Análise de eficiência do uso de algoritmo de correspondência de modelo para contagem de plantas

Autores

DOI:

https://doi.org/10.33448/rsd-v9i7.4576

Palavras-chave:

Árvores frutíferas; Sensoriamento remoto; Drone; Agricultura de precisão.

Resumo

Muitas das vezes o produtor não sabe o número exato de árvores frutíferas em sua propriedade ou passa a desconhecer com o passar dos anos devido a morte de muitas plantas. Em função disso, a fim de evitar a necessidade de uma ida em campo para uma contagem manual, esta pesquisa teve como objetivo utilizar um algoritmo de correspondência de modelo em paralelo com o uso de um drone de baixo custo para avaliar sua eficiência na contagem automática de plantas de copas espaçadas e juntas. Foram utilizadas as bandas do vermelho, verde e azul capturadas pelo Phantom 4 Advanced, e a banda do vermelho com realce linear pela opção de corte, para facilitar a distinção do pomar e o restante dos alvos na imagem e obter um melhor resultado na detecção das árvores frutíferas. O voo foi realizado a uma altura de 80 metros com uma sobreposição entre faixas de 70 % e na mesma faixa de 80 %. Como resultado, 97,98 % das árvores frutíferas foram detectadas em plantas com copas bem espaçadas e 88,52 % foram identificadas em plantas com copas juntas. Os números de falsos positivos encontrados foram pequenos para todas as situações testadas, sendo esses falsos positivos plantas daninhas. Conclui-se que a técnica é eficiente para a contagem de plantas com copas juntas e espaçadas, podendo ser melhorada a detecção quando se tem um bom contraste entre o que se quer detectar e o os alvos que não são de interesse.

Referências

Abidin, H.; Samad, MN.; Ping, LY & Noor, MKAM (2017). Evaluation of ecognition software for oil palm tree counting under different planting conditions and ages. International Conference on Big Data Applications in Agriculture.

Al-Amri, SS.; Kalyankar, NV & Khamitkar, SD (2010). Linear and non-linear contrast enhancement image. International Journal of Computer Science and Network Security, 10(2), 139-143.

Arantes, BHT.; Arantes, LT; Giongo, PR.; Moraes, VH.; Costa, EM & Silva, PC (2020). Eficiência de distribuição do sistema de irrigação, por meio de um veículo aéreo não tripulado de baixo custo/Efficiency of irrigation system distribution through a low-cost unmanned aerial vehicle. Brazilian Journal of Development, 6(4), 20332-20346.

Brunelli, R (2009). Template matching techniques in computer vision: theory and practice. John Wiley & Sons.

Centeno, JAS (2003). Sensoriamento remoto e processamento de imagens digitais. Curitiba: UFPR, 219.

Cheng, G & Han, J (2016). A survey on object detection in optical remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 117, 11-28.

Halazonetis, DJ (2004). What does the histogram of an image show? American journal of orthodontics and dentofacial orthopedics, 125 (2), 220-222.

Hirschmugl, M.; Ofner, M.; Raggam, J & Schardt, M (2007). Single tree detection in very high resolution remote sensing data. Remote Sensing of Environment, 110(4), 533-544.

Isip, MF.; Camaso, EE.; Damian, GB & Alberto, RT (2018). Estimation of Mango Tree Count and Crown Cover Delineation using Template Matching Algorithm, 6(3), 1955-1960.

Li, W.; Fu, H.; Yu, L & Cracknell, A (2017). Deep learning based oil palm tree detection and counting for high-resolution remote sensing images. Remote Sensing, 9(1), 22.

Liu, J.; Zhou, C.; Chen, P & Kang, C (2017). An efficient contrast enhancement method for remote sensing images. IEEE Geoscience and Remote Sensing Letters, 14(10), 1715-1719.

Malek, S.; Bazi, Y.; Alajlan, N.; AlHichri, H & Melgani, F (2014). Efficient framework for palm tree detection in UAV images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(12), 4692-4703.

Norzaki, N & Tahar, KN (2019). A comparative study of template matching, ISO cluster segmentation, and tree canopy segmentation for homogeneous tree counting. International Journal of Remote Sensing, 40(19), 7477-7499.

Poddar, S.; Tewary, S.; Sharma, D.; Karar, V.; Ghosh, A & Pal, SK (2013). Non-parametric modified histogram equalisation for contrast enhancement. IET Image Processing, 7(7), 641-652.

Pratt, WK (2013). Introduction to digital image processing. CRC press.

Rex, FE.; Dalla Corte, AP.; Machado, S. A & Sanquetta, CR (2018). Identificação e extração de copas de Araucaria angustifolia (Bertol.) Kuntze a partir de dados lidar. Advances in Forestry Science, 5(2), 319-323.

Santoro, F.; Tarantino, E.; Figorito, B.; Gualano, S & D'Onghia, AM (2013). A tree counting algorithm for precision agriculture tasks. International Journal of Digital Earth, 6(1), 94-102.

Shafri, HZ.; Hamdan, N & Saripan, MI (2011). Semi-automatic detection and counting of oil palm trees from high spatial resolution airborne imagery. International journal of remote sensing, 32(8), 2095-2115.

SIDRA - Sistema IBGE de Recuperação Automática: Produção Agrícola Municipal. Acesso em 12 de março de 2020, em https://sidra.ibge.gov.br/tabela/5457.

Wan, M.; Gu, G.; Qian, W.; Ren, K.; Chen, Q & Maldague, X (2018). Infrared image enhancement using adaptive histogram partition and brightness correction. Remote Sensing, 10(5), 682.

Wong, CY.; Jiang, G.; Rahman, MA.; Liu, S.; Lin, SCF.; Kwok, N.; Shi, H.; Yu, YH & Wu, T (2016). Histogram equalization and optimal profile compression based approach for colour image enhancement. Journal of Visual Communication and Image Representation, 38, 802-813.

Downloads

Publicado

30/05/2020

Como Citar

ARANTES, B. H. T.; ARANTES, L. T.; SANTOS, J. M. dos; VENTURA, M. V. A.; GOMES, L. F. Análise de eficiência do uso de algoritmo de correspondência de modelo para contagem de plantas. Research, Society and Development, [S. l.], v. 9, n. 7, p. e668974576, 2020. DOI: 10.33448/rsd-v9i7.4576. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/4576. Acesso em: 15 dez. 2024.

Edição

Seção

Engenharias