Купить СНПЧ А7 Архангельск, оперативня доставка

Avaliação de Descritores Texturais Geoestatísticos no Reconhecimento de Plantas Daninhas e Milho

DOI: http://dx.doi.org/10.12702/I-SGEA-a14

 

downloadpdf

Danilo P. Barbosa1, Nerilson T. Santos2, Francisco A. C. Pinto3, Luiz A. Peternelli4 & Roberto C. Orlando5

 

Resumo: A preocupação em minimizar a quantidade de produtos químicos utilizados em lavouras vem aumentando. O uso de sistemas de visão artificial tem demonstrado um grande potencial com esta finalidade. O bom desempenho desses sistemas depende principalmente do uso de descritores que permitam diferenciar padrões de plantas daninhas do padrão da espécie cultivada. Sendo assim, o objetivo geral do presente trabalho é avaliar descritores geoestatísticos para o reconhecimento dos padrões planta de milho e planta daninha. Através da aplicação das metodologias utilizadas, obteve-se exatidão global de 80,66% com respectivo kappa de 0,74.

Palavras-chave: geoestatística, classificação, textura.

 

Abstract: The concern of minimizing the amount of chemical products used on farming is increasing. The use of artificial vision systems has been demonstrating a great potential with this purpose. The good performance of these systems depends mainly of the use of descriptors that allow the distinction between the patterns of harmful plants and the pattern of cultivated species. Therefore, the main goal of this work is evaluate geoestatistics descriptors for the recognition of patterns of corn plant and harmful plant. Through the application of the applied methodologies, it was obtained global exactnesses of 80,66% with respective kappa of 0,74.

Key words: geoestatistic, classification, textural

 

1 Matemática, UFV/DPI, danilorv@hotmail.com
2 Agronomia,UFV/ DPI, nsantos@ufv.br
3 Eng. Agrícola,UFV/ DEA, facpinto@ufv.br
4 Agronomia,UFV/ DPI, peternelli@ufv.br
5 Eng. Agrícola,UFPR/ robertoorlan@gmail.com

 

Literatura Citada

BERBEROGLU, S., LLOYD, C.D., ATKINSON, P.M., CURRAN, P.J. The integration of spectral and textural information using neural networks for land cover mapping in the Mediterranean. Computers & Geosciences. v. 26, p 385-396, 2000.

CHANCELLOR, W. J.; GORONEA, M. A. Effects of spatial variability of nitrogen, moisture, and weeds on the advantages of site-specific application for wheat. Transactions of the ASAE, v. 37, nº. 3, p. 717-724, 1993.

HARALICK, R. M., SHANMUGAM, K., “Textural features for image classification,”IEEE Trans. Syst., MAN, Cybern., vol. SMC-3, p 610-621, Nov. 1973.

HEMMING, J.; RATH, T. Computer-vision-based weed identification under field conditions using controlled lighting. Journal Agricultural Engineering Research, v.78, nº 3, p. 233-243, 2001.

HERZFELD, U.C.; CHRIS, A.H. automated geoestatística se floor classification-principles, parameters, feature vectors, and discrimination criteria. Computers & Geosciences. v.22, n.1, p.35-52. 1996.

ORLANDO, R. C. Sistema de visão artificial para discriminação de plantas daninhas e milho. Viçosa, MG: UFV, 2003. p. 97. (Tese Doutorado).

SENA JUNIOR, D.G. Utilização de técnicas de visão artificial para ajuste da adubação nitrogenada em trigo. Viçosa, MG: UFV, 2005. p 160.(Tese Doutorado).

TIAN, L.; REID, J.F.; HUMMEL, J.W. Development of a precision sprayer for site-specific weed management. Transactions of the ASAE. St. Joseph, MI. v. 42, nº.4, p. 893 – 900. 1999.

WILLIS, B. D.; STOLLER, E. W. Weed suppression for vegetation management in corn and soybeans. Proc. N. Central Weed. Sci. Soc. v. 45, n.9. 1990.

YANG, C.C.; PRASHER, S.O., LANDRY, J.A. Weed recognition in corn fields using back-propagation reural network models. Canadian Biosystems Engineering/Le genie des biosystémes au Canada, v.44, n.7, p.15-7.22, 2002.