O repositório está dividido em pastas seguindo as seções da dissertação, com os códigos de cada estudo separados em pastas
O rápido crescimento populacional tem impulsionado a demanda por alimentos e a utilização sustentável dos recursos naturais. Nesse contexto, a agricultura aliada à tecnologia, denominada de Agricultura de Precisão (AP), busca suprir essa demanda utilizando os recursos sob medida com base nas informações coletadas. As imagens utilizadas na AP têm variadas fontes, por exemplo, câmeras acopladas em Veículos Aéreos Não Tripulados (VANTs). Uma das principais aplicações da AP é a detecção das linhas de plantio, principalmente porque esta é uma etapa importante para outras aplicações da AP, como detecção de ervas daninhas, mapeamento e previsão de produção de safra, detecção de falhas. Um dos cenários de grande utilização da AP no Brasil está no cultivo de cana-de-açúcar, motivando pesquisadores e empresas a desenvolverem soluções na área. Apesar de existirem na literatura muitos trabalhos para detectar linhas de plantio, a maioria deles é para outras culturas, como milho e beterraba, ou focados em linhas retas. Considerando o cenário de grande utilização dos VANTs para obtenção de imagens para a AP e a grande importância da detecção das linhas de plantio, este projeto analisou diferentes modelos de Deep Learning (DL) para segmentação automática em imagens de VANTs de plantações de cana-de-açúcar com variados estágios de crescimento. Dentre os modelos, a U-Net obteve os melhores resultados, com 0,90 ou mais de Coeficiente de Dice (CD) para quase todos cenários. Também foi analisado a utilização de Índices de Vegetação (IVs) e Operações Morfológicas de modo a otimizar a detecção das linhas de plantio. Com base nos resultados, são apresentadas algumas recomendações de utilização da U-Net e dos IVs para obter uma maior precisão na segmentação das imagens de VANTs de plantações de cana-de-açúcar.
https://doi.org/10.14393/ufu.di.2023.8085 ou https://repositorio.ufu.br/handle/123456789/39346
Para visualizar o modelo com mais detalhes
https://github.com/ryuuzaki42/plot_model