Utilize este identificador para referenciar este registo: https://hdl.handle.net/10316/82896
Título: Vegetation classification using UAV aerial imagery
Outros títulos: Identificação automática de árvores e arbustos com recurso a imagens aéreas recolhidas por um drone
Autor: Costa, Daniel dos Santos 
Orientador: Araújo, Helder de Jesus
Marques, Lino José Forte
Palavras-chave: Rede Neuronal Convolucional; Máquinas de Suporte de Vectores; Deteção de Árvores; Veículo Aéreo Não Tripulado; Descritor de Canais Agregados; Tree Detection; Unmmaned Aerial Vehicles; Aggregated Channel Features; Convolutional Neural Network; Support Vector Machines
Data: 27-Jul-2017
Título da revista, periódico, livro ou evento: Vegetation classification using UAV aerial imagery
Local de edição ou do evento: DEEC
Resumo: Nos últimos anos, os Veículos Aéreos Não Tripulados (VANT) têm sido cada vez mais utilizados quer para fins recreativos, quer para fins académicos. Até agora, imagens aéreas eram apenas recolhidas por satélite ou através de voos de elevada altitude, o que tornava o processo economicamente inviável.Os VANT, aliados com vários sensores, constituem uma excelente via para realizar monitorização à distância. O principal objetivo deste trabalho é classificar vários tipos de árvores em imagens aéreas recolhidas por um VANT. Para tal, foi usada uma plataforma aérea quadrotor com uma câmara de ação convencional para recolher imagens de várias espécies de árvores. A deteção e classificação das árvores nas imagens foi obtida através de um detetor de objetos baseado em descritores de canais agregados e em Máquinas de Vetores de Suporte (MVS). O detetor é aplicado a cada uma das imagens, identificando cada uma das regiões de interesse. Para cada uma dessas deteções, 4096 descritores são extraídos com um Rede Neuronal Convolucional (RNC), que são posteriormente usados como entrada para a MSV.Foram criados dois conjuntos de imagens e foram realizados testes a cada uma das componentes do sistema, individualmente, bem como à conjugação de todos os métodos.O primeiro conjunto de dados é usado para testar o detetor e o classificador separadamente e, por fim, os dois conjuntos são usados para testar a totalidade do sistema. O detetor gerou valores de exatidão na ordem dos 60% enquanto que o classificador gerou valores na ordem dos 77%. Por fim, o sistema resultante da conjugação do detetor e do classificador originou valores na ordem dos 65% usando o primeiro conjunto e 59% usando o segundo conjunto de imagens.
In the last years, Unmanned Aerial Vehicles (UAVs) have been used more and more with recreational purposes as well as academic ones. So far, aerial imagery was only obtained by satellite or by high altitude flights which are expensive to obtain, making the process, sometimes, economically unfeasible.The UAVs, associated with various types of sensors, constitute an excellent way to achieve advanced monitoring at a distance. The main goal of this dissertation is to classify various types of trees on aerial images. To achieve that purpose, a quadrotor equipped with a conventional action camera was used to retrieve images containing various tree species. The tree detection and classification was achieved by an Aggregated Channel Features (ACFs) Object Detector and Support Vector Machine (SVM). The detector is applied to each image, identifying every Region of Interest (ROI). For each one ofthose ROIs, 4096 features are extracted with a pre-trained Convolutional Neural Network (CNN), which are posteriorly used as input of the SVM.Two diferent datasets were created and several tests were made to each system componente individually as well as the totality of the system. First, dataset #1 is used to test both detector and classifier separately and, then, the overall system is tested using the two datasets. The detector revealed 60% of accuracy and the classifier originated values of accuracy around 77%. Finally, the resultant system has an overall accuracy of 65% using dataset #1 and 59% using dataset #2. .
Descrição: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
URI: https://hdl.handle.net/10316/82896
Direitos: openAccess
Aparece nas coleções:UC - Dissertações de Mestrado

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato
Dissertação_Daniel_Costa.pdf20.78 MBAdobe PDFVer/Abrir
Mostrar registo em formato completo

Visualizações de página 50

544
Visto em 26/mar/2024

Downloads 50

581
Visto em 26/mar/2024

Google ScholarTM

Verificar


Este registo está protegido por Licença Creative Commons Creative Commons