Identificação de espécies arbóreas apoiada por reconhecimento de padrões de textura no tronco usando inteligência computacional /

• Main Author: Bressane, Adriano.
• Other Authors: Universidade Estadual Paulista "Júlio de Mesquita Filho" Instituto de Ciência e Tecnologia (Câmpus de Sorocaba).
• Format: Others
• Language: Portuguese
• Published: Sorocaba, 2017
• Subjects: Bioinformática.; Processamento de imagens.; Aprendizado do computador.; Bioinformatics
• Online Access: http://hdl.handle.net/11449/150163

Orientador: José Arnaldo Frutuoso Roveda === Coorientador: Antonio Cesar Germano Martins === Banca: Admilson Irio Ribeiro === Banca: Gerson Araújo de Medeiros === Banca: Neli Regina Siqueira Ortega === Banca: Marcos Eduardo Ribeiro do Valle Mesquita === Resumo: Embora fundamental para diversas finalidades, a identificação de espécies arbóreas pode ser complexa e até mesmo inviável em determinadas condições, motivando o desenvolvimento de métodos assistidos por inteligência computacional. Nesse sentido, estudos têm se concentrado na avaliação de características extraídas a partir de imagens da folha e, apesar dos avanços, não são aplicáveis a espécies caducifólias em determinadas épocas do ano. Logo, o uso de características baseadas na textura em imagens do tronco poderia ser uma alternativa, mas ainda há poucos resultados reportados na literatura. Portanto, a partir da revisão de trabalhos anteriores, foram realizados experimentos para avaliar o uso de métodos de inteligência computacional no reconhecimento de padrões de textura em imagens do tronco arbóreo. Para tanto, foram consideradas espécies arbóreas caducifólias nativas da flora brasileira. As primeiras análises experimentais focaram na avaliação de padrões. Como resultado, verificou-se que a melhor capacidade de generalização é alcançada combinando o uso de estatísticas de primeira e segunda ordem. Contudo, o aumento de variáveis preditoras demandou uma abordagem capaz de lidar com informação redundante. Entre as técnicas avaliadas para essa finalidade, a análise fatorial exploratória proporcionou redução na taxa de erros durante o aprendizado de máquina e aumento da acurácia durante a validação com dados de teste. Por fim, constatando que a variabilidade natural da textura... (Resumo completo, clicar acesso eletrônico abaixo) === Doutor