcentagem de instn-
cias corretamente marcadas pelo classificador, sendo elas positivas ou negativas. A medida
extrada da seguinte forma:
V P +V N
=
Acuracia , (48)
P+N
onde P numero de instncias positivas (VP + FN) e N o nmero de instncias negativas (FP +
VN). A soma desse termos quantidade de inferncias realizadas pelo classificador ou total de
instncias rotuladas.
Na literatura de reconhecimento de padres essa medida tambm conhecida como

taxa de reconhecimento global do classificador, ou seja, reflete a capacidade do classificador
em reconhecer as instncias de diferentes classes (HAN et al., 2011). Essa medida altamente
suscetvel ao desbalanceamento da base de dados podendo induzir uma concluso errada sobre
o desempenho do classificador.
A taxa de erro ou taxa de classificao incorreta de um classificador dada da seguinte

forma:
FP + FN
Taxa de erro = (49)
P+N
Considerando o problema do desequilbrio entre as classes, onde a principal classe de

interesse rara, ou seja, a distribuio do conjunto de dados reflete uma maioria significativa da
classe negativa, enquanto a classe positiva uma minoria. Por exemplo, em dados mdicos uma
classe rara o cncer. Supostamente um classificador treinado para classificar instncias de
dados mdicos, onde o atributo rtulo da classe cncer e os possveis valores so sim e
no. Uma acurcia de 97% de um classificador pode fazer parecer bastante precisa, mas se
somente 3% das instncias so da classe cncer? Claramente, a taxa de acurcia de 97% ina-
ceitvel, pois o classificador acertou somente as instncias da classe maioritria. Dessa forma,
necessrio outras medidas de avaliao que possam descrever o quo bem o classificador pode
reconhecer instncias positivas e quo bem ele pode reconhecer instncias negativas.
63
As medidas de sensibilidade e de especificidade se enquadram nessa tarefa. A sensibi-

lidade tambm referenciada como a taxa de verdadeiros positivos (reconhecimento), ou seja, a
proporo de instncias positivas corretamente classificadas. Enquanto a especificidade a taxa
de verdadeiros negativos, ou seja proporo de instncias negativas corretamente identificadas.
Essas medidas so definidas como:
VP
Sensibilidade = . (50)
P
VN
Especi f icidade = . (51)
N
As medidas de preciso e recall (BAEZA-YATES; RIBEIRO-NETO, 1999) so ampla-

mente utilizadas na classificao. A preciso vista como a medida de exatido ou fidelidade
( o percentual de instncias rotuladas como positivas e que realmente so) e recall uma me-
dida de completude ou integralidade (porcentagem de instncias positivas que foram rotuladas
como tal). A sensibilidade recall so representadas pelas mesma funo. As medidas foram
definidas da seguinte forma:
VP
=
Precisao , (52)
V P + FP
VP VP
Recall = = . (53)
V P + FN P
Uma forma alternativa de utilizar a preciso e o recall combinar as duas em uma

nica medida. Essa a abordagem da medida F-Measure (tambm conhecida como F1 score ou
F-Score) e F Measure. Elas foram definidas como:
2 precisao
recall
F= , (54)
+ recall
precisao
(1 + 2 ) precisao
recall
F = , (55)
2 precisao
+ recall
onde um nmero real no negativo, sendo normalmente = 1. A medida F-Measure uma

medida harmnica de preciso e recall. Ele d um peso igual para preciso e recall. Enquanto,
F Measure uma medida ponderada de preciso e recall.
64
5 MATERIAIS E MTODOS
No decorrer do trabalho foram desenvolvidas duas bases de imagens. A primeira apre-

senta dois cultivares (milho e feijo) com o objetivo de analisar a eficincia de algumas carac-
tersticas de forma, textura e cor na distino dos cultivares. A segunda uma base de imagens
panormicas da linha de plantio de milho construda com intuito de suportar o desenvolvimento
da metodologia de anlise automtica do arranjo espacial de plantas de milho. Uma terceira
base de imagens foi utilizada para validar a implementaes dos ndices vegetativos. Nesse
captulo so apresentadas as bases de imagens e as metodologias propostas neste trabalho.
5.1 BASE DE IMAGENS DE MILHO E FEIJO
A primeira base de imagens produzida neste trabalho composta por imagens das
culturas de milho e feijo, as quais foram capturadas por um dispositivo mvel portado de uma
cmera de 13 megapixels de resoluo e salvas no espao de cores RGB de 24 bits. A priori as
imagens foram capturadas no formato panormico e posteriormente, passaram por um recorte
manual deixando uma nica planta da cultura por imagem. A cultura de milho possui no total 17
amostras, enquanto a cultura de feijo possui 18 amostras, totalizando 35 imagens. As Figuras
19 e 20 exibem exemplos de imagens pertencentes a base.
(a) (b) (c) (d) (e)
Figura 19: Exemplo de imagens pertencentes a classe de Feijo.

65
(a) (b) (c) (d) (e)
Figura 20: Exemplo de imagens pertencentes a classe de Milho.
5.2 BASE DE IMAGENS PANORMICAS DE MILHO
A segunda base de imagens produzida neste trabalho composta por imagens pano-
rmicas de milho, as quais foram adquiridas atravs de um dispositivo mvel por meio de um
aplicativo comercial denominado Cmera ICS (MOBLYNX, 2015) e disponibilizado de forma
gratuita para aquisio de imagens panormicas. O processo de aquisio foi realizado por uma
pessoa portando uma cmera a uma altura mdia de 1,2 metros do solo, onde o ponto inicial de
partida para aquisio determinado de forma aleatria e a partir desse ponto percorrido apro-
ximadamente 3 metros realizando aquisies de imagens para construir a imagem panormica.
Esse procedimento ilustrado na Figura 21.
Figura 21: Processo de aquisio das imagens panormicas.
Foram capturadas e armazenadas 222 imagens panormicas, adquiridas com 24 bits

de intensidade de cores com uma resoluo mdia de 3000 x 600 pixels no formato JPG (Joint
Photographic Experts Group), no qual padro de armazenamento da maioria dos dispositivos
mveis. Em virtude das imagens serem adquiridas ao ar livre, em uma situao real de plantio,
elas apresentam alta variabilidade de iluminao e espaamento entre plantas. As imagens
66
foram adquiridas em trs cenrios de plantio distintas: plantio direto, plantio convencional e
plantio direto aps a aplicao de herbicida.
No sistema de plantio convencional o solo passa por um preparo mecnico de arao e

gradagem, enquanto no sistema de plantio direto esse procedimento no realizado, o que deixa
o solo coberto com resduos de diversas culturas usadas em sucesso e/ou rotao (FREIRE et
al., 2001), para eliminao dos resduos de culturas e ervas daninhas so aplicados herbicidas.
Dessa forma, as imagens apresentam trs extremos de complexidade, como pode ser observado
na Figura 22.
As plantas presentes na base de imagens apresentam diversidade na idade de matu-

rao. Nas classes de plantio direto e convencional as plantas esto no estdio V2 V4 de
maturao, enquanto no plantio com herbicida esto no estdio V3 V6, conforme apresentado
na seo 2.1.
Na base de imagens existe uma variedade de condies que dificultam o processo de

anlise do arranjo espacial de plantas. A seguir so resumidamente descritas essas condies:
1. Incidncia da luz solar na superfcie foliar provocando reflexes brilhantes que proporci-
onam grandes diferenas de intensidades dos pixels, dificultando o processo de segmen-
tao baseados no espao de cores como os ndices vegetativos.
2. Incidncia do vento provocando o posicionamento das plantas de forma lateral, no sendo

possvel capturar a copa da planta no momento da aquisio das imagens.
3. Presena de outras plantas alm do milho como ervas daninhas e resduos de outras cul-
turas, nesse caso o trigo, as quais tambm interferem na etapa de segmentao.
4. Falhas no processo de construo das imagens panormicas nas quais geram vrios erros
como plantas cortadas, juno de plantas e at perdas de alinhamento das linhas de plan-
tio. Essas falhas podem ocorrer devido a maneira que o algoritmo de Image stitching1 ,
foi implementado ou pela angulao de aquisio das imagens.
5. Diversidade na idade de maturao entre as classe de plantas. Esse fato ocorre devido ao
intervalo de captura das imagens para compor a base de dados.
6. Irregularidades nos estgios de crescimento das plantas de milho em uma nica linha de
plantio. Existem vrios motivos que podem originar essa situao tendo como o principal
deles a profundidade da semeao.
1 Tcnica de alinhar imagens para formar uma imagem panormica (SZELISKI, 2006).
67
(a)
(b)
(c)
(d)
(e)
(f)
Figura 22: Exemplo de imagens presentes na base. (a, b) Plantio direto, (c, d) Plantio convencional e (e, f)
Plantio direto aps aplicao de herbicidas.
68
5.2.1 DEMARCAO DE PLANTAS PRESENTES NA BASE DE IMAGENS
Um dos principais desafios para o projeto foi encontrar todas as plantas de milho pre-
sentes nas imagens, permitindo extrair com exatido os espaamentos entre as plantas. Dessa
forma, para realizar a validao dos experimentos foi necessrio demarcar a posio precisa de
cada planta de milho existente na base de imagens.
Com objetivo de auxiliar no processo de demarcao das plantas foram estudas e tes-
tadas algumas tcnicas de segmentao de imagens. Entre elas o Superpixel, descrito na seo
3.4.3, se apresentou mais adequado para o processo. Dessa forma, a demarcao das plantas foi
obtida aplicando os seguintes passos:
1. Aplica-se o Superpixel sobre a imagem gerando os agrupamentos de pixels;
2. O usurio seleciona os agrupamentos que pertencem s plantas de milhos e os agrupa-

mentos que representam o caule da planta. As ervas no so selecionadas nesse processo;
3. Aplica-se um mtodo de busca de objetos sobre a imagem para identificar as coordenadas

das plantas marcadas;
4. O usurio entra com as informaes da imagem (classe, altura de aquisio e etc) para
que sejam armazenadas em um aquivo XML (eXtensible Markup Language). A Tabela 4
apresenta as tags contidas no arquivo XML.
Outra alternativa encontrada, foi a demarcao da rea da planta e do caule pelas coor-
denadas do retngulo que envolve as mscaras do Superpixel. As coordenadas de cada rea so
armazenadas em um arquivo XML que rene diversas informaes sobre a imagem. A Figura
23 exemplifica o processo de demarcao das plantas.
Aps a demarcao das plantas de milho foi possvel determinar o nmero total de
plantas presentes na base de imagens sendo 2571 plantas distribudas de forma heterogneas
entre as classes: Plantio-direto (385), Plantio-herbicida (1387) e Plantio-convencional (799).
5.3 BASE DE IMAGENS DE CENOURA E ERVAS DANINHAS
Uma base de imagens de cenoura e ervas daninhas foi construda por Haug e Oster-
mann (2014). A base composta de 60 imagens da cultura de cenoura orgnica com a presena
de ervas daninhas, as quais foram capturas diretamente da lavoura em condies controladas de
iluminao. Para aquisio das imagens foi utilizando um rob agrcola autnomo, denominado
69
(a) (b)
(c) (d) (e)
(f) (g)
Figura 23: Exemplo de demarcao das plantas de milho presentes na base de imagens. As informaes em
azul so referentes a planta e as informaes em amarelo referem-se ao caule. (a) Imagem original, (b)
Imagem Superpixel, (c, d, e) Usurio seleciona os agrupamentos dos pixels, (f) Mscara gerada pela
demarcao das plantas, (g) Demarcao considerando a rea da planta e do caule.
70
Tabela 4: Descrio das Tags que compem o XML de informaes das imagens panor-
micas.
Tag Descrio
Image Tag raiz do arquivo XML
Name Nome do arquivo em imagem
Class Classe a qual pertence a imagem
Acquisition Altura de captura da imagem
Plant As informaes "filhas"pertencem as plantas
Amount Quantidade de plantas na imagem
Distance Apresentam as distncias entre as plantas feitas de forma manual
Centimeters Armazena em centmetros as distncias entre as plantas
Location As informaes "filhas"pertencem a localizao das plantas
Coordinates Apresenta as informaes de coordenadas das reas das plantas
X Posio inicial de X na imagem
Y Posio inicial de Y na imagem
Width Largura da rea
Height Altura da rea
Center Apresenta as informaes de coordenadas das reas do caule da planta
X Posio inicial de X na imagem
Y Posio inicial de Y na imagem
Width Largura da rea
height Altura da rea
BoniRob. A Figura 24 exibe um exemplo de imagem pertencente a base e o rob utilizado na

aquisio das imagens.
(a) (b)
Figura 24: (a) Exemplo de imagem da base. (b) O rob utilizando na aquisio das imagens.
Fonte: (HAUG; OSTERMANN, 2014).
A base possui mscaras de segmentao de vegetao para todas as imagens, indicando

quais pixels pertencem as culturas e ervas daninhas. O total de plantas presentes na base 494,
sendo 162 plantas de cenoura e 332 ervas daninhas.
71
5.4 METODOLOGIA PARA CLASSIFICAO DE MILHO E FEIJO
Para realizar a classificao dos cultivares de milho e feijo foi necessrio passar por
algumas etapas. O conjunto de todas essas etapas formam a abordagem proposta neste trabalho
para a classificao dos cultivares. A abordagem est dividida em duas etapas: (1) processa-
mento e (2) reconhecimento, como pode ser observado na Figura 25.
Figura 25: Fluxograma da metodologia para classificao de milho e feijo.
A primeira etapa composta pela fase de aquisio de imagens realizada por meio de
um dispositivo mvel, onde aps as imagens serem capturadas foram tratadas de forma manual
como descrito na seo 5.1. O passo seguinte a segmentao de imagem, onde foi aplicado o
ndice de cor de vegetao (CIVE). Essa segmentao no alcanou resultados adequados sendo
necessrio aplicar mtodos de ps-processamento.
O passo seguinte o processo de fechamento das lacunas presentes na imagem segmen-

tada. Dessa forma, so executadas duas operaes matemticas primitivas: dilatao e eroso,
utilizando um elemento estruturante de 3 x 3, como exibida na Figura 25 com 20 iteraes cada
operao, esses valores foram definidos de forma emprica.
Na segunda etapa so extradas as caractersticas descritas na seo 3.6 e armazena-

das no vetor de caractersticas, aps esse procedimento foi aplicado o mtodo de seleo de
caractersticas, descrito na seo 4.2.1, para reduzir a dimensionalidade do vetor e eliminar as
caractersticas irrelevantes. Ao trmino o vetor rotulado utilizando os mtodos de classificao
descritos na seo 4.1.
72
5.5 METODOLOGIA PARA ANLISE E VALIDAO DOS MTODOS DE SEGMEN-

TAO
Os mtodos de segmentao compem uma das principais etapas do processamento de

imagens, como descrito na seo 3.4, o objetivo separar o objeto do fundo da imagem para
posterior processamento. Nessa situao, os objetos de interesse so as plantas (culturas e ervas
daninhas) e o fundo o solo, onde so encontrados diversos resduos como palha, rochas e etc.
Na literatura so encontradas vrias tcnicas de segmentao de vegetao, desde de

mtodos mais simples baseados em uma superfcie de corte no espao de cores at mtodos
mais complexos baseados em agrupamento e classificao de pixels.
Os ndices de vegetao so tcnicas simples baseadas em transformaes nos espao

de cores que produzem imagens em tons de cinza com pixels de vegetao realados, afim de
facilitar o processo de limiarizao das imagens. Em uma extensa pesquisa foram encontrados
inmeros ndices de vegetao, porm, nesse trabalho foram analisados somente os ndices
considerados mais relevantes, os quais foram apresentados na seo 3.3.
Para validar a implementao dos ndices de vegetao, foi utilizada a base descrita na
seo 5.3, pois as imagens foram capturadas diretamente da lavoura em condies controladas
de iluminao. Dessa forma, a iluminao no tem influencia nos resultados da segmentao.
O processo de segmentao utilizando os ndices vegetativos simples e pode ser descrito em
2 passos:
1. Calcula-se o ndice de vegetao, transformando a imagem de entrada em uma imagem

em tons de cinza com os pixels vegetao realados (As Figuras 27, 28 e 29 exibem
alguns exemplos de imagens em tons de cinza geradas pelos ndices vegetativos);
2. Aplica-se o mtodo de Otsu sobre a imagem em tons de cinza, separando os objetos de

interesse do fundo. A Figura 26 exibe esse procedimento utilizando o ndice vegetativo
CIVE.
73
(a) (b) (c) (d)
Figura 26: Exemplo de imagens resultantes do processo de segmentao pelo indice vegetativos. (a)
Imagem original, (b) Imagem em tons de cinza produzida pelo CIVE, (c) Imagem binarizada pelo
mtodo de Otsu, (d) Mscara de referncia da segmentao.
(a) (b) (c) (d) (e) (f) (g) (h)
Figura 27: Exemplo de imagens da base de cenouras e ervas daninhas e as respectivas imagens em tons de cinza geradas pelos ndices de vegetao. (a)
Imagem original, (b) ExG, (c) ExR, (d) NDI, (e) CIVE, (f) ExGR, (g) VEG e (h) COM.
(a) (b) (c) (d) (e) (f) (g) (h)
Figura 28: Exemplo de imagens da base de cenouras e ervas daninhase as respectivas imagens em tons de cinza geradas pelos ndices de vegetao. (a)
(a) (b) (c) (d) (e) (f) (g) (h)
Figura 29: Exemplo de imagens da base de cenouras e ervas daninhas e as respectivas imagens em tons de cinza geradas pelos ndices de vegetao. (a)
74
75
Os ndices de vegetao geram imagens em tons de cinza distintas, como pode ser
observado nas Figuras 27, 28 e 29. Dessa forma, necessrio padronizar as imagens binarizadas
geradas pelo mtodo de Otsu para comparao dos resultados, ou seja, nas imagens em tons de
cinza que apresentam os pixel de vegetao em tons mais claros, deve-se considerar os pixels
com valores acima do limiar de corte como vegetao, do contrrio, quando os pixels vegetao
apresentam tons mais escuros, deve-se considerar os pixels com valores abaixo do limiar como
vegetao.
Alm dos ndices de vegetao, uma abordagem de segmentao interativa, descrita

na seo 3.4.2, foi aplicada nesse trabalho. A abordagem utiliza o classificador Random Forest
para realizar a classificao dos pixels da imagem, para validar o treinamento do classificador
aplicou-se a tcnica de Holdout, descrita na seo 4.3.1, ou seja, foram selecionadas 2/3 da base
de imagens para treinamento e 1/3 para classificao. Em cada imagem da base de treinamento,
um usurio especialista realizou marcaes nos pixels pertencentes s plantas e ao solo, auxili-
ando o aprendizado do classificador. A Figura 30 apresenta exemplos de marcaes realizadas
pelo especialista.
(a) (b) (c) (d)
Figura 30: Exemplo de marcaes realizadas pelo especialista para treinamento do classificador da
abordagem de segmentao interativa.
Aps a segmentao, o prximo passo comparar a imagem resultante com a mscara

de referncia, para isso foi definida uma matriz de confuso de 2 classes para extrair as medidas
descritas na seo 4.3.2. Para melhor entendimento as variveis da matriz sero descritas a
seguir:
Verdadeiro positivo (VP): quando o pixel classificado como planta na mscara e

classificado como planta pelo mtodo de segmentao.
Verdadeiro negativo (VN): quando o pixel classificado como fundo na mscara e

classificado como fundo pelo mtodo de segmentao.
Falso positivo (FP): quando o pixel classificado como fundo na mscara, mas clas-
sificado como planta pelo mtodo de segmentao.
76
Falso negativo (FN): quanto o pixel classificado como planta na mscara, mas clas-
sificado como fundo pelo mtodo de segmentao.
Os resultados da comparao so apresentados na seo 6.2.
5.6 METODOLOGIA PARA ANLISE AUTOMTICA DO ARRANJO ESPACIAL DE

PLANTAS DE MILHO
O principal objetivo do trabalho analisar o arranjo espacial de plantas de milho,

extraindo informao relevantes como a densidade populacional, espaamentos entre plantas e
estimao das perdas de gros, afim de auxiliar na interveno de agrnomos, tcnicos agrcolas
e produtores na fase inicial de desenvolvimento das plantas de milho. Portanto, foi elaborado
uma abordagem para identificao das plantas de milho e mensurao dos espaamentos entre
plantas nos estgios iniciais de desenvolvimento. A Figura 31 exibe a abordagem desenvolvida.
A abordagem dividida em quatro etapas: segmentao de imagens, classificao

das plantas, definio do caule e medio dos espaamentos entre plantas. Essas etapas sero
descritas detalhadamente a seguir.
A primeira tarefa a ser realizada na metodologia desenvolvida a aquisio da ima-

gem, o procedimento para captura das imagens descrito na seo 5.2. O fato das imagens
serem capturas por dispositivos mveis como smartphones e tablets, nos quais atualmente so
tecnologias amplamente acessveis, fortalece a soluo encontrada, devido aos desafios encon-
trados em imagens capturadas em ambientes reais e o potencial do desenvolvimento de uma
tecnologia que alcance uma ampla escala de usurios.
Considerando que as imagens foram adquiridas de forma adequada, ainda necessrio

realizar um pr-processamento para melhorar a qualidade das imagens, devido as imagens de
entrada estarem expostas diretamente a iluminao solar ocasionando reflexos na superfcie
foliar alterando as intensidades dos pixels dentro da imagem. Dessa forma, uma medida tomada
para aliviar a taxa de reflexo aplicao do filtro da mdia (vizinhana de 5 x 5 obtida de forma
emprica) com intuito de aplicar um efeito de borramento deixando as intensidades dos pixels
mais homogneas.
A tarefa seguinte, denominada de segmentao, tem como objetivo separar as regies

de interesse (milho e ervas daninhas) do fundo da imagem (solo, rochas e outros resduos).
Duas tcnicas podem ser aplicadas nessa fase, aplicao do ndice vegetativo CIVE (seo 3.3)
em conjunto com o mtodo de Otsu (seo 3.4) e a abordagem de segmentao interativa (seo
3.4.2). Os dois mtodos foram estudados nesse trabalho e apresentaram resultados satisfatrios,
77
Figura 31: Fluxograma da metodologia para identificao e mensurao dos espaamento entre plantas.
78
como pode ser observado na seo 6.2, outras tcnicas foram testadas, mas os resultados das
segmentaes foram insuficientes.
Apesar dos mtodos de segmentao selecionados apresentarem bons ndices de qua-

lidade na segmentao resultante, ainda foi necessrio elaborar uma processo de ps-processa-
mento afim de melhorar o resultado das imagens segmentadas. Para isso foi empregada uma
operao morfolgica de abertura, com a finalidade de eliminar pequenos rudos e separar ob-
jetos conexos auxiliando as tarefas posteriores.
A etapa de classificao das plantas fundamental para a extrao dos espaamento

entre plantas, pois qualquer erro na identificao das plantas de milho compromete todo o re-
sultado da metodologia. Dessa forma, o primeiro passo foi extrair algumas caractersticas de
forma dos objetos segmentados. As caractersticas de forma so informaes relevantes para a
classificao de plantas (COSTA; JR., 2009; BRILHADOR et al., 2013).
O permetro, descrito na seo 3.6, uma caracterstica bsica para classificao de

objetos segmentados. Definindo um limiar de corte para o permetro possvel eliminar rudos
da segmentao e classificar de forma eficiente as plantas de milhos em imagens que apresentam
fundos com baixa complexidade, ou seja, pouca incidncias de ervas daninhas e outros resduos.
A eliminao de rudos pode ser utilizada como um filtro para extrao de novas caractersticas
como a rea e a compacidade, alm de melhorar o desempenho computacional eliminando
objetos desnecessrios.
O limiar de corte para o permetro de um objeto definido pelo desvio padro dos per-
metros extrados naquela imagem. Um objeto descartado quando o seu permetro menor que
o desvio padro de todos os permetros encontrados na imagem, caso contrrio, so extradas
mais duas caractersticas de forma (rea e compacidade) e novas decises so realizadas para
descartar os objetos.
A compacidade apresenta ser uma caracterstica robusta na classificao de culturas de

milho. No trabalho proposto por Tang e Tian (2008a) as plantas de milhos foram identificadas
utilizando a compacidade onde todos os objetos que apresentassem compacidade superior a 0.4
eram descartados. Nesse trabalho, foi seguido o mesmo principio.
A rea de um objeto foi utilizada para identificar agrupamentos de plantas (duplas e

triplas). Somente o processo de segmentao no consegue distinguir se duas plantas esto
conexas, pois as folhas das plantas provocam esse efeito. A rea de um objeto conexo pode
revelar se existem duas ou mais plantas naquela regio segmentada. Uma forma simples de
realizar essa identificao obter a mediana das reas de todas as plantas segmentadas na ima-
79
gem e verificar se as reas extradas so maiores a essa informao. Caso sejam duas vezes
maiores provavelmente esse objeto pertence a duas plantas e assim sucessivamente. A Figura
32 apresenta um exemplo de identificao de plantas duplas. Quando uma rea identificada
como um planta dupla ela dividida em duas para separar as plantas e assim definir o caule da
planta para extrao dos espaamento entre elas.
(a) (b) (c)
Figura 32: Exemplo de identificao de plantas duplas. (a) Plantas duplas em uma
linha de plantio de milho; (b) Extrao da rea do objeto segmentado para
comparar com a mediada das reas; (c) Diviso da rea em duas identificando
duas plantas.
A etapa de definio do caule uma das mais importante do processo, pois ela tem
relao direta com a preciso na mensurao dos espaamentos. As distncias entre as plantas
so extradas a partir do caule da plantas, por consequncia, qualquer variao na localizao
dos caules altera o espaamento entre as plantas, tornando a etapa de mensurao ineficaz.
Mtodos encontrados na literatura procuram localizar o caule por meio de informaes

biolgicas considerando que a planta de milho apresenta uma maior saturao no centro da
planta (caule), enquanto, outras metodologias extraem o caule da planta utilizando tcnicas
de morfologia matemtica extraindo o esqueleto da planta e definindo como caule o pixel de
interseco entre as ramificaes (TANG; TIAN, 2008a; JIN; TANG, 2009; CHUANYU et al.,
2011; NAKARMI; TANG, 2012).
Por outro lado, a base de imagens utiliza no trabalho apresenta uma grande variao
de amostras as quais esto em etapas diferentes de crescimento no sendo possvel aplicar a
metodologia baseada na informao biolgica. J as tcnicas de morfologia matemtica apre-
sentam um alto custo computacional e em muitos casos necessrio utilizar tcnicas de ajuste
para melhorar o resultado. Dessa forma, o mtodo definido faz uso da informao geomtrica
da planta para definir o local do caule.
A ideia do mtodo localizar o caule da planta de milho encontrando o defeito con-

vexo de maior profundidade, ou seja, encontrado o pixel pertencente ao contorno com maior
distncia do segmento do fecho convexo. Para que a inferncia do caule no seja realizada na
borda do objeto foi encontrado o pixel inverso do contorno da planta e assim determinando uma
80
mdia entre as coordenadas. A Figura 33 ilustra a localizao do caule da planta utilizando o

defeito do fecho convexo.
Figura 33: Extrao do caule pelo defeito do fecho convexo. (a) Objeto extrado; (b) Fecho
convexo; (c) Em amarelo so os defeitos do fecho convexo; (d) Identificao do ponto mais
profundo e definio do caule da planta.
Nesse ponto, o algoritmo j sabe onde e quantas plantas de milho esto presente na
imagem, porm, essas informaes podem se apresentar imprecisas como demonstrado na seo
6.3. A alternativa encontrada foi realizar uma correo manual para melhoria da preciso do
algoritmo aplicado na mensurao dos espaamento entre plantas.
Os espaamentos entre plantas so extrados em pixels esses valores no tem relevn-

cia para os agricultores, tcnicos e agrnomos que utilizam o sistema, pois a informao real
est em centmetros. Dessa forma, necessrio realizar uma mudana de escala. Algumas
metodologias utilizam de demarcaes no solo com o seu tamanho real previamente conhecido
para aquisio das imagens, mas esse mtodo possui a desvantagem de ser dependente do ponto
de referncia.
O mtodo aplicado busca dar mais praticidade para futuras implementaes, no sendo
necessrio o usurio andar com um ponto de referncia no bolso. Dessa forma a metodologia
baseada em posicionar duas demarcaes com dimenses de 10cm de largura e altura no solo,
onde o ponto central de cada referncia foi disposto a uma distncia de 20cm uma d outra.
Foram capturas 3 imagens das demarcaes com dimenses de 3920 x 2204 a um 1 metro de
distncia do solo. A imagens so exibidas na Figura 34.
A distncia em pixels entre os pontos centrais foi extrada nas 3 imagens capturadas, a
partir dessas informaes possvel identificar o valor unitrio de cada pixel no espao real em
81
Figura 34: Imagens adquiridas das demarcaes no solo.
centmetros conforme segue:

dist ancia em centmetros
(pixel) =
valor unit ario (56)

dist ancia em pixels
A equao anterior demonstra como calcular o valor em centmetro para cara pixel.
Consequentemente possvel determinar o valor dos pixels para as imagens de referncias,
onde 20 cm a distncia entre os pontos no espao em centmetro e 746 a distncia em pixels, a
partir desses dados basta realizar a diviso entre as medidas. O resultado desse clculo 0.0268
sendo assim o valor em centmetros para cada pixel da imagem de referncia. Portando os
seguintes dados: valor unitrio de cada pixel, distncia de aquisio e o total de pixel presentes
na imagem de referncia factvel a mudana de escala entre imagens utilizando um simples
regra de 3 composta.
82
6 RESULTADOS E DISCUSSES
Esse captulo foi divido em trs sees:
Classificao de milho e feijo: onde foi realizado um comparativo de caractersticas e

classificadores, afim de determinar quais caractersticas so mais relevantes para discri-
minao das culturas;
Anlise e validao dos mtodos de segmentao: foi realizado um comparativo entre os

mtodos de segmentao apresentados na seo 3.4 com intuito de encontrar a tcnica
mais adequado para o trabalho desenvolvido;
A anlise automtica do arranjo espacial de plantas de milho: onde foram definidas al-
gumas medidas de avaliao das inferncias realizadas pela metodologia desenvolvida e
comparou a medio manual com a medio baseada em viso computacional, afim de
demonstrar a eficcia do mtodo.
6.1 CLASSIFICAO DE MILHO E FEIJO
O experimento de classificao de milho e feijo tem como objetivo analisar a capaci-

dade do classificador e taxa de discriminao das caractersticas apresentadas na Tabela 5. Duas
medidas foram extradas para avaliar a qualidade da classificao, preciso e recall, descritas
na seo 4.3.2.
Os resultados foram divididos em duas etapas: a primeira utilizando todas as caracte-

rsticas e a segunda utilizando somente as caractersticas selecionadas pelo mtodo CFS, des-
crito na seo 4.2.1. O resultado dos primeiros experimentos so mostrados na Tabelas 6 e
7.
Observando as Tabelas 6 e 7, praticamente todos os classificadores alcanaram resulta-

dos satisfatrios em especial Naive Bayes, IBK e MultiLayer Perceptron com 100% em ambas
as medidas utilizadas. Os pontos fracos da classificao foram os classificadores baseados em
83
Tabela 5: Resumo das caractersticas utilizadas no experimento, apresentadas na seo

3.6.
Nome Descrio
Mdia (Vermelho) Valor mdio do canal RED normalizado ao longo do objeto
Mdia (Verde) Valor mdio do canal GREEN normalizado ao longo do objeto
Mdia (Azul) Valor mdio do canal BLUE normalizado ao longo do objeto
Desvio padro (Verme- Valor mdio do canal RED normalizado ao longo do objeto
lho)
Desvio padro (Verde) Valor mdio do canal GREEN normalizado ao longo do objeto
Desvio padro (Azul) Desvio padro do canal BLUE normalizado ao longo do objeto
rea Nmero de pixels pertencentes ao objeto
Permetro Nmero de pixels pertencentes ao contorno do objeto
Dimetro Maior distncia entre dois pontos pertencentes ao contorno
Compacidade Permetro2 / rea
Mdia Mdia das intensidades em tons de cinza
Desvio Padro Desvio padro das intensidades em tons de cinza
Suavidade 1 - (1 / 1 + varincia2 ), varincia das intensidades em tons de cinza
3o momento 3 = L1 3
i=0 (zi m) p(zi )
Uniformidade U(z) = L1 2
i=0 p (zi )
Entropia Mdia e(z) = L1i=0 p(zi )log2 p(zi )
rvore de deciso, provavelmente isso aconteceu devido as caractersticas no produzirem ti-

mos ns de deciso criando uma induo da rvore de forma ruidosa.
Tabela 6: Feijo - Resultados com 16 ca- Tabela 7: Milho - Resultados com 16 carac-
ractersticas. tersticas.
Classificador Preciso Recall Classificador Preciso Recall

Naive Bayes 100% 100% Naive Bayes 100% 100%
IBK (k-NN) 100% 100% IBK (k-NN) 100% 100%
J48 84,2% 88,9% J48 87,5% 82,4%
Random Forest 94,4% 94,4% Random Forest 94,1% 94,1%
MultiLayer Perceptron 100% 100% MultiLayer Perceptron 100% 100%
SVM 100% 88,9% SVM 100% 88,9%
Na segunda etapa foi aplicado um mtodo de seleo de caractersticas para elimina-
o dos atributos irrelevantes, para isso foi executado o mtodo descrito na seo 4.2.1. As
caractersticas selecionadas foram: desvio padro de vermelho e azul, rea, compacidade e 3o
momento. Os resultados da classificao foram exibidos nas Tabelas 8 e 9.
Comparando as Tabelas 6, 7 8 e 9, identificou que os resultados foram praticamente

os mesmos, indicando que o algoritmo de seleo de caractersticas conseguiu selecionar as
84
caractersticas mas relevantes para classificao e eliminando as irrelevantes. Portanto, as ca-

ractersticas que forram excludas da seleo no apresentaram nenhum tipo de influncia no
resultado final da classificao.
Tabela 8: Feijo - Resultados com 5 carac- Tabela 9: Milho - Resultados com 5 carac-
tersticas. tersticas.
Classificador Preciso Recall Classificador Preciso Recall

Naive Bayes 100% 100% Naive Bayes 100% 100%
IBK (k-NN) 100% 100% IBK (k-NN) 100% 100%
J48 84,2% 88,9% J48 87,5% 82,4%
Random Forest 85,5% 94,4% Random Forest 93,3% 82,4%
MultiLayer Perceptron 100% 100% MultiLayer Perceptron 100% 100%
SVM 100% 88,9% SVM 100% 88,9%
Analisando as caractersticas selecionadas notou-se que os atributos representados pelo
desvio padro (Azul) e (Vermelho) so os valores que influenciam na intensidade das cores ver-
des (plantas) e constantemente sofrem variao alterando as intensidade das cores, a caracters-
tica de compacidade representa o quanto uma forma circular, o feijo possui uma forma mais
circular do que o milho e por fim o 3 momento indica a direo da textura, ou seja, se est para
direita ou esquerda.
A ocorrncia de 100% de preciso e recall em quase todos os classificadores se deve

ao nmero de instncias utilizadas no experimento, o ideal utilizar uma grande base de ima-
gens com o mximo possvel de instncias reais para avaliar o desempenho do classificadores.
No entanto, para o objetivo do experimento realizado o nmero de instncias foi considerado
aceitvel.
6.2 ANLISE E VALIDAO DOS MTODOS DE SEGMENTAO
Nesta seo so apresentados os resultados da anlise e validao dos mtodos de

segmentao, descrita na seo 5.5. O objetivo a princpio foi validar a implementao do
ndice de vegetao utilizando uma base de imagem adquirida em condies controladas de
iluminao, diminuindo assim a influncia desse fator nos resultados da segmentao.
As medidas de avaliao foram utilizadas para comparar os resultados da segmentao,

nas quais cada uma delas podem descrever uma caracterstica da segmentao. A acurcia a
porcentagem de instncias corretamente classificadas. As instncias so os pixels pertencentes
a planta e os pixels pertencentes ao fundo da imagem. Essa medida tambm conhecida como
85
taxa de reconhecimento global do classificador. No entanto, ela influenciada diretamente

pelo desbalanceamento da base de imagens podendo produzir concluses errneas. A taxa de
erro pode ser considerada a medida oposta da acurcia, sendo a porcentagem de erro global do
classificador.
Considerando que as instncias do classificador so os pixels presentes na imagem, as

bases de imagens utilizadas no trabalho so desbalanceada, pois a quantidade de pixels vegeta-
o inferior ao nmero de pixels fundo, como pode ser observado nas Figuras 22, 26, 27, 28 e
29, as quais apresentam exemplos de imagens da bases utilizadas. Portanto, necessrio outras
medidas de avaliao para descrever a qualidade da segmentao onde uma determinada classe
de instncia rara.
As medidas de sensibilidade e de especificidade se enquadram nessa tarefa. A sen-

sibilidade referenciada como a taxa de verdadeiros positivos, ou seja, a proporo de pixels
plantas corretamente classificados. Enquanto a especificidade a taxa de verdadeiros negativos,
ou seja, a proporo de pixels fundo corretamente rotulados. Essas duas medidas apresentam
informaes relevantes sobre o processo de segmentao.
A preciso a medida de exatido na classificao dos pixels plantas, que pode ser
descrita como, o percentual de pixels plantas rotuladas como tal que realmente so, e recall
uma medida de integralidade, definida como o percentual de pixels plantas que foram rotulados
como tal. A medida de F-Measure uma medida harmnica de preciso e recall.
A Tabela 10 exibe a mdia das medidas de avaliao extradas do processo de seg-

mentao sobre a base de imagens de cenoura, ondas as imagens foram capturas em condies
controladas de iluminao. Os dados em negritos representam o melhor resultado em relao a
medida de avaliao da coluna. Analisando esse aspecto notvel que o ndice de vegetao que
apresentou melhores resultados foi o CIVE, contando com apenas uma exceo na sensibilidade
e recall, onde o melhor resultado foi obtido pelo ndice NDI.
Os ndices ExG, ExR e ExGR alcanaram a mesma mdia em relao s medidas de

avaliao, esse fato pode ser atribudo a semelhana entre os ndices para destacar os pixels
vegetativos, ou seja, so baseados em atribuir um peso maior a um canal do espao de cores
RGB (Green para ExG, Red para ExR e ExGR a juno dos dois ndices). A semelhana nos
resultados no foi mantida nos experimentos posteriores.
Os piores ndices foram o VEG e o COM, onde o segundo apresentou os piores resul-
tados da segmentao, apresentando valores inferiores em todas as medidas extradas na Tabela
10. Porm, de forma geral, os ndices de vegetao apresentaram timos resultados, alcan-
86
Tabela 10: Resultados das segmentaes utilizando os ndices vegetativos sobre a base de
imagens de cenoura e ervas daninhas, descrita na seo 5.3.
Mtodo Acurcia Taxa de Sensibilidade Especificidade Preciso F-Measure

erro e Recall
ExG 0,986 0,014 0,929 0,991 0,886 0,905
ExR 0,986 0,014 0,929 0,991 0,886 0,905
NDI 0,979 0,021 0,962 0,982 0,808 0,864
CIVE 0,989 0,011 0,881 0,999 0,986 0,93
ExGR 0,986 0,014 0,929 0,991 0,886 0,905
VEG 0,984 0,016 0,824 0,998 0,966 0,889
COM 0,977 0,023 0,917 0,983 0,802 0,85
ado valores satisfatrios em todas as medidas de avaliao. Demonstrando a conformidade das

implementaes dos ndices vegetativos apresentados no trabalho.
Na Tabela 11 so apresentadas as medidas de avaliao mdias extradas do processo

de segmentao com a abordagem de segmentao interativa. Os resultados foram separados
em quatro, seguindo as caractersticas utilizadas pelo classificador no processo de identificao
dos pixels. A unio de todas as caractersticas, conforme o esperado, apresentou os melhores
resultados na classificao dos pixels.
Tabela 11: Resultados da abordagem de segmentao interativa sobre a base de cenoura

e ervas daninhas, descrita na seo 5.3.
Segmentao Acurcia Taxa de Sensibilidade Especificidade Preciso F-Measure

interativa erro e Recall
Cor 0,979 0,021 0,979 0,968 0,997 0,988
Borda 0,94 0,06 0,94 0,911 0,992 0,965
Textura 0,945 0,055 0,946 0,902 0,992 0,968
Todas 0,982 0,018 0,983 0,967 0,997 0,99
A caractersticas de cor obtiveram destaque nos resultados, apresentando maior capaci-

dade em identificar os pixels fundo, alm de igualar a preciso da combinao de caractersticas
em reconhecer os pixels de planta que realmente so plantas. Esses resultados j eram esperado,
devido ao ndices vegetativos se basearem no espao de cores RGB e apresentarem timos resul-
tados, outro ponto a intuio humana em discriminar a planta do solo observando a imagem,
rapidamente notado que as classes podem ser descritas pela colorao.
As caractersticas de textura e borda apresentaram resultados satisfatrios e semelhan-

tes. Essa fato ocorre devido aos valores utilizados para representar as duas caractersticas serem
derivados dos mesmos descritores, como apresentado na seo 3.4.2.
Observando a Tabela 11, a abordagem de segmentao interativa apresentou resultados

87
adequados para distinguir pixels de planta de pixels de fundo. Dessa forma, os ndices vegeta-
tivos e a segmentao interativa sero testados sobre a base de imagens panormicas de milho,
construda nesse trabalho, onde os pixels de fundo apresentam alta complexidade e a iluminao
no foi controlada.
A classe de imagens pertencentes ao plantio direto, possu como caractersticas uma

alta incidncia de resduos de outras culturas (trigo e ervas daninhas), devido a falta de arao
e gradagem nesse tipo de plantio, alm que no momento da aquisio das imagens a aplicao
do herbicida para eliminar os resduos no havia sido realizada. Esses dois fatores, junto com
alguns caractersticas descritas na seo 5.2, tornam a identificao das plantas de milho uma
tarefa de alta complexidade. Dessa forma, necessrio analisar qual mtodo de segmentao
apresenta melhores resultados nessa situao de plantio.
Na Tabela 12 so apresentadas as medidas de avaliao mdias extradas dos resultados

da segmentao sobre a classe de plantio direto. O intuito comparar os ndices vegetativos e
a segmentao interativa, afim de determinar qual mtodo de segmentao apresenta melhores
resultados. Como esperado a segmentao interativa apresentou os melhores resultados, com
uma exceo o ndice CIVE apresentou os melhores resultados no reconhecimento dos pixels
pertencentes a planta.
Tabela 12: Resultados dos mtodos de segmentao sobre a classe de plantio direto, da
base de imagens panormica de milho, descrita na seo 5.2.

erro e Recall
ExG 0,87 0,13 0,114 0,888 0,063 0,08
ExR 0,769 0,231 0,041 0,798 0,008 0,014
NDI 0,707 0,293 0,049 0,734 0,007 0,013
CIVE 0,861 0,139 0,828 0,863 0,265 0,379
ExGR 0,753 0,247 0,035 0,783 0,007 0,011
VEG 0,956 0,044 0,042 0,993 0,06 0,039
COM 0,725 0,275 0,78 0,723 0,11 0,19
Segmentao 0,979 0,021 0,576 0,995 0,835 0,678
interativa
Ao analisar a coluna da acurcia, os mtodos de segmentao de forma geral, apre-

sentam resultados razoveis de segmentao. Entretanto, como j foi discutido nessa seo,
a acurcia suscetvel a base de imagens desbalanceadas, sendo comprovado observando as
medidas sensibilidade e especificidade da Tabela 12. Apenas trs mtodos de segmentao
apresentam sensibilidade superior a 0,5 e o restante praticamente no identifica os pixels de
planta, porm, a especificidade em todos os mtodos de segmentao superior 0,7, elevando
os valores da acurcia, a qual uma medida global de reconhecimento.
88
O comportamento de sensibilidade baixa com especificidade alta representa uma seg-

mentao em que o mtodo de segmentao sempre marca os pixels como fundo e nunca rotula
os pixels como vegetativos. Dessa forma, a acurcia e especificidade apresentam timos resul-
tados devido ao desbalanceamento dos pixels, onde a quantidade de pixels fundo superior aos
pixels plantas.
Portanto, apenas o ndice CIVE e a segmentao interativa apresentaram resultados

significativos de segmentao. O CIVE apresentou valores razoveis em quase todas medidas
de avaliao, porm, a medida de preciso inferior 0,5 indicando que o mtodo teve dificuldade
em identificar os pixels planta que realmente possuem interesse para segmentao, ou seja, os
pixels pertencentes as plantas de milho dentro da linha de plantio. J a segmentao interativa
no sofreu com esse problema, conseguindo distinguir o milho de outras culturas, em virtude
do processo interativo de aprendizagem onde o usurio aponta quais caractersticas devem ser
consideradas (selecionados os pixels da planta de milho) e quais devem ser desconsideradas
(marcando os pixels pertercentes ao fundo como solo, rochas, resduos, trigo e ervas daninhas).
Esses resultados demonstram a necessidade de tcnicas de segmentao mais robustas em bases
de imagens com fundos complexos para distino de cultivares, pois os ndices vegetativos se
limitam a identificar os pixels vegetativos independente da espcie cultivada.
Na Tabela 13 so apresentadas as medidas de avaliao mdias extradas dos resultados

da segmentao sobre a classe de plantio convencional. Novamente, o ndice CIVE e a segmen-
tao interativa apresentaram os melhores resultados de segmentao. O comportamento entre
os ndices vegetativos permaneceu, apresentando uma acurcia razovel em referncia a uma
especificidade alta, ou seja, uma alta taxa de acertos no pixels fundo, ao contrrio dos pixels
pertencentes a planta.
Tabela 13: Resultados dos mtodos de segmentao sobre a classe de plantio convencional,
da base de imagens panormica de milho, descrita na seo 5.2.

erro e Recall
ExG 0,87 0,13 0,114 0,888 0,063 0,08
ExR 0,833 0,167 0,014 0,854 0,003 0,005
NDI 0,804 0,196 0,015 0,823 0,003 0,004
CIVE 0,982 0,018 0,863 0,985 0,591 0,697
ExGR 0,839 0,161 0,012 0,86 0,003 0,004
VEG 0,967 0,033 0,066 0,989 0,053 0,055
COM 0,845 0,155 0,495 0,853 0,095 0,158
Segmentao 0,988 0,012 0,875 0,99 0,698 0,773
interativa
A Tabela 14 apresenta a mdia das medidas de avaliao dos resultados da segmentao

89
sobre a classe de plantio herbicida. Mais uma vez, o ndice CIVE e a segmentao interativa
apresentaram os melhores resultados de segmentao. No entanto, ocorreram alteraes nos
resultados da segmentao. O ndice CIVE apresentou os melhores resultados, com exceo da
medida de sensibilidade onde a segmentao interativa apresentou uma mdia superior.
Os ndices vegetativos melhoraram em relao as classes anteriores, mas no foi sufi-

ciente para apresentarem resultados superiores ao ndice CIVE e a segmentao interativa.
Tabela 14: Resultados dos mtodos de segmentao sobre a classe de plantio direto aps
aplicao de herbicidas, da base de imagens panormica de milho, descrita na seo 5.2.

erro e Recall
ExG 0,966 0,034 0,755 0,98 0,764 0,757
ExR 0,851 0,149 0,26 0,889 0,261 0,258
NDI 0,869 0,131 0,423 0,897 0,424 0,421
CIVE 0,98 0,02 0,834 0,99 0,844 0,838
ExGR 0,913 0,087 0,529 0,937 0,54 0,533
VEG 0,946 0,054 0,243 0,994 0,303 0,256
COM 0,918 0,082 0,821 0,925 0,517 0,604
Segmentao 0,976 0,024 0,894 0,981 0,769 0,824
interativa
A baixa qualidade da segmentao gerada pelos ndices de vegetao, foi estudada em

um recente trabalho (ROMEO et al., 2013), no qual os autores analisaram de forma visual o
histograma dos trs canais RGB, descobrindo que os ndices vegetativos apresentam melhores
resultados quando o contraste da imagem adequado, do contrrio, a melhor soluo utilizar
um mtodo mais robusto de segmentao. O contraste adequado quando as distribuies
das intensidades cobrem toda a gama de valores e tendem a convergir em um ponto central. Por
outro lado, o contraste inadequado quando as distribuies das intensidades tendem apresentar
picos nas pontas do histograma. As Figuras 35, 36, 37 e 38 apresentam exemplos de contraste
adequados e inadequados.
Dessa forma, foi realizada uma anlise sobre as bases de imagens utilizadas nos expe-
rimentos, afim de quantificar as imagens com contraste adequado e inadequado para confrontar
com os resultados da segmentao. A Tabela 15 apresenta o percentual de imagens com con-
traste adequado e inadequado em cada classe de plantio.
Confrontando os percentuais apresentados na Tabela 15 com os resultados da segmen-

tao obtidos anteriormente, a qualidade das segmentaes coincidem com o percentual de
imagens com contraste adequado. Na base de imagens de cenoura e ervas daninha, 100% das
imagens apresentam contraste adequado e todos os ndices vegetativos apresentaram resultados
90
(a) (b)
Figura 35: Exemplo de contraste inadequado, onde o pico da distribuio est na lateral. (a) Imagem
da classe de plantio direto. (b) histograma dos trs canais RGB.
(a) (b)
Figura 36: Exemplo de contraste inadequado, pois os picos das distribuies no tendem a convergir em
nico ponto central. (a) Imagem da classe de plantio convencional. (b) histograma dos trs canais RGB.
91
(a) (b)
Figura 37: Exemplo de contraste adequado, onde os picos convergem para um ponto central. (a)
Imagem da classe de plantio herbicida. (b) histograma dos trs canais RGB.
(a) (b)
Figura 38: Exemplo de contraste adequado, onde os picos tendem a convergir a um ponto central. (a)
Imagem da classe de plantio herbicida. (b) histograma dos trs canais RGB.
92
Tabela 15: Percentual de imagens com contraste adequado e inadequado em cada classe
de plantio.
Classe/Base Contraste adequado Contraste inadequado

Cultura e ervas daninhas 100% 0%
Plantio direto 0% 100%
Plantio convencional 0% 100%
Plantio herbicida 67% 33%
satisfatrios, como pode ser observado na Tabela 10. Na classe de plantio direto da base de
imagens panormicas de milho, no existem imagens com contraste adequado resultando em
segmentaes de baixa qualidade geradas pelos ndices vegetativos, como exibido na Tabela
12, o mesmo acontece na classe de plantio convencional, como mostrado na Tabela 13. Por
outro lado, na classe de plantio com aplicao de herbicida existe uma quantidade razovel
de imagens com contraste adequado, o que representou uma melhora geral nas qualidade das
segmentaes obtidas pelos ndices vegetativos, como foi apresentado na Tabela 14.
Dentro dessa anlise, existe um ndice vegetativo que exceo, o CIVE apresentou
resultados satisfatrios em todas as classes de plantio, indicando se tratar de um ndice vegeta-
tivo com alta tolerncia em relao ao contraste das imagens. Esse resultado obtido corresponde
com resultados encontrados em um estudo recente (KAZMI et al., 2015), no qual vrios ndi-
ces vegetativos foram testados e o CIVE apresentou os melhores resultados em imagens com
grande variao de iluminao, alcanando mais de 90% de preciso mdia. Portanto, o CIVE
foi o ndice vegetativo adotado para a continuidade deste trabalho de forma conjunta com a
segmentao interativa.
6.3 ANLISE AUTOMTICA DO ARRANJO ESPACIAL DE PLANTAS DE MILHO
A anlise do arranjo espacial de plantas de milho o principal objetivo do trabalho.

Essa seo tem como objetivo averiguar os resultados da metodologia descrita na seo 5.6.
Dessa metodologia foi analisada a taxa de identificao das plantas de milho dentro de uma
linha de plantio e a preciso da mensurao realizada pelo mtodo de viso computacional. A
base de imagens utilizada nesse experimento descrita na seo 5.2.
O desafio fundamental para a metodologia proposta encontrar todas as plantas de mi-

lho presentes na imagem, permitindo assim extrair com preciso as distncias entre as plantas.
Dessa forma, foi necessrio demarcar as plantas de milho presentes na base de imagens pano-
rmicas, como descrito na seo 5.2.1, e criar medidas de avaliao para avaliar a qualidade da
etapa de identificao das plantas de milho. As medidas so descritas a seguir:
93
TAP TAC
(planta) =
Precisao , Precisao
(caule) = , (57)
T IR T IR
TAP TAC
Sensibilidade (planta) = , Sensibilidade (caule) = . (58)
T PC T PC
A medida TAP o total de acertos na planta, TAC o total de acerto no caule da planta, T IR o
total de inferncias realizadas pelo algoritmo de identificao e T PC o total de plantas na classe.
As classes podem variar de plantio direto, plantio convencional e plantio direto aps aplicao
de herbicidas.
A preciso (planta) e preciso (caule) so as taxas de acurcia das inferncias realiza-

das pelo algoritmo, afim de identificar uma planta de milho e o caule da planta, respectivamente.
A sensibilidade (planta) e sensibilidade (caule) so as taxas de reconhecimento das plantas e
caule, conforme a ordem.
As Figuras 39 e 40 exibem os resultados das inferncias realizadas pela metodologia

desenvolvida. A primeira utiliza como base o mtodo de segmentao a partir do ndice vege-
tativo CIVE em conjunto com o mtodo de Otsu, enquanto, a segunda emprega a segmentao
interativa. Os resultados so baseados na demarcao por rea da planta e do caule. Esse tipo
de demarcao apresenta um pequena taxa de erro no momento de avaliar a localizao da
inferncia realizada.
Comparando os dois resultados, na classe de plantio direto o mtodo de segmentao

fez a diferena no reconhecimento das plantas de milho. Enquanto, utilizando o ndice de
vegetao CIVE em conjunto com o mtodo de Otsu, as porcentagens finais foram inferiores a
50%, indicando uma baixa taxa de acertos nas inferncias realizadas pelo algoritmo, por outro
lado, aplicando a segmentao interativa a preciso alcanou a marca de 68% e uma melhoria
quando observado os ndices adotados.
Esse fato ocorre, devido as caractersticas dos mtodos de segmentao, os ndices

vegetativos no conseguem distinguir os pixels de ervas daninhas dos pixels da cultura de in-
teresse, ou seja, ele segmenta todos os pixels da planta presentes na imagem. No entanto, a
segmentao interativa possui uma fase de treinamento onde o especialista indica quais pixels
so relevantes para a segmentao, produzindo resultados melhores.
A classe de plantio direto apresenta uma alta incidncia de ervas daninhas, o que difi-
culta a distino entre os pixels da cultura e os pixels das ervas daninhas. Consequentemente,
necessrio a aplicao de mtodos mais robustos na separao dos pixels de interesse e perten-
94
centes ao fundo.
Analisando a classe de plantio convencional, os resultados foram satisfatrios em am-

bos mtodos de segmentao. O CIVE em conjunto com o mtodo de Otsu obteve 87% de
preciso na identificao das plantas e 84% na identificao do caule, alm de reconhecer 96%
das plantas e 80% dos caules presentes na base de imagens. A segmentao interativa, pratica-
mente no errou nas inferncias realizadas pelo algoritmo, obtendo a marca de 99% de preciso
de identificao das plantas e 84% na identificao do caule, porm, as taxas de sensibilidade
foram inferiores ao CIVE em conjunto com o mtodo de Otsu , com a marca de 85% para planta
e 71% para o caule.
A classe de plantio convencional, apresenta a menor incidncia de ervas daninhas, de-

vido ao preparo realizado no solo, alm da variao de maturidade das plantas ser relativamente
baixa. Portanto, foi considerada a classe de menor complexidade para reconhecimento das
plantas.
Observando a classe de plantio direto aps a aplicao de herbicidas, os resultados

foram promissores em ambos os mtodos de segmentao. As taxas de preciso (planta) foram
de 93% para o CIVE em conjunto com o mtodo de Otsu e de 95% para a segmentao inte-
rativa. A sensibilidade (planta) atingiu 90% par o CIVE em conjunto com o mtodo de Otsu
e 87% para a segmentao interativa, respectivamente. No entanto, as taxas relacionadas ao
caule foram inferiores, com 57% para o CIVE em conjunto com o mtodo de Otsu e 59% para
a segmentao interativa, com uma sensibilidade de 50% e 46%, respectivamente.
A classe de plantio aps aplicao de herbicidas apresentou valores abaixo do espe-

rado, devido a variao de maturidade entre as plantas presentes na classe, o mtodo de iden-
tificao do caule funciona de forma adequada para plantas no estdio V2 V4, entretanto, as
plantas presentes da variam de V3 V6, gerando resultados insatisfatrios no reconhecimento
do caule. Os estgios de maturao alteram a forma do topo da planta, ocasionando o erro da
metodologia baseada na maior profundidade do defeito convexo.
O resultado total que a juno de todas as classes, evidenciou os resultados superiores

utilizando a metodologia de segmentao pela segmentao interativa, para os quais conseguiu
alcanar as marcas relevantes de 90% de preciso nas inferncias realizadas e 87% de reconhe-
cimentos das plantas presentes na base. No entanto, os resultados em relao ao caule ainda
precisam ser melhorados, apresentando 58% de preciso e 56% de sensibilidade.
As demarcaes considerando as mscaras das plantas e caules, pode ser descrita,

como a demarcao que leva em conta os limites exatos da planta e do caule, sendo precisa
95
Figura 39: Resultados da identificao das plantas de milho utilizando o ndice vegetativo CIVE em
conjunto com o mtodo de Otsu como mtodo de segmentao e a demarcao pela rea da planta e do
caule.
Figura 40: Resultados da identificao das plantas de milho utilizando a segmentao interativa e a
demarcao pela rea da planta e do caule.
96
na discriminao final dos resultados. As Figuras 41 e 42 apresentam os resultados das infern-

cias realizadas pela metodologia desenvolvida. Os resultados seguem o padro, sendo divididos
por mtodos de segmentao e classes presentes na base de imagens.
Analisando a classe de plantio direto, os resultados obtidos utilizando o CIVE em

conjunto com o mtodo de Otsu como mtodo de segmentao apresentaram resultados insa-
tisfatrios, onde o algoritmo praticamente no conseguiu identificar de forma precisa as plantas
de milho, atingindo apenas 15% de preciso, e uma taxa de reconhecimento de apenas 50%
das plantas presentes na base. Por outro lado, a segmentao interativa, tambm apresentou re-
sultados inferiores, mas manteve os resultados como promissores. A preciso de identificao
das plantas obteve a marca de 61%, refletindo em uma diferena de 7% do resultado anterior.
A taxa de reconhecimento alcanou a marca de 84% das plantas presentes na base, com uma
diferena de apenas 9% do resultado anterior. As taxas em relao ao caule, praticamente no
foram alteradas em relao ao experimento anterior.
Examinando os resultados na classe de plantio convencional, os resultados foram infe-

riores, mas permaneceram satisfatrios e promissores. Utilizando o CIVE em conjunto com o
mtodo de Otsu como mtodo de segmentao, a preciso de identificao das plantas bateu a
marca de 75% com uma taxa de reconhecimento 82% das plantas presentes na classe, a preciso
de definio do local do caule obteve 83% com uma sensibilidade de 68% dos caules. Na seg-
mentao interativa, a preciso de identificao das plantas foi de 85% com uma sensibilidade
de 73%, a preciso de definio do caule bateu a marca de 81% com uma sensibilidade de 59%.
A tendncia nos resultados permaneceu na classe de plantio direto aps a aplicao

de herbicidas. O CIVE em conjunto com o mtodo de Otsu apresentou uma preciso de 81%
e 59% para planta e caule, respectivamente, e uma sensibilidade de 78% e 46% para planta e
caule, respectivamente. A segmentao interativa, obteve uma taxa de preciso de 78% para
planta e 56% para o caule e uma sensibilidade de 72% das plantas e 40% dos caules.
Novamente, o resultado total evidenciou a superioridade dos resultados utilizando a

segmentao interativa, apresentando a marca de 77% de preciso nas inferncias, 74% para
reconhecimento das plantas presentes na base, 48% na preciso de definio do caule e 46%
para taxa de sensibilidade do caule.
Os resultados nas classes de plantio convencional e plantio direto aps aplicao de

herbicidas foram superiores devido a baixa incidncia de ervas daninhas ocasionadas pelas eta-
pas de aragem do solo e aplicao de herbicidas. A baixa incidncia de ervas daninhas propor-
ciona melhores resultados no algoritmo de inferncias das plantas de milho, pois minimiza o
processo de distino das plantas em relao as ervas daninhas.
97
De forma geral, os resultados foram promissores e satisfatrios. Como esperado os

resultados gerados pela demarcao baseada na rea da planta e caule, alcanaram taxas de
preciso e sensibilidade superiores a demarcao baseada na mscara da planta. Um ponto a
ressaltar nessa comparao foi a classe de plantio direto, para a qual os resultados permanece-
ram promissores mesmo alterando o tipo de demarcao utilizando a segmentao interativa,
indicando que uma segmentao de melhor qualidade influencia diretamente nos resultados de
identificao e reconhecimento das plantas.
No entanto, para mensurar de maneira exata os espaamentos entre plantas neces-

srio que todas as taxas de preciso e reconhecimento alcancem a marca de 100%. Por isso,
uma etapa de correo manual foi adicionada ao processo, permitindo que um usurio realize
operaes de alterao, excluso e adio de plantas de milho. Essa etapa permite que as taxas
de preciso e reconhecimento seguem prximas do adequado, sendo possvel validar a meto-
dologia de mensurao dos espaamentos entre plantas, descrita na seo 5.6. Para gerao
dos experimentos, a correo foi gerada baseando-se nas desmarcaes das plantas, descrita na
seo 5.2.1, onde o caule da planta foi definido pelo ponto central da demarcao.
Figura 41: Resultados da identificao das plantas de milho utilizando o ndice vegetativo CIVE em
conjunto com o mtodo de Otsu como mtodo de segmentao e a demarcao pela mscara da planta e do
caule.
A Tabela 16 apresenta a diferena mdia entre a comparao da medio manual com

a medio baseada em viso computacional, na qual possvel verificar que a diferena entre
as medies insignificante. A classe de plantio direto apresenta a maior taxa de variao,
alcanando a marca de 1,6 cm para mdia e 1,64 para o desvio padro das diferenas. Enquanto,
as classes de plantio convencional e plantio com herbicida obtm taxas menores de variao,
isto ocorre, devido a dificuldade que a classe de plantio direto promove em correes manuais,
98
Figura 42: Resultados da identificao das plantas de milho utilizando a segmentao interativa e a
demarcao pela mscara da planta e do caule.
onde at uma pessoa no consegue indicar a localizao das plantas de forma precisa.
Tabela 16: Mdia e desvio padro das diferenas da medio manual e baseada em viso
computacional.
Classe Mdia Desvio padro

Plantio direto 1,6 cm 1,64 cm
Plantio convencional 1,4 cm 0,96 cm
Plantio herbicida 1,2 cm 0,91 cm
As Tabelas 17, 18 e 19 apresentam exemplos de medies dos espaamentos entre

plantas na linha de plantio presentes nas Figuras 43, 44 e 45, observando esses dados notvel
que as diferenas so insignificantes, demonstrando que a metodologia de medio baseada em
viso computacional pode substituir de forma satisfatria a medio manual. Outro ponto,
o clculo do coeficiente de variao (CV), o qual utilizado para estimar as perdas de plantio
de milho, descrito na seo 2.4, comparando os CVs da medio manual e da medio base-
ada em viso computacional, as diferenas apresentadas so irrelevantes no resultado final das
estimativas de perdas de gros.
Figura 43: Imagem exemplo do plantio direto.

99
Tabela 17: Comparao entre a medio manual e baseada em viso computacional com
correo manual dos espaamentos entre plantas. Os valores esto em centmetros e a
imagem base do exemplo apresentada na Figura 43.
Tipo de medio 1 2 3 4 5 6 7 8 9 10 CV
Manual 26 27 28 22 23 30 26 28 47 29 24%
Viso computacional 26 28 29 21 23 31 24 29 47 28 25%
Figura 44: Imagem exemplo do plantio convencional.
Tipo de medio 1 2 3 4 5 6 7 8 9 10 11 12 CV
Manual 17 21 28 27 27 29 34 23 27 26 27 27 16%
Viso computacional 17 21 28 27 26 30 34 24 26 25 29 29 16%
Figura 45: Imagem exemplo do plantio aps aplicao de herbicida.
Tipo de medio 1 2 3 4 5 6 7 8 9 10 CV
Manual 26 29 20 58 26 21 53 25 27 23 43%
Viso computacional 26 29 19 60 25 20 51 25 26 24 44%
100
As informaes que podem ser derivadas dos espaamentos entre plantas como den-
sidade populacional, uniformidade dos espaamentos entre plantas e estimao das perdas de
gros so fundamentais para auxiliar a interveno de agrnomos, tcnicos agrcolas e produto-
res em situaes crticas do plantio.
O produtor pode confrontar informaes verificando a taxa de germinao e emergn-

cia em funo do nmero de sementes que foram distribudas por metro durante a etapa de
plantio, comparando os dados com a quantidade de plantas por metro linear. Existem outras
informaes que so complementares a esse processo como a quantidade de falhas e duplas,
as quais podem indicar uma possvel falha no processo de plantio em relao as plantadeiras.
Essas falhas podem estar relacionadas a falta de manuteno nos equipamentos ou regulagens
inadequadas como velocidade de plantio alta ou baixa. A melhor forma de avaliar essas falhas
o coeficiente de variao, onde valores maiores que 25% so considerados inadequados.
A baixa germinao e emergncia das plantas pode estar relacionada a diversos fatores
como profundidade de semeao, qualidade fisiolgica das sementes, fertilidade e umidade do
solo, tratamento com defensivos qumicos e situao climticas.
Nesse caso, as informaes extradas dos espaamentos entre as plantas servem para
auxiliar o produtor na identificao dos fatores que esto prejudicando a plantao, permitindo
o produtor tomar providncias como verificar a regulagem da plantadeira em relao a profun-
didade de semeao, confrontar a distribuidora de sementes devida a baixa taxa de germinao
apresentado no plantio e avaliar a disponibilidade de nutrientes existentes no solo. Aps essa
verificao o produtor pode tomar algumas decises, como replantio da lavoura, readequao
das prticas de manejo e qualificao das mquinas agrcolas em relao a profundidade de
depsito das sementes (JUNIOR et al., 1999).
A uniformidade dos espaamentos entre plantas pode indicar a qualidade do plantio,

como descrito na seo 2.3, sendo mais um fator para influenciar nas decises do produtor.
O desenvolvimento de tecnologias desse porte, so fundamentais para os produtores

que buscam o aumento de produtividade em suas lavouras, tornando o agronegcio cada vez
mais eficiente, produtivo e competitivo. O nvel mdio nacional de produtividade de milho
muito baixo (CRUZ et al., 2010b), um dos motivos so as prticas de manejos inadequadas. O
desenvolvimento de tecnologias, podem auxiliar o monitoramento da qualidade de plantio e na
identificao das possveis falhas de manejo, aumentando a produtividade das lavouras.
101
7 CONCLUSES E DIRECIONAMENTOS
O milho uma das culturas mais produzidas no mundo, servindo como alimento e
matria prima em diversas reas. O Brasil se encontra como um dos principais produtores de
milho no mundo, alm de apresentar potencial para crescimento rpido nos prximos anos.
Entretanto, a demanda de alimentos para atender a populao mundial nas prximas dcadas,
exige o aumento de produo em diversos pases e culturas.
Diversos estudos no mundo, tem como objetivo maximizar o potencial produtivo do

milho, estudando a gentica da cultura at alternativas de manejo mais eficientes. O milho
uma cultura sensvel s mudanas no arranjo espacial de plantas, pois qualquer variao pode
influncia nos fatores de produo como gua, luz e nutrientes.
Levando em considerao a sensibilidade na variao do arranjo espacial de plantas

e necessidade do aumento de produo da cultura. Esse trabalho, apresenta uma metodologia
baseada em viso computacional afim de extrair informaes relevantes ao produtor, agrnomos
e tcnicos agrcolas como o objetivo de auxiliar em possveis tomadas de deciso, tais como o
replantio ou readequao do manejo da cultura.
Inicialmente foi construda uma pequena base de milho e feijo, afim de avaliar a
capacidade de discriminao de um conjunto de caractersticas bsicas cor, forma e textura. Os
resultados foram animadores, apresentando cerca de 100% de preciso e recall em quase todos
os classificadores testados. Demonstrando o potencial discriminativos das plantas de milho e
feijo. As caractersticas que apresentaram destaque foram o desvio padro das intensidades
dos canais de cores vermelho e azul do padro de cores RGB, rea e compacidade do objeto
segmentado e o 3o momento do histograma do objeto de interesse. As caractersticas de forma
foram utilizadas na metodologia de anlise do espaamento entre plantas para classificao dos
objetos de interesse entre plantas de milho e ervas daninhas.
Para o desenvolvimento da metodologia foi necessrio a construo de uma base de

imagens panormicas das linha de plantio da cultura de milho. Essa base composta de 222
imagens distribudas de forma entre as classes de plantio, alm de apresentar variaes nos es-
102
tgios de maturao das plantas, diferentes condies de aquisio das imagens e cerca de 2571
plantas de milho. Conforme o planejado, o objetivo era construir uma base que reproduzisse si-
tuaes reais de plantio, com o mximo de adversidades encontradas como variaes nas taxas
de iluminao e incidncias de ervas daninhas.
Essa variao na iluminao e incidncia de ervas daninhas levou a realizao de uma

anlise de diversos mtodos de segmentao, buscando encontrar o mtodo mais robusto para
ser incorporado na metodologia de anlise dos espaamentos entre plantas. O CIVE apresentou
os melhores resultados entre os ndices vegetativos, tendo alta tolerncia em relao ao contraste
das imagens. A segmentao interativa, de forma geral, alcanou os melhores resultados das
segmentaes. Os dois mtodos de segmentao utilizados so robustos para diversas situaes
de plantio conforme comprovado nos experimentos realizado na base de imagens de cenoura e
ervas daninhas e na base de imagens panormicas da milho. Portanto, os dois mtodos foram
avaliados na metodologia de anlise dos espaamento entre plantas.
A metodologia de anlise dos espaamentos entre plantas foi dividida em duas partes:
identificao das plantas de milho e mensurao dos espaamentos entre plantas. Os resultados
da identificao das plantas so separado por mtodo de segmentao, tipo de demarcao das
plantas e classes de plantio.
De forma geral, os resultados foram promissores e satisfatrios. Os resultados utili-

zando a demarcao baseada na rea da planta e caule, alcanaram as melhores taxas de preciso
e sensibilidade, sendo superiores a demarcao baseada na mscara das plantas.
As classes de plantio direto aps aplicao de herbicidas e plantio convencional, apre-

sentaram resultados satisfatrios em ambos os mtodos de segmentao, tendo como destaque
a metodologia utilizando a segmentao interativa, a qual alcanou a marca de 99% de pre-
ciso das inferncias realizadas com uma taxa de sensibilidade de 85% para classe de plantio
convencional e uma taxa de preciso de 95% e reconhecimento de 87% para classe de plantio
com herbicida. Enquanto a classe de planto direto, apresentou resultados promissores somente
utilizando a segmentao interativa, batendo a marca de 68% de preciso e 93% de sensibili-
dade. Esse fato ocorreu devido a alta taxa de incidncia de ervas daninhas na classe de plantio
direto, dificultando a etapa de segmentao, sendo necessrio a implementao de mtodos de
segmentao mais robustos.
A segmentao interativa apresentou os melhores resultados, conseguindo alcanar a

marca de 90% de preciso nas inferncias realizadas e 87% de reconhecimento das plantas pre-
sentes na base, contra 68% e 92%, respectivamente, utilizando o ndice vegetativo CIVE em
conjunto com o mtodo de Otsu para realizar as segmentaes. Porm, na avaliao no foi
103
considerado o custo computacional de cada operao, caso fosse, o CIVE em conjunto com
o mtodo de Otsu seria o mtodo de segmentao mais indicado, devido a simplicidade de
implementao e seu baixo custo computacional. A segmentao interativa implica em grande
esforo para treinar o classificador e apresenta limitaes em exemplos no treinados. Portando,
a juno do ndice de vegetao CIVE com o mtodo de Otsu a abordagem de segmentao
mais indicada para implementao de ferramentas e aplicativos voltados para rea de reconhe-
cimento de plantas na agricultura.
Em relao a medio baseada em viso computacional comparada a medio ma-

nual, no apresentou diferenas significativas indicando a usabilidade da abordagem proposta
na implementao de ferramentas futuras, onde o usurio no tenha a necessidade de utilizar
demarcaes fsicas a cada imagem capturada. Alm da medio baseada em viso computa-
cional exigir um esforo menor do que a medio manual, ela apresenta diversas informaes
de forma automtica para o usurio como densidade populacional, uniformidade dos espaa-
mentos entre plantas e estimativas de perdas de gros, onde o usurio pode analisar e realizar
alguma tomada de deciso.
Portanto, esse trabalho apresenta como contribuio uma abordagem simples e efici-
ente para identificao das plantas milho e mensurao dos espaamentos entre plantas, duas
medidas de avaliao no desempenho de identificao das plantas possibilitando comparaes
com outras abordagens desenvolvidas em outros trabalhos, alm de uma base de imagens pano-
rmicas da linha de plantio de milho, fomentando o desenvolvimento de outras abordagens.
Para trabalhos futuros, sugere-se a implementao de outras tcnicas baseadas em vi-

so computacional para a anlise dos arranjos espaciais de outros cultivares. Tambm sugerido
a pesquisa de novas tcnicas de segmentao de plantas em ambiente natural, onde a variabi-
lidade de iluminao alta. Alm disso, a busca por alternativas para reduzir o nmero de
decises para classificar uma planta de milho dentro de uma imagem, estudando novas carac-
tersticas de forma e textura e a possibilidade de incluir um mtodo de classificao nesse pro-
cesso, com intuito de aumentar a acurcia das inferncias. Por fim, a incluso de novos mtodos
para a identificao do local do caule na planta, buscando corrigir a baixa preciso na definio
do caule, afim de melhorar os resultados e diminuir a interveno humana no processo.
104
REFERNCIAS
ACHANTA, R. et al. SLIC Superpixels. EPFL, 2010.
ACHANTA, R. et al. Slic superpixels compared to state-of-the-art superpixel methods. Pattern

Analysis and Machine Intelligence, IEEE Transactions on, IEEE, v. 34, n. 11, p. 22742282,
2012.
AHA, D.; KIBLER, D. Instance-based learning algorithms. Machine Learning, v. 6, p. 3766,

1991.
ALVAREZ, C. G. D.; PINHO, R. G. V.; BORGES, I. D. Avaliao de caractersticas agron-

micas e de produo de forragem e gros de milho em diferentes densidades de semeadura e
espaamentos entre linhas. Cincia e Agrotecnologia, SciELO Brasil, v. 30, n. 3, p. 402408,
2006.
ARGENTA, G.; SILVA, P. R. F. d.; SANGOI, L. Arranjo de plantas em milho: anlise do

estado-da-arte. Cincia rural. Santa Maria. Vol. 31, n. 6 (nov./dez. 2001), p. 1075-1084,
2001.
BAEZA-YATES, R. A.; RIBEIRO-NETO, B. Modern Information Retrieval. Boston, MA,

USA: Addison-Wesley Longman Publishing Co., Inc., 1999. ISBN 020139829X.
BALEM, Z. Avaliao de espaamento convencional e linhas gmeas sob densidade po-

pulacional para cultura do milho. Dissertao (Dissertao de Mestrado) Universidade
Tecnolgica Federal do Paran, 2013.
BOTELHO, G. M. Segmentao de imagens baseada em redes complexas e superpixels:

uma aplicao ao censo de aves. Tese (Doutorado) Universidade de So Paulo, 2014.
BOTELHO, S. Princpios e mtodos silviculturais. Lavras-MG: UFLA, 2003.
BRACHTVOGEL, E. L. et al. Densidades populacionais de milho em arranjos espaciais con-

vencional e equidistante entre plantas. Cincia Rural, SciELO Brasil, v. 39, n. 8, p. 23342339,
2009.
BRACHTVOGEL, E. L. et al. Populao, arranjo de plantas uniforme ea competio intraespe-

cfica em milho. Revista Trpica: Cincias Agrrias e Biolgicas, v. 6, n. 1, 2012.
BRASIL. Ministrio da Agricultura. Exportaes do agronegcio atingem quase

US$ 100 bilhes em 2013. jan. 2014. Acessado em: 01-10-2014. Disponvel em:
<http://www.agricultura.gov.br/comunicacao/noticias/2014/01/exportacoes-do-agronegocio-
atingem-quase-uss-100-bilhoes-em-2013>.
BRILHADOR, A. et al. Combining texture and shape descriptors for bioimages classification:
A case of study in imageclef dataset. In: Progress in Pattern Recognition, Image Analysis,
Computer Vision, and Applications, Proceedings. [S.l.]: Springer, 2013. (Lecture Notes in
105
Computer Science, v. 8258), p. 431438. 18th Iberoamerican Congress on Pattern Recognition,

CIARP 2013.
CAMARGO NETO, J. A combined statistical-soft computing approach for classification

and mapping weed species in minimum-tillage systems. Tese (Doutorado) Universidade
de Nebraska, 2004.
CARLSON, G.; DOERGE, T.; CLAY, D. Estimating corn yield loses from unevenly spaced
planting. Site-specific Management guidelines, SSMG-37, 2002.
CEPEA-USP. Centro de Estudos Avancados em Economia Aplicada PIB Agro CEPEA-

USP-CNA: PIB do agronegcio dados de 1994 a 2013. 2014. Acessado em: 30-09-2014.
Disponvel em: <http://cepea.esalq.usp.br/pib/>.
CEPEA-USP. Perpectivas para o agronegcio em 2015. 2015. Acessado em: 03-02-2015.

Disponvel em: <http://cepea.esalq.usp.br/pib/>.
CHUANYU, W.; XINYU, G.; CHUNJIANG, Z. Detection of corn plant population and row
spacing using computer vision. In: IEEE. Digital Manufacturing and Automation (ICDMA),
2011 Second International Conference on. [S.l.], 2011. p. 405408.
CIGLA, C.; ALATAN, A. A. Efficient graph-based image segmentation via speeded-up turbo
pixels. In: ICIP. [S.l.]: IEEE, 2010. p. 30133016. ISBN 978-1-4244-7994-8.
CONAB. Acompanhamento da Safra Brasileira de Gros : SAFRA 2014/15 - Primeiro Le-

vantamento - Outubro/2014. Companhia Nacional de Abastecimento, 2014. 1-94 p. Acessado
em: 03-02-2013. Disponvel em: <http://www.conab.gov.br>.
CONOVER, W. J.; JOHNSON, M. E.; JOHNSON, M. M. A comparative study of tests for

homogeneity of variances, with applications to the outer continental shelf bidding data. Tech-
nometrics, Taylor & Francis Group, v. 23, n. 4, p. 351361, 1981.
COPETTI, E. Prevenir custa menos. Cultivar Mquinas,

n. 27, 2004. Acessado em: 04-03-2014. Disponvel em:
<http://www.grupocultivar.com.br/site/content/artigos/artigos.php?id=597>.
COSTA, L. da F.; JR., R. M. C. Shape Classification and Analysis: Theory and Practice.
2nd. ed. Boca Raton, FL, USA: CRC Press, Inc., 2009. ISBN 0849379296, 9780849379291.
CRUZ, J. C. et al. Resposta de cultivares de milho variao em espaamento e densidade.

Revista Brasileira de Milho e Sorgo, v. 6, n. 01, 2010.
CRUZ, J. C. C. et al. Cultivo do milho. [S.l.]: Embrapa Milho e Sorgo, 2010.
DE ASSIS, R. et al. Caracterizao de aspectos fenolgicos da espcie annona muricata l. In:

Embrapa Amaznia Oriental. [S.l.: s.n.], 2014.
DEAGRO. Balana comercial brasileira do agronegcio - consolidado 2013 e

2014. Informativo DEAGRO, 2015. Acessado em: 03-02-2015. Disponvel em:
<http://www.fiesp.com.br/indices-pesquisas-e-publicacoes/balanca-comercial/>.
DOERGE, T.; HALL, T.; GARDNER, D. New research confirms benefits of improved plant
spacing in corn. Crop insights, v. 12, n. 2, p. 15, 2002.
106
DOURADO NETO, D. et al. Efeito da populao de plantas e do espaamento sobre a produti-

vidade de milho. Revista Brasileira de Milho e Sorgo, v. 2, n. 03, 2010.
DUDA, R.; HART, P.; STORK, D. Pattern classification. 2nd. ed. [S.l.]: Wiley, 2001. (Pattern
Classification and Scene Analysis: Pattern Classification). ISBN 9780471056690.
EMBRAPA. Tecnologias de produo de soja Regio Central do Brasil 2014. [S.l.]: Sistema
de produo, 2013. 265 p.
FAO. Fao Statistical Yearbook 2013: World Food and Agriculture. FOOD & AGRI-
CULTURE ORGN, 2013. (Fao Statistical Yearbook). Acessado em: 04-03-2014. ISBN
9789251073964. Disponvel em: <http://www.fao.org/economic/ess/ess-publications/ess-
yearbook/en/#.U0bssfldXhl>.
FAPRI. World agricultural outlook 2010. Yowa: Center for Agricultural and Rural De-
velopment of Iowa State University, 2010. Acessado em: 04-03-2014. Disponvel em:
<http://www.fapri.iastate.edu/outlook/2010/text/Outlook_2010.pdf>.
FRANA NETO, J. d. B.; KRZYZANOWSKI, F. C.; HENNING, A. A. A importncia do uso
de semente de soja de alta qualidade. Informativo Abrates, v. 20, n. 1,2, p. 3738, 2010.
FREEMAN, H. Techniques for the Digital Computer Analysis of Chain-Encoded Arbitrary
Plane Curves. In: Proc. Nat. Electronics. Conf. [S.l.: s.n.], 1961. v. 17, p. 412432.
FREIRE, F.; VASCONCELLOS, C.; FRANCA, G. de. Manejo da fertilidade do solo em sistema
plantio direto. Embrapa Milho e Sorgo-Artigo em peridico indexado (ALICE), Informe
Agropecurio, Belo Horizonte, v. 22, n. 208, jan./fev. 2001., 2001.
GASQUES, J. et al. Produtividade da agricultura brasileira e os efeitos de algumas polticas.
Revista de Poltica Agrcola, v. 21, n. 3, 2012. ISSN 2317-224X.
GE, C. et al. Crop/weed discrimination in perspective agronomic images. Computers and
Electronics in Agriculture, v. 60, n. 1, p. 49 59, 2008. ISSN 0168-1699.
GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing (3rd Edition). Upper Saddle
River, NJ, USA: Prentice-Hall, Inc., 2006. ISBN 013168728X.
GUIJARRO, M. et al. Automatic segmentation of relevant textures in agricultural images. Com-
puters and Electronics in Agriculture, v. 75, n. 1, p. 75 83, 2011. ISSN 0168-1699.
GUYON, I. Practical Feature Selection: from Correlation to Causality. In: Mining Massive
Data Sets for Security. [S.l.]: IOS Press, 2008.
HAGUE, T.; TILLETT, N.; WHEELER, H. Automated crop and weed monitoring in widely
spaced cereals. Precision Agriculture, Kluwer Academic Publishers, v. 7, n. 1, p. 2132, 2006.
ISSN 1385-2256.
HALL, M. A. Correlation-based feature selection for machine learning. [S.l.], 1998.
HAN, J.; KAMBER, M.; PEI, J. Data mining: concepts and techniques: concepts and tech-
niques. [S.l.]: Elsevier, 2011.
HANWAY, J. J. et al. How a corn plant develops. Spec. Rep. 48 Iowa State Univ. Sci. Technol.,
1966.
107
HAUG, S.; OSTERMANN, J. A crop/weed field image dataset for the evaluation of compu-
ter vision based precision agriculture tasks. In: SPRINGER. Computer Vision-ECCV 2014
Workshops. [S.l.], 2014. p. 105116.
HE, J.; KIM, C.-S.; KUO, C.-C. J. Interactive Segmentation Techniques: Algorithms and
Performance Evaluation. [S.l.]: Springer Science & Business Media, 2013.
HORN, D. Qualidade do plantio: uma nova abordagem. Boletim Informativo Pioneer, v. 31,
n. 1, p. 1718, 2010.
IBGE. Instituto Brasileiro de Geografia e Estatstica. Indicadores agropecurios 1996

- 2003. IBGE/ Coordenao de Agropecuria, 2004. Acessado em: 30-09-2014. Disponvel em:
<http://www.ibge.gov.br/home/estatistica/economia/agropecuaria/indicadoresagro_19962003/>.
JIN, J.; TANG, L. Corn plant sensing using real-time stereo vision. Journal of Field Robotics,
Wiley Online Library, v. 26, n. 6-7, p. 591608, 2009.
JOHN, G. H.; LANGLEY, P. Estimating continuous distributions in bayesian classifiers. In:

MORGAN KAUFMANN PUBLISHERS INC. Proceedings of the eleventh conference on
uncertainty in artificial intelligence. [S.l.], 1995. p. 338345.
JUNIOR, A. M. et al. A desuniformidade de emergncia reduz o rendimento de gros de milho.

Ciencia Rural. Santa Maria. vol. 29, n. 4 (out./dez. 1999), p. 595-601, 1999.
KATAOKA, T. et al. Crop growth estimation system using machine vision. In: IEEE. Advanced
Intelligent Mechatronics, 2003. AIM 2003. Proceedings. 2003 IEEE/ASME International
Conference on. [S.l.], 2003. v. 2, p. b1079b1083.
KAZMI, W. et al. Detecting creeping thistle in sugar beet fields using vegetation indices. Com-
puters and Electronics in Agriculture, n. 0, p. , 2015. ISSN 0168-1699. Disponvel em:
<http://www.sciencedirect.com/science/article/pii/S0168169915000101>.
KEOGH, E.; PAZZANI, M. Learning augmented bayesian classifiers: A comparison of

distribution-based and classification-based approaches. In: Proceedings of the seventh inter-
national workshop on artificial intelligence and statistics. [S.l.: s.n.], 1999. p. 225230.
KURACHI, S. A. H. et al. Avaliao tecnolgica de semeadoras e/ou adubadoras: tratamento

de dados de ensaios e regularidade de distribuio longitudinal de sementes. Bragantia, v. 48,
n. 2, p. 249262, 1989.
LAUER, J. G.; RANKIN, M. Corn response to within row plant spacing variation. Agronomy
journal, American Society of Agronomy, v. 96, n. 5, p. 14641468, 2004.
LEVINSHTEIN, A. et al. Turbopixels: Fast superpixels using geometric flows. Pattern Analy-
sis and Machine Intelligence, IEEE Transactions on, IEEE, v. 31, n. 12, p. 22902297, 2009.
LOOMIS, R.; AMTHOR, J. Yield potential, plant assimilatory capacity, and metabolic effici-
encies. 1999.
LOPES, F. M. Um modelo perceptivo de limiarizaao de imagens digitais. Universidade Fede-

ral do Paran, 2003.
108
LOPES, F. M. Redes complexas de expresso gnica: sntese, identificao, anlise e aplica-

es. Biblioteca Digital de Teses e Dissertaes da USP, 2011.
LOWE, D. G. Distinctive image features from scale-invariant keypoints. Int. J. Comput. Vi-
sion, Kluwer Academic Publishers, Hingham, MA, USA, v. 60, n. 2, p. 91110, nov. 2004.
ISSN 0920-5691.
MAGALHES, P. C. Fisiologia do milho. CEP, v. 35701, p. 970, 2002.
MALMBERG, F. Graph-based methods for interactive image segmentation. Acta Universitatis

Upsaliensis, 2011.
MELHORANA, A. Tecnologia de dessecao de plantas daninhas no sistema plantio direto.

Embrapa Agropecuria Oeste. Circular Tcnica, Dourados: Embrapa Agropecuria Oeste.,
2002.
MEYER, G. E.; HINDMAN, T. W.; LAKSMI, K. Machine vision detection parameters for
plant species identification. Proceedings. SPIE, v. 3543, p. 327335, 1999.
MIOTTO JNIOR, E. Desenvolvimento e produtividade da cultura do milho sob densi-

dade de plntas e espaamentos entre linhas simples e duplas. Dissertao (Dissertao de
Mestrado) Universidade Tecnolgica Federal do Paran, 2014.
MOBLYNX. Cmera ICS. Play store, 2015. Acessado em: 06/10/2015. Disponvel em:
<https://play.google.com/store/apps/details?id=com.moblynx.cameraics>.
NAKARMI, A.; TANG, L. Automatic inter-plant spacing sensing at early growth stages using
a 3d vision sensor. Computers and Electronics in Agriculture, v. 82, n. 0, p. 23 31, 2012.
ISSN 0168-1699.
NAKARMI, A. D.; TANG, L. Within-row spacing sensing of maize plants using 3d computer
vision. Biosystems Engineering, v. 125, n. 0, p. 54 64, 2014. ISSN 1537-5110.
NEVES, L. A. P.; Vieira Neto, H.; GONZAGA, A. (Ed.). Avanos em Viso Computacional.
1. ed. Curitiba, PR: Omnipax, 2012. 406 p. ISBN 978-85-64619-09-8.
NIELSEN, R. Stand Establishment Variability in Corn. Purdue University, Agronomy De-

partment. [S.l.], 1991.
OECD; FAO. OECD-FAO Agricultural Outlook 2010-2019. OECD, 2010. 4 p. Acessado

em: 04-03-2014. ISBN 9789251065983. Disponvel em: <http://www.oecd.org/site/oecd-
faoagriculturaloutlook/45599621.pdf>.
OTSU, N. A Threshold Selection Method from Gray-level Histograms. IEEE Transactions on

Systems, Man and Cybernetics, v. 9, n. 1, p. 6266, 1979.
PEDRINI, H.; SCHWARTZ, W. Anlise de imagens digitais: princpios, algoritmos e apli-

caes. [S.l.]: Thomson Learning, 2008. ISBN 9788522105953.
PEREZ, A. et al. Colour and shape analysis techniques for weed detection in cereal fields.
Computers and Electronics in Agriculture, v. 25, n. 3, p. 197 212, 2000. ISSN 0168-1699.
109
PIONEER, D. Preciso de Plantio: Uma Nova Abordagem. 2011. Acessado em: 17-11-2014.
Disponvel em: <http://www.pioneersementes.com.br/Media-Center/Pages/DetalhedaPalestra-
Online.aspx?p=7&t=Precis%C3%A3o%20no%20Plantio:%20Uma%20Nova%20Abordagem>.
PRESS, W. H. et al. Numerical recipes in C: the art of scientific computing. New York, NY,
USA: Cambridge University Press, 1988. ISBN 0-521-35465-X.
QUINLAN, R. C4.5: Programs for Machine Learning. San Mateo, CA: Morgan Kaufmann
Publishers, 1993.
REN, C. Y.; REID, I. gslic: a real-time implementation of slic superpixel segmentation. Uni-
versity of Oxford, Department of Engineering, Technical Report, 2011.
REN, X.; MALIK, J. Learning a classification model for segmentation. In: IEEE. Computer
Vision, 2003. Proceedings. Ninth IEEE International Conference on. [S.l.], 2003. p. 1017.
RIBEIRO, A. et al. Development of an image analysis system for estimation of weed pressure.
In: WAGENINGEN ACADEMIC PUBLISHERS. Precision agriculture05. Papers presen-
ted at the 5th European Conference on Precision Agriculture, Uppsala, Sweden. [S.l.],
2005. p. 169174.
RITCHIE, S. W. et al. How a corn plant develops. [S.l.]: Iowa State University of Science and
Technology, Cooperative Extension Service, 1993.
ROMEO, J. et al. A new expert system for greenness identification in agricultural images. Ex-
pert Systems with Applications, v. 40, n. 6, p. 2275 2286, 2013. ISSN 0957-4174.
ROSENFELD, A. A characterization of parallel thinning algorithms. Information and Con-

trol, v. 29, n. 3, p. 286 291, 1975. ISSN 0019-9958.
RUSSELL, S. J. et al. Artificial intelligence: a modern approach. Upper Saddle River, NJ,
USA: Prentice-Hall, Inc., 1996. ISBN 0-13-103805-2.
SAHOO, P. K. et al. A survey of thresholding techniques. Comput. Vision Graph. Image

Process., Academic Press Professional, Inc., San Diego, CA, USA, v. 41, n. 2, p. 233260, fev.
1988. ISSN 0734-189X.
SANGOI, L. et al. Response of brazilian maize hybrids from different eras to changes in plant
density. Field Crops Research, Elsevier, v. 79, n. 1, p. 3951, 2002.
SANGOI, L. et al. Variabilidade na distribuio espacial de plantas na linha e redimentos de

gros de milho. Revista Brasileira de Milho e Sorgo, v. 11, n. 3, p. 268277, 2013.
SANGOI, L.; SILVA, P. d.; ARGENTA, G. Estratgias de manejo do arranjo de plantas para
aumentar o rendimento de gros de milho. Lages: Graphel, 2010.
SANGOI, L. et al. Ecofisiologia da cultura do milho para altos rendimentos. Lages: Graphel,
p. 88, 2010.
SANTOS et al. Data mining. Lisboa: FCA, 2005. (Sistemas de informao).
SCHULTZ, L. Manual do plantio direto: tecnicas e perspectivas. 2. ed. [S.l.]: Porto Alegre:
Sagra, 1987. 124 p.
110
SHI, R. et al. Interactive object segmentation using iterative adjustable graph cut. In: IEEE.
Visual Communications and Image Processing (VCIP), 2011 IEEE. [S.l.], 2011. p. 14.
SHRESTHA, D.; STEWARD, B.; BARTLETT, E. Segmentation of plant from background

using neural network approach. In: Intelligent Engineering Systems through Artificial Neu-
ral Networks: Proc. Artificial Neural Networks in Engineering (ANNIE) International
Conference. [S.l.: s.n.], 2001. v. 11, p. 903908.
SHRESTHA, D.; STEWARD, B.; BIRRELL, S. Video processing for early stage maize plant
detection. Biosystems Engineering, v. 89, n. 2, p. 119 129, 2004. ISSN 1537-5110.
SHRESTHA, D. S.; STEWARD, B. L. Automatic corn plant population measurement using

machine vision. Transactions of the ASAE, v. 46, n. 2, p. 559, 2003.
SHRESTHA, D. S.; STEWARD, B. L. Size and shape analysis of corn plant canopies for plant
population and spacing sensing. Applied engineering in agriculture, v. 21, n. 2, p. 295, 2005.
SILVA, N. O. Controle gentico de caractersticas associadas qualidade de sementes de milho.

2014.
SOMMER, C. et al. ilastik: Interactive learning and segmentation toolkit. In: IEEE. Biomedical
Imaging: From Nano to Macro, 2011 IEEE International Symposium on. [S.l.], 2011. p.
230233.
STATISTICS, L. B.; BREIMAN, L. Random forests. In: Machine Learning. [S.l.: s.n.], 2001.
p. 532.
STEWARD, B. L.; TIAN, L. F. Real-time weed detection in outdoor field conditions. In:
INTERNATIONAL SOCIETY FOR OPTICS AND PHOTONICS. Photonics East (ISAM,
VVDC, IEMB). [S.l.], 1999. p. 266278.
SUGASTI, J. B. Consorciao de hortalias e sua influncia na produtividade, ocorrncia de

plantas espontneas e artrpodes associados. 2012.
SZELISKI, R. Image alignment and stitching: A tutorial. Foundations and Trends

R in Com-
puter Graphics and Vision, Now Publishers Inc., v. 2, n. 1, p. 1104, 2006.
TANG, L.; TIAN, L. F. Plant identification in mosaicked crop row images for automatic emer-
ged corn plant spacing measurement. Transactions of the ASABE, v. 51, n. 6, p. 2181, 2008.
TANG, L.; TIAN, L. F. Real-time crop row image reconstruction for automatic emerged corn
plant spacing measurement. Transactions of the ASABE, v. 51, n. 3, p. 1079, 2008.
THEODORIDIS, S.; KOUTROUMBAS, K. Pattern Recognition, Fourth Edition. 4th. ed.

[S.l.]: Academic Press, 2008. ISBN 1597492728, 9781597492720.
VAPNIK, V. N. The Nature of Statistical Learning Theory. Second. [S.l.]: Springer, 1999.
Hardcover. ISBN 0387987800.
VIEIRA FILHO, J. E. R.; GASQUES, J. G.; SOUSA, A. G. d. Agricultura e crescimento:

cenrios e projees. Instituto de Pesquisa Econmica Aplicada (Ipea), 2011.
111
WANG, H. Nearest neighbors by neighborhood counting. IEEE Transactions on Pattern

Analysis and Machine Intelligence, IEEE Computer Society, Los Alamitos, CA, USA, v. 28,
n. 6, p. 942953, 2006. ISSN 0162-8828.
WEBB, A.; COPSEY, K. Statistical Pattern Recognition. [S.l.]: Wiley, 2011. ISBN
9781119952961.
WILLEY, R.; RAO, M. A systematic design to examine effects of plant population and spatial
arrangement in intercropping, illustrated by an experiment on chickpea/safflower. Experimen-
tal Agriculture, Cambridge Univ Press, v. 17, n. 01, p. 6373, 1981.
WOEBBECKE, D. et al. Shape features for identifying young weeds using image analysis.
Transactions of the ASAE, American Society of Agricultural Engineers, v. 38, n. 1, p. 271
281, 1995.
WOEBBECKE, D. M. et al. Plant species identification, size, and enumeration using machine
vision techniques on near-binary images. In: INTERNATIONAL SOCIETY FOR OPTICS
AND PHOTONICS. Applications in Optical Science and Engineering. [S.l.], 1993. p. 208
219.
WU, Y.; ZHANG, A. Feature selection for classifying high-dimensional numerical data. In:
Proceedings of the 2004 IEEE computer society conference on Computer vision and pat-
tern recognition. Washington, DC, USA: IEEE Computer Society, 2004. (CVPR04), p. 251
258.
YANG, Y.; WEBB, G. I. Weighted proportional k-interval discretization for naive-bayes classi-
fiers. In: Proceedings of the 7th Pacific-Asia conference on Advances in knowledge disco-
very and data mining. Berlin, Heidelberg: Springer-Verlag, 2003. (PAKDD03), p. 501512.
ISBN 3-540-04760-3.

Análise Semi-Automática Do Arranjo Espacial de Plantas de Milho Utilizando Visão Computacional

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Análise Semi-Automática Do Arranjo Espacial de Plantas de Milho Utilizando Visão Computacional

Uploaded by

Copyright:

Available Formats

UNIVERSIDADE TECNOLGICA FEDERAL DO PARAN

CMPUS CORNLIO PROCPIO

ANLISE SEMI-AUTOMTICA DO ARRANJO ESPACIAL DE

ANLISE SEMI-AUTOMTICA DO ARRANJO ESPACIAL DE

Dissertao de mestrado apresentada ao Programa

Orientador: Fabrcio Martins Lopes

Ttulo da Dissertao N 10:

Anlise Automtica do Arranjo Espacial de Plantas de

Esta dissertao foi apresentada como requisito parcial obteno do

Visto da coordenao: __________________________________

A Folha de Aprovao assinada encontra-se na Coordenao do Programa.

Av. Alberto Carazzai, 1640 - 86.300-000- Cornlio Procpio PR.

Agradeo ao Professor Dr. Fabrcio Martins Lopes pela orientao, colaborao e

Agradeo ao Engenheiro Daniel Aloysio Serrarens pela idealizao e colaborao no

Agradeo Belagrcola pela bolsa disponibilizada para o desenvolvimento do trabalho

BRILHADOR, Anderson. ANLISE SEMI-AUTOMTICA DO ARRANJO ESPACIAL DE

Palavras-chave: Viso computacional, Espaamento entre plantas, Densidade populacional,

BRILHADOR, Anderson. AUTOMATIC ANALYSIS OF THE SPATIAL ARRANGEMENT

FIGURA 1 Exemplos de plantio. (a) Plantio direto e (b) Plantio convencional. . . . . . 20

TABELA 1 Estdios fenolgicos de uma planta de milho. . . . . . . . . . . . . . . . . . . . . . . . 19

O Brasil o 3 maior produtor de gros alm de ser o 5 maior produtor de oleagi-

O agronegcio brasileiro tem grande potencial de crescimento. O mercado interno

expressivo, e o mercado internacional tem apresentado acentuado crescimento do consumo.

O Produto Interno Bruto (PIB) do agronegcio brasileiro em 2013 alcanou a marca

As exportaes do setor de agronegcios alcanaram a cifra de US$ 99,7 bilhes de

No Brasil a produo mdia de milho baixa, em consequncia de fatores ligados fer-

A cultura de milho sensvel variao na densidade populacional e no arranjo espa-

Agrnomos, tcnicos agrcolas e produtores rurais avaliam o arranjo espacial de plan-

1.1 OBJETIVOS DA PESQUISA

1.1.1 OBJETIVO GERAL

Elaborar uma metodologia baseada em viso computacional para analisar o arranjo

1.1.2 OBJETIVOS ESPECFICOS

e servir como base para validao de experimentos.

Analisar mtodos de segmentao de plantas e caractersticas que apresentem melhores

Desenvolver uma metodologia para a identificao do cultivar de milho e mensurao de

1.2 JUSTIFICATIVA E RELEVNCIA

A principal fonte de crescimento da agricultura Brasileira a produtividade, a qual vem

o trabalho prope o desenvolvimento de uma metodologia de analise do arranjo espacial de

2.1 ESTGIOS DE DESENVOLVIMENTO DA PLANTA DE MILHO.

O conhecimento das diferentes fases de crescimento do milho de fundamental im-

As plantas de milho tm caractersticas fenolgicas3 relacionadas s suas fases de cres-

Tabela 1: Estdios fenolgicos de uma planta de milho.

Estdios vegetativos Estdios reprodutivos

Fonte: (RITCHIE et al., 1993).

2.2 MANEJO DO SOLO

O manejo do solo consiste de um conjunto de operaes realizadas para propiciar con-

Schultz (1987) divide os sistemas de preparo do solo em trs grupos:

Plantio convencional: solo lavrado e a superfcie fica exposta;

Cultivo mnimo: solo recebe o mnimo de preparo;

Plantio direto: solo no passa por nenhum tipo de preparo.

As ervas daninhas esto presentes em todos os sistemas de plantio, sendo necessrio

Figura 1: Exemplos de plantio. (a) Plantio direto e (b) Plantio convencional.

2.3 ARRANJO ESPACIAL DE PLANTAS

O arranjo espacial de plantas definido como o padro de distribuio das plantas,

Entre as formas existentes de manejo do arranjo espacial, a densidade de plantas a

trabalho. A Figura 2 exibe um exemplo de arranjo espacial de plantas de milho.

Figura 2: Exemplo de arranjo espacial de plantas de milho.

A Figura 2 exibe algumas variveis importantes para o entendimento deste trabalho.

A densidade de plantas apresenta grande interferncia na produo de gros, pois pe-

A mensurao de densidade de plantas comumente realizada de forma manual com

A distribuio em linha do plantio est relacionada ao estabelecimento de um arranjo

distribudas e emergem simultaneamente na mesma poca (SANGOI et al., 2013).

A uniformidade permite uma melhor distribuio das plantas, aumentando a eficin-