Professional Documents
Culture Documents
ANDERSON BRILHADOR
DISSERTAO MESTRADO
CORNLIO PROCPIO
2015
ANDERSON BRILHADOR
CORNLIO PROCPIO
2015
Ministrio da Educao
Universidade Tecnolgica Federal do Paran
Cmpus Cornlio Procpio
Programa de Ps-Graduao em Informtica
Anderson Brilhador
Orientador: Prof. Dr. Fabrcio Martins Lopes
__________________________________ __________________________________
Prof. Dr. Fabrcio Martins Lopes Prof. Dr. Pedro Henrique Bugatti
(Presidente) (UTFPR-CP)
_________________________________
Prof. Dr. Franklin Csar Flores
(UEM-PR)
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 Engenheiro Osvaldo Rodrigues Jnior por todas as caronas para a Fa-
zenda Canad.
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
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.
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
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.
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).
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).
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).
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
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
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).
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
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.
(a) (b)
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).
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 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
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.
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;
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.
No ano seguinte, Shrestha et al. (2004) propuseram um algoritmo para estimar a den-
26
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.
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
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).
uma imagem que j esteja em formato digital ou envolvendo outros dispositivos como
uma cmera fotogrfica.
Restaurao de imagens: todo processo que tem como objetivo melhorar de forma
visual uma imagem digital.
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
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.
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).
colocado nas coordenadas do pixel central da mscara gerando uma imagem filtrada.
3.2 PR - PROCESSAMENTO
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.
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
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.
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
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.
37
38
3.4 SEGMENTAO
3.4.1 LIMIARIZAO
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.
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
L
T = (L) = ipi (7)
i=1
L
T2 = (i T )2 pi . (8)
i=1
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
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)]
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).
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:
2. O classificador treinado a partir das entradas do usurio, que realizada pela interface
grfica, onde pode ser definido um nmero arbitrrio de classes;
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.
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.
de bordas de objetos e afinamento de bordas. Nas sees seguintes sero apresentados alguns
conceitos da morfologia matemtica.
[
D(A, B) = A B = (A + b) (20)
bB
\
E(A, B) = A B = (A b) (21)
bB
A B = (A B) B (22)
45
ou seja, a abertura definida como a unio de todas as translaes de B que esto contidas em
A.
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.
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).
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.
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.
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.
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
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
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:
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 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.
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.
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
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 .
1 w
r j (x) = Lk j p(x/wk )P(wk ) , (36)
p(x) k=1
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:
ou seja, a instncia x atribuda a classe cuja funo produz o maior valor numrico.
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
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:
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.
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.
1 se J(x) > 0
S(x) = (43)
0 .
caso contrario
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.
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.
(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.
1
Z
R() = |y f (x, )|dPr(x, y) . (44)
2
1 D
Remp () = |xi f (xi, )| .
2D t=1
(45)
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.
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
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).
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.
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.
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.
FP + FN
Taxa de erro = (49)
P+N
VP
Sensibilidade = . (50)
P
VN
Especi f icidade = . (51)
N
VP
=
Precisao , (52)
V P + FP
VP VP
Recall = = . (53)
V P + FN P
2 precisao
recall
F= , (54)
+ recall
precisao
(1 + 2 ) precisao
recall
F = , (55)
2 precisao
+ recall
5 MATERIAIS E MTODOS
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 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.
foram adquiridas em trs cenrios de plantio distintas: plantio direto, plantio convencional e
plantio direto aps a aplicao de herbicida.
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.
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
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:
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).
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)
(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
(a) (b)
Figura 24: (a) Exemplo de imagem da base. (b) O rob utilizando na aquisio das imagens.
Fonte: (HAUG; OSTERMANN, 2014).
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.
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.
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:
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.
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)
Imagem original, (b) ExG, (c) ExR, (d) NDI, (e) CIVE, (f) ExGR, (g) VEG e (h) COM.
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)
Imagem original, (b) ExG, (c) ExR, (d) NDI, (e) CIVE, (f) ExGR, (g) VEG e (h) COM.
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.
Figura 30: Exemplo de marcaes realizadas pelo especialista para treinamento do classificador da
abordagem de segmentao interativa.
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.
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.
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.
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.
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.
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.
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.
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
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
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.
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 )
Tabela 6: Feijo - Resultados com 16 ca- Tabela 7: Milho - Resultados com 16 carac-
ractersticas. tersticas.
Tabela 8: Feijo - Resultados com 5 carac- Tabela 9: Milho - Resultados com 5 carac-
tersticas. tersticas.
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.
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.
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.
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.
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.
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.
(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.
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.
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 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.
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
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.
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.
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%
Tabela 18: 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 44.
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%
Tabela 19: 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 45.
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.
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).
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.
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.
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.
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.
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.
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.
REFERNCIAS
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
CARLSON, G.; DOERGE, T.; CLAY, D. Estimating corn yield loses from unevenly spaced
planting. Site-specific Management guidelines, SSMG-37, 2002.
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.
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.
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
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.
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.
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>.
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.
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.
MEYER, G. E.; HINDMAN, T. W.; LAKSMI, K. Machine vision detection parameters for
plant species identification. Proceedings. SPIE, v. 3543, p. 327335, 1999.
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.
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.
RUSSELL, S. J. et al. Artificial intelligence: a modern approach. Upper Saddle River, NJ,
USA: Prentice-Hall, Inc., 1996. ISBN 0-13-103805-2.
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.; 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.
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.; 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. 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.
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.
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.
VAPNIK, V. N. The Nature of Statistical Learning Theory. Second. [S.l.]: Springer, 1999.
Hardcover. ISBN 0387987800.
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.