Search

We present new algorithms for inference in credal networks --- directed acyclic graphs associated with sets of probabilities. Credal networks are here interpreted as encoding strong independence relations among variables. We first present a theory of credal networks based on separately specified sets of probabilities. We also show that inference with polytrees is NP-hard in this setting. We then introduce new techniques that reduce the computational effort demanded by inference, particularly in polytrees, by exploring separability of credal sets., Comment: Appears in Proceedings of the Eighteenth Conference on Uncertainty in Artificial Intelligence (UAI2002)

Made available in DSpace on 2017-07-21T14:19:27Z (GMT). No. of bitstreams: 1 Voncarlos Marcelo Araujo.pdf: 3791024 bytes, checksum: c5d2b6c030643b2e46f5ae7004f73ca8 (MD5) Previous issue date: 2016-03-04 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior The biodiversity of plant species plays a key role in the Earth's ecology, providing food, shelter and maintaining a healthy breathable atmosphere for all living beings. The plants also have medicinal properties and are used for alternative energy sources, such as biofuel. However, the number of plants endangered has gradually increased and the difficulties in the plants manual recognition process, does become a complex and slow task. A viable method for the identification of plants, or to provide a categorization of the plant, is the plant image acquisition and use pattern recognition techniques. In this way, the use of computers, despite having little contribution in the area, can provide important information on the taxonomy of plants, and can serve as a basis for systems that perform tasks such as the selection of certain plants or to guide the specialist for possible decision-making. This paper proposes a method for classification of plants based on collaborative images of the world experts. This method is able to deal with some complexities imposed during the capture of images, as the presence of noise (lighting, shadows and undesirable objects) and plants position variations. To accomplish this task are used texture descriptors based on SIFT, SURF and HOG, which have shown excellent results in several works. To enable testing of the proposed method, we used an image provided by the global task basis for recognition of plants in 2011, ImageCLEF, containing about 2,586 plant samples composed by 41 species divided into two distinct categories: the first one with 13 species and images with presence of noise, and with the second species and 28 sheets of images plotted on a white background. The results of the experiments show that the classifiers trained with texture descriptors are able to achieve good hit rates close to 70%, given the complexity of the problem. Classifiers combination methods have also been used and have been shown capable to improve the performance of classifiers, especially in the test with images that has the presence of noises. A biodiversidade das espécies de plantas desempenha um papel fundamental na ecologia da Terra, fornecendo alimento, abrigo e mantendo uma atmosfera respirável saudável para todos os seres vivos. As plantas também têm propriedades medicinais e são utilizadas para fontes alternativas de energia, como o biocombustível. No entanto, o número de plantas em risco de extinção tem aumentado gradativamente e as dificuldades presentes no processo manual de reconhecimento de plantas, torna esta tarefa muito complexa e morosa. Uma metodologia viável para a identificação das plantas, ou para fornecer uma categorização de plantas, é a aquisição da imagem da planta e o uso técnicas de reconhecimento de padrões. Dessa forma, o uso da computação, apesar de ainda ter pequena contribuição na área, pode prover informações importantes sobre a taxonomia das plantas, além de poder servir como base para sistemas que executem tarefas como a de seleção de determinado tipo de plantas ou que guiem o especialista para possíveis tomadas de decisões. Neste trabalho é proposto um método para classificação de plantas baseado em imagens colaborativas de especialistas do mundo inteiro. Esse método é capaz de lidar com algumas complexidades impostas durante a captura das imagens, como a presença de ruídos (luminosidade, sombras e objetos indesejáveis) e variações de posições das plantas. Para cumprir essa tarefa são utilizados descritores de textura baseados em SIFT, SURF e HOG, que têm mostrado excelentes resultados em diversos trabalhos. Para possibilitar os testes do método proposto, foi empregada uma base de imagens disponibilizada pela tarefa mundial de reconhecimento de plantas em 2011, ImageCLEF, que contém cerca de 2.586 amostras de plantas composta por 41 espécies divididas em duas categorias distintas: a primeira com 13 espécies e imagens com presença de ruídos, e a segunda com 28 espécies e imagens de folhas plotadas em um fundo branco. Os resultados dos experimentos mostram que os classificadores treinados com descritores de textura são capazes de atingir boas taxas de acertos, próximas a 70%, dada a complexidade do problema. Métodos de combinação de classificadores também foram utilizados e se mostraram capazes de melhorar o desempenho dos classificadores, principalmente nos testes com imagens que tem a presença de ruídos.

Made available in DSpace on 2017-07-21T14:19:28Z (GMT). No. of bitstreams: 1 Rafael Poltronieri.pdf: 2210390 bytes, checksum: 4bb89feff6e817b81339fcf4e8908fb6 (MD5) Previous issue date: 2015-12-23 The models based on the method of Chance Mathematics (ChM), Diagnosis and Recommendation Integrated System (DRIS) and Compositional Nutrient Diagnosis (CND) have been used to assess the nutritional status of plants through foliar diagnosis. However, some factors may interfere on the leaves mineral composition, as the variety of species or cultivar, plant age, soil type and management, climate conditions, and the attack of pests and diseases. We hypothesized that the assessment of soybean nutritional status can be performed through diagnosis both on leaves and grains. The objectives were (i) to evaluate the efficiency of the ChM, DRIS, and CND models in assessing the soybean nutritional status through diagnosis in leaves and grains, and (ii) using the computational methods Support Vector Machine (SVM) and Artificial Neural Networks (ANN) as an alternative to evaluating the soybean nutritional status. The study was carried out from a database consisting of 212 leaf samples and 216 grain samples of soybean collected in 2013–2014 from five field experiments under no-till systems installed in the Central-South region of Paraná State, Brazil. The leaf samples were collected at flowering period and the grain samples were collected after harvest. The levels of N, P, K, Ca, Mg, S, Cu, Fe, Mn, and Zn in leaves and grains were determined, and grain yields were evaluated. The ChM, DRIS, and CND methods were satisfactory when applied to the nutrient content in leaves and grains. However, the DRIS model showed greater consistency, especially when applied to the nutrient content in grains. Computational methods SVM and ANN showed values close to those extracted by DRIS and CND. The results suggest that the DRIS method could be used to assess the soybean nutritional status through diagnosis in grains, and the computational methods SVM and ANN would be an alternative to DRIS and CND models in evaluating the soybean nutritional status through diagnosis in leaves and grains. Os modelos baseados nos métodos de Chance Matemática (ChM), Sistema Integrado de Diagnose e Recomendação (DRIS) e Diagnose da Composição Nutricional (CND) têm sido utilizados para avaliar o estado nutricional das plantas por meio da diagnose foliar. Porém, alguns fatores podem interferir na composição mineral das folhas, como a variedade da espécie ou cultivar, a idade das plantas, o tipo e o manejo do solo, as condições climáticas e o ataque de pragas e doenças. Considerando a hipótese que a avaliação do estado nutricional da cultura da soja pode ser realizada por meio de diagnose tanto nas folhas como nos grãos, o presente trabalho foi realizado com os objetivos de (i) avaliar a eficiência dos modelos ChM, DRIS e CND na avaliação do estado nutricional da soja por meio de diagnose em folhas e grãos, e (ii) utilizar os métodos computacionais de Máquina de Vetor de Suporte (SVM) e Redes Neurais Artificiais (RNA) como alternativa para avaliação do estado nutricional da soja. O trabalho foi realizado a partir de um banco de dados formado com 212 amostras de folhas e 216 amostras de grãos de soja coletadas em 2013–2014 de cinco experimentos de campo instalados em sistema plantio direto na região Centro-Sul do Paraná. As amostras de folhas foram coletadas por ocasião do florescimento e as de grãos após a colheita. Determinaram-se os teores de N, P, K, Ca, Mg, S, Cu, Fe, Mn e Zn nas folhas e nos grãos, e avaliou-se a produtividade de grãos. Os métodos de ChM, DRIS e CND apresentaram resultados satisfatórios quando aplicados aos teores de nutrientes nas folhas e nos grãos de soja, mas o DRIS apresentou maior consistência, especialmente quando aplicado aos teores de nutrientes nos grãos. Os métodos computacionais SVM e RNA apresentaram valores próximos dos extraídos pelo DRIS e CND. Os resultados sugerem que o método DRIS pode ser utilizado na avaliação do estado nutricional da cultura da soja por meio de diagnose nos grãos, e que os métodos computacionais SVM e RNA podem ser usados como alternativa aos modelos do DRIS e CND na avaliação do estado nutricional da soja por meio de diagnose em folhas e grãos.

Made available in DSpace on 2017-07-21T14:19:26Z (GMT). No. of bitstreams: 1 Roberson Junior Fernandes Alves.pdf: 17901245 bytes, checksum: 170e17bbccf0e54fa9b0dab204aca2e4 (MD5) Previous issue date: 2015-09-17 Developing mobile and autonomous agrobots for greenhouses requires the use of procedures which allow robot autolocalization and tracking. The tracking problem can be modeled as finding the most likely sequence of states in a hidden Markov model„ whose states indicate the positions of an occupancy grid. This sequence can be estimated with Viterbi’s algorithm. However, the processing time and consumed memory, of this algorithm, grows with the dimensions of the grid and tracking duration, and, this can constraint its use for tracking agrobots. Considering it, this work presents a tracking procedure which uses two approximated implementations of Viterbi’s algorithm called Viterbi-JD(Viterbi’s algorithm with a sliding window) and Viterbi-JD-MTE(Viterbi’s algorithm with a sliding window over an hidden Markov model with sparse transition matrix). The experimental results show that the time and memory performance of tracking with this two approximated implementations are significantly higher than the Viterbi’s based tracking. The reported tracking hypothesis is suboptimal, when compared to the hypothesis generated by Viterbi, but the error does not grows substantially. Th experimentos was performed using RSSI(Received Signal Strength Indicator) simulated data. O desenvolvimento de agrobots móveis e autônomos para operar em estufas agrícolas depende da implementação de procedimentos que permitam o rastreamento do robô no ambiente. O problema do rastreamento pode ser modelado como a determinação da sequência de estados mais prováveis de um modelo oculto de Markov cujos estados indicam posições de uma grade de ocupação. Esta sequência pode ser estimada pelo algoritmo de Viterbi. No entanto, o tempo de processamento e a memória consumida, por esse algoritmo, crescem com as dimensões da grade e com a duração do rastreamento, e isto pode limitar seu uso no rastreamento de agrobots em estufas. Considerando o exposto, este trabalho apresenta um procedimento de rastreamento que utiliza mplementações aproximadas do algoritmo de Viterbi denominadas de Viterbi-JD(Viterbi com janela deslizante) e Viterbi- JD-MTE(Viterbi com janela deslizante sobre um modelo oculto de Markov com matriz de transição esparsa). Os experimentos mostram que o desempenho de tempo e memória do rastreamento baseado nessas implementações aproximadas é significativamente melhor que aquele do algoritmo original. A hipótese de rastreamento gerada é sub ótima em relação àquela calculada pelo algoritmo original, contudo, não há um aumento substancial do erro. Os experimentos foram realizados utilizando dados simulados de RSSI (Received Signal Strength Indicator).

Made available in DSpace on 2017-07-21T14:19:25Z (GMT). No. of bitstreams: 1 Andrey Orloski.pdf: 5923583 bytes, checksum: 1a18c76b30193410838467808e3fa40d (MD5) Previous issue date: 2015-09-04 This paper describes a procedure for self-localization of mobile and autonomous agrobots in greenhouses, that is, the determination of the robot's position relative to a coordinate system,using procedures and computational resources. The proposed procedure uses computer vision techniques to recognize markers objects in the greenhouse and, from them, estimate the coordinate of the robot in a parallel plane to the surface of the stove. The detection of the presence of markers in the scene is performed using the SURF algorithm. To enable the estimation of coordinates, based on data contained in a single image, the method of Rahman et al. (2008), which consists in etermining the distance between a camera and a marker object has been extended to allow the coordinate calculation. The performance of the procedure was evaluated in three experiments. In the first experiment, the objective was to verify, in the laboratory, the influence of image resolution on accuracy. The results indicate that by reducing the image resolution, the range of the process is impaired for the recognition of the markers. These results also show that by reducing the resolution, the error in estimating the coordinates relative to the distance between the camera and the marker increases. The second experiment ran a test that evaluates the computational performance of the SURF algorithm, in terms of computing time, in the image processing. This is important because agrobots usually need to perform tasks that require the processing power in real time. The results of this test indicate that the efficiency of the procedure drops with the increase of image resolution. A second test compared the processing time of two implementations of the algorithm. One explores a sequential version of the SURF algorithm and another uses a parallel implementation. The results of this test suggest that the parallel implementation is more efficient in all tested resolutions, with an almost constant proportionate improvement.The third experiment was performed in a greenhouse to evaluate the performance of the proposed procedure in the environment for which it was designed. Field results were similar to the laboratory, but indicate that lighting variations require parameter settings of the SURF algorithm. Este trabalho descreve um procedimento para autolocalização de agrobots móveis e autônomos em casas de vegetação. Isto é, a determinação da posição do robô em relação a um sistema de coordenadas, usando procedimentos e recursos computacionais. O procedimento proposto emprega técnicas de visão computacional para reconhecer objetos marcadores na casa de vegetação e, a partir deles, estimar a coordenada do robô em um plano paralelo a superfície da estufa. A detecção da presença dos marcadores na cena é realizada através do algoritmo SURF. Para viabilizar a estimativa das coordenadas, a partir de dados contidos em uma única imagem, o método de Rahman et al. (2008), que consiste em determinar a distância entre uma câmera e um objeto marcador, foi estendido para permitir o cômputo de coordenadas. O desempenho do procedimento proposto foi avaliado em três experimentos. No primeiro experimento, o objetivo foi verificar, em laboratório, a influência da resolução da imagem sobre a precisão. Os resultados indicam que, ao reduzir a resolução da imagem, o alcance do procedimento é prejudicado para reconhecimento dos marcadores. Estes resultados também mostram que, ao reduzir a resolução, o erro na estimativa das coordenadas em relação à distância entre a câmera e o marcador aumenta. O segundo experimento executou um teste que avalia o desempenho computacional do algoritmo SURF, em termos de tempo de computação, no processamento das imagens. Isto é importante pois agrobots usualmente precisam executar tarefas que demandam capacidade de processamento em tempo real. Os resultados deste teste indicam que a eficiência do procedimento cai com o aumento da resolução da imagem. Um segundo teste comparou o tempo de processamento de duas implementações do algoritmo. Uma que explora uma versão sequencial do algoritmo SURF e outra que usa uma implementação paralela. Os resultados deste teste sugerem que a implementação paralela foi mais eficiente em todas as resoluções testadas, apresentando uma melhora proporcional quase constante. O terceiro experimento foi realizado em uma casa de vegetação com objetivo de avaliar o desempenho do procedimento proposto no ambiente para o qual foi projetado. Os resultados de campo se mostraram semelhantes aos do laboratório, mas indicam que variações de iluminação exigem ajustes de parâmetros do algoritmo SURF.

Made available in DSpace on 2017-07-21T14:19:25Z (GMT). No. of bitstreams: 1 Marcos Monteiro Junior.pdf: 2744838 bytes, checksum: 11e19d174916d6b6c7a51c2a1a5cd130 (MD5) Previous issue date: 2015-08-07 Agricultural machinery has mechanisms which automate them; however, it is still an expensive GPS based resource. The use of computational vision is an alternative or an addition to the use of GPS. Not long ago, the use of computational vision was exclusive to computers with huge processing capabilities, and its use in agricultural machinery was impracticable due to adverse field conditions. The evolution of the processors made computational vision possible in cellphones, whose hardware is robust for not having mechanical components and for being dust and, some models, humidity proof. This work describes the creation of a method developed for smartphone based mobile devices with the Android operational system. This system has the purpose of providing the calculation of the trajectories of agricultural machinery or robots, at pulverization lines. The method uses cameras that are present on the smartphones themselves in order to capture the image of the route to be calculated and processed by the phone. The process uses methods of computational vision with the aid of an algorithm to smooth the movements and to take decisions in order to not perform unnecessary movements. The method uses open-source softwares, like the Openvc library, the Android system and its tools of the programming, and in the IOIO hardware platform. The system was field tested, in a robot named NAVIGO, developed in the graduation program of Applied Computation at the Universidade Estadual de Ponta Grossa. The smartphone is coupled to the NAVIGO and it communicates with IOIO through Bluetooth. . Computer vision processing was performed on the smartphone , obtaining satisfactory results , proving that smart phones , are robust , and have the advantage of having numerous sensors embedded in the hardware and are able to perform tasks that were previously exclusive to computers. Furthermore small devices that use computer vision , as proposed in the work can be great tools in agriculture large areas of difficult access machinery . Máquinas agrícolas possuem mecanismos que as tornam autônomas, porém ainda é um recurso caro, baseado em GPS. O uso de visão computacional é uma alternativa ou um complemento para o uso do GPS. Até há pouco tempo, o uso de visão computacional, era restrito aos computadores de grande capacidade de processamento e seu uso em máquinas agrícolas era inviável devido às condições adversas do campo. Com a evolução dos processadores é possível aplicar visão computacional em celulares, cujo hardware é robusto, por não possuir componentes mecânicos e por ser tolerantes à poeira, e por alguns modelos até a umidade. Esta dissertação descreve a criação de um método para dispositivos móveis, do tipo smartphone, com sistema operacional Android, com a finalidade de calcular a trajetória de máquinas agrícolas, ou robôs, em linhas de pulverização. O método utiliza a câmera presente nos smartphones para captação da imagem da rota a ser calculada e processada pelo telefone. O sistema incorpora métodos de visão computacional, com o auxílio de um algoritmo, para suavizar os movimentos, além de colaborar para tomada de decisão de forma a não ocorrer movimentos desnecessários. O método usa software de código aberto, como a Biblioteca OpenCV, o Sistema Android, e as ferramentas para programação, e em hardware com a Plataforma IOIO. O sistema foi testado em campo, nas culturas de trigo e de soja, sobre um sistema de plantio direto. Os testes foram realizados em um Robô denominado NAVIGO, desenvolvido no Programa de Pós-Graduação de Computação Aplicada, da Universidade Estadual de Ponta Grossa. O smartphone fica acoplado no NAVIGO, com comunicação com IOIO, através de Bluetooth. O processamento de visão computacional foi realizado no smartphone, obtendo-se resultados satisfatórios, provando que os telefones inteligentes, são robustos, e possuem a vantagem de ter inúmeros sensores embutidos no hardware e são capazes de realizar tarefas que antes eram exclusivas de computadores. Além disso dispositivos de porte pequeno que utilizam a visão computacional, como o proposto no trabalho, podem ser ótimas ferramentas na agricultura em locais de difícil acesso de maquinário de grande porte.

Made available in DSpace on 2017-07-21T14:19:23Z (GMT). No. of bitstreams: 1 Kelly Lais.pdf: 3909972 bytes, checksum: a9e068fb926de9ca233857005e400c84 (MD5) Previous issue date: 2014-12-16 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior O Sensoriamento Remoto (SR) dispõe de tecnologias em constante crescimento e com grande potencial para a agricultura, tanto no gerenciamento de culturas, manejo de solo, bem como discriminações de feições da terra. Atualmente, há muitos métodos de análise e categorização de paisagens, que com a integração de dados de SR e técnicas de Sistemas de Informação Geográfica (SIG) apresentam alternativa promissora. Isto é, proporcionam maior facilidade na manipulação de dados geográficos, bem como otimização da validação a campo. Neste contexto, esta pesquisa foi realizada utilizando classificação digital não-supervisionada pela Rede Neural Artificial (RNA) Self-Organizing Maps (SOM) no reconhecimento de padrões de uso e cobertura da terra em um recorte de imagem orbital de alta resolução Rapideye pertencente à Bacia do Pitangui, o qual abrange o município de Ponta Grossa, localizado a centro-leste do Estado do Paraná. Primeiramente aplicouse a técnica NDVI (Índice de Vegetação por Diferença Normalizada) para estimular a separação das classes, principalmente os diferentes tipos de cultivos agrícolas, bem como cobertura florestal. A imagem orbital e NDVI foram segmentadas por meio de Análise de Imagem Baseada em Objeto (GEOBIA), gerando descritores com propriedades espaciais, espectrais e de textura, culminando no banco de dados relacional (BDR) com tais descritores. Mediante Análise de Componentes Principais (ACP) reduziu-se a dimensionalidade dos dados do BDR, selecionando os descritores mais significativos. A dimensionalidade foi reduzida, sem perda de informação, de 42 descritores para 21, a saber 6 espaciais, 12 espectrais e 3 de textura. Após esta preparação dos dados, utilizou-se a RNA SOM para o reconhecimento dos padrões pré-determinados a campo. As classes de uso e cobertura da terra discriminadas pela RNA SOM foram cultivos (cultivo 1, 2, 3 e 4), estradas e construções, cobertura florestal e corpos d’água. A RNA SOM culminou no agrupamento das classes cultivos inclusive em relação ao seu ciclo fenológico. A associação da banda artificial NDVI, com seus descritores às bandas espectrais, incrementou a separabilidade entre classes, tais como cobertura florestal e corpos d’água. As classes de uso e cobertura da terra foram validadas a campo, a exatidão global foi de 91% de acerto, com índice kappa de 0,9, considerado resultado excelente em valores de referência. Também foi realizado o teste estatístico F, o qual satisfez as hipóteses de nulidade nas áreas analisadas.Conclui-se que os métodos utilizados apresentaram eficácia, agilidade e baixo custo no mapeamento d o uso e cobertura da terra em escala detalhada. Remote Sensing (RS) uses steadily growing technologies and presents great potential for agriculture, e.g. in crop and land management, as well as for discrimination of land features. Currently, there are many methods of analysis and landscape categorization that when integrated with RS data and Geographic Information Systems (GIS) techniques stage as promising alternatives. That is, they provide greater ease in handling spatial data as well as optimizing validation on the field. In this context, this study was carried out using unsupervised digital classification with Artificial Neural Network (ANN) Self- Organizing Maps (SOM), in order to recognize patterns of land cover and land use in part of a high-resolution Rapideye orbital image belonging to the Pitangui River Basin, which encompasses the city of Ponta Grossa, located in the Central-Eastern portion of the State of Paraná. Initially, NDVI (Normalized Difference Vegetation Index) technique was applied to stimulate the separation of classes, especially to evidence different types of agricultural crops and forest cover. The orbital image and the NDVI were segmented through Geographic Object-Based Image Analysis (GEOBIA), generating descriptors with spatial, spectral and textural properties, culminating in the relational database (RDB) with such descriptors. With Principal Component Analysis (PCA) dimensionality of the BDR data was reduced, selecting the most significant descriptors. Dimensionality was reduced without information loss, from 42 descriptors to 21, namely 6 spatial, 12 spectral and 3 textural. After this data preparation, ANN SOM was used to recognize predetermined patterns in the field. The classes of land cover and land use discriminated by ANN SOM were crops (crop 1, 2, 3 and 4), roads and buildings; forest cover and water bodies. The ANN SOM culminated in the grouping of crop classes including in relation to its phenological cycle. The association of the NDVI artificial band with descriptors to spectral bands, increased the separability between classes, such as forest cover and water bodies. Classes of land cover and land use were validated in the field, the global accuracy was 91%, with kappa index of 0.9 and considered to be excellent as reference values. F statistical test was also carried out and showed satisfiability in the analyzed areas. It is concluded that the methods used were effective, agile and low-cost in detailed scale mapping of land use and coverage.

Made available in DSpace on 2017-07-21T14:19:40Z (GMT). No. of bitstreams: 1 Marinaldo Gaspareto.pdf: 1456191 bytes, checksum: ffaf0b449c6b9d107bdf1946a4619315 (MD5) Previous issue date: 2013-09-10 A problem regarding the implementation of navigation systems for autonomous moving robots is to detect the objects of interest and obstacles which are in the environment. This study considers the detection of walls / low walls of agricultural greenhouses in digital images obtained without illumination control. The proposed approach employs techniques of digital image processing and digital classification to detect the object of interest. The classifier has been developed digital type Naive Bayes. Two important issues when employing classification methods in computer vision is the accuracy of the classifier and the complexity of computing time. The selection of attributes descriptors that comprise a classifier has great impact on these two factors, generally the fewer attributes are required, the lower the computational cost. Regarding it, this study compared the performance of two methods of feature selection based on principal component analysis, named B2 and B4 in two cases. In the first scenario the feature selection was conducted on all the data extracted from all images. The second selection was performed for images grouped by similarity. After selection, the selected attributes for each approach was used to construct the type Naive Bayes classifier with 12, 17, 22 and 27 input variables. The results indicate that the grouping of images is useful when: (a) the distance from the center of the group to the center of the original database exceeds a threshold and (b) a correlation among the descriptors variables and the target variable is greater than in the group as a whole complete data. Keywords: Greenhouses, Autonomous navigation, Selection attributes, Naive Bayes classifiers. Um problema relativo à implementação de sistemas de navegação para robôs autônomos móveis é a detecção dos objetos de interesse e dos obstáculos que estão no ambiente. Este trabalho considera a detecção das paredes/muretas de estufas agrícolas em imagens digitais adquiridas sem controle de iluminação. A abordagem proposta emprega técnicas de processamento digital de imagens e classificação digital para detectar o objeto de interesse. O classificador digital desenvolvido foi do tipo Naive Bayes. Duas questões importantes quando do emprego de métodos de classificação em visão computacional são a acurácia do classificador e a complexidade de tempo de computação. A seleção dos atributos descritores que compõem um classificador tem grande impacto sobre estes dois fatores, de um modo geral, quanto menos atributos forem necessários, menor o custo computacional. Considerando isso, este trabalho comparou o desempenho de dois métodos de seleção de atributos baseados na análise de componentes principais, chamados B2 e B4 em duas situações. Na primeira situação, a seleção de atributos foi realizada sobre o conjunto dos dados extraídos de todas as imagens. Na segunda, a seleção foi realizada para imagens agrupadas por similaridade. Após a seleção, os atributos selecionados em cada uma das abordagens foram usados para construir classificadores do tipo Naive Bayes com 12, 17, 22 e 27 variáveis de entrada. Os resultados indicam que o agrupamento de imagens é útil quando: (a) a distância do centro do grupo ao centro da base original ultrapassa um limiar e (b) a correlação entre as variáveis descritoras e a variável meta é maior no grupo do que no conjunto completo de dados.

Made available in DSpace on 2017-07-21T14:19:40Z (GMT). No. of bitstreams: 1 Wellington Cesar Dias.pdf: 1598855 bytes, checksum: f1c7f26ea17f6de23adcf11d578d1dc1 (MD5) Previous issue date: 2013-09-09 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Nowadays, the process of determining the longitudinal distance between seeds in a plantability test is manual and prone to failures. For maize, the seed distribution in inadequate distances prevents each plant has the space needed for their growth, providing competition for nutrients and light , as well as plants arranged far apart, provide space for the development of weed. Considering the importance of testing plantability and that it has been done manually and prone to failures, this study aimed to develop an automated environment analysis of seed distribution, consisting of a combination of mat plantability, movie camera and software. A treadmill plantability metered seed and topped with carpet, which was incorporated into a frequency inverter to allow the mat to work at different speeds, the videos were recorded using the camera Contour+, and the software was developed in Java, implementing techniques of digital image processing appropriate to the problem at hand. The environment developed made possible to obtain an accurate reading of the distance between seeds by counting the elapsed time between each detection time of each seed crosses a certain video point and the speed of the treadmill. There were performed two different types of tests. In the test with previously known distances, the largest error obtained in the measured distances was 0.9 cm, which represents 2.25% at a distance of 40 cm from seeds, such as maize and the mean error was 0.19 cm which represents 0.48% at a distance of 40 cm from seeds. The tests with long measuring 500 seeds showed that the system detects the most seeds passing the mat, with the highest error rate 1.26%. The proposed environment also allows the detection of seeds with different colors, as in this research were used in natura seeds (yellow, extracted directly from a spike), reddish and bluish, according to the treatment received. It is believed that the solution can assist in the selection of faster and more efficient dosing discs along the plantability tests and consequently in obtaining a better arrangement of plants in the field, leading to higher productivity. Atualmente, o processo de determinação da distância longitudinal de sementes em um teste de plantabilidade é manual e propenso a falhas. Para a cultura do milho, a distribuição de sementes em distâncias inadequadas impede que cada planta tenha o espaço necessário para seu crescimento, propiciando a concorrência por nutrientes e luz, assim como plantas dispostas de forma muito distantes, propiciam espaço para o desenvolvimento de plantas daninhas. Considerando a importância do teste de plantabilidade e que este vem sendo feito de forma manual e propenso a falhas, este trabalho teve o objetivo de desenvolver um ambiente automatizado de análise de distribuição de sementes, composto por uma combinação de esteira de plantabilidade, câmera de filmagem e software. Foi utilizada uma esteira de plantabilidade com contador de sementes e com cobertura de carpete, à qual foi incorporado um inversor de frequência para possibilitar que a esteira trabalhasse em diferentes velocidades, os vídeos foram registrados utilizando a câmera Contour+, e o software foi desenvolvido em linguagem Java implementando técnicas de processamento digital de imagens adequadas ao problema em questão. Com o ambiente desenvolvido foi possível obter uma leitura precisa da distância entre as sementes, pela contagem do tempo decorrido entre cada detecção do momento em que cada semente cruza determinado ponto do vídeo e a velocidade da esteira. Foram realizados dois tipos diferentes de testes. Com o teste com distâncias previamente conhecidas, o maior erro obtido na medida das distâncias foi de 0,9 cm, que representa 2,25% em uma distância de 40 cm entre sementes, como é o caso do milho e a média de erro foi de 0,19 cm, que representa 0,48% em uma distância de 40 cm entre sementes. Os testes de medição longa com 500 sementes mostraram que o sistema detecta a maioria das sementes que passam na esteira, tendo como maior taxa de erro 1,26%. O ambiente proposto permite também a detecção das sementes em cores variadas, sendo que nesta pesquisa foram utilizadas sementes in-natura (amarelas, extraídas diretamente de uma espiga), avermelhadas e azuladas, de acordo com o tratamento recebido. Acredita-se que a solução pode auxiliar na seleção mais rápida e eficiente de discos dosadores ao longo dos testes de plantabilidade, e consequentemente, na obtenção de uma melhor disposição de plantas no campo, levando a uma maior produtividade.

Made available in DSpace on 2017-07-21T14:19:42Z (GMT). No. of bitstreams: 1 Luiz Gustavo Barros.pdf: 2755823 bytes, checksum: bca8719768cf3309de85ec488ed781ee (MD5) Previous issue date: 2013-08-22 Images acquired in the field with ordinary cameras, tend to have a lower quality compared with those obtained in the laboratory, including noise and unclear areas. This paper proposes a methodology for the analysis of sharpness in wood images of wood to analyze its impact on their classification. To evaluate this proposal, a database of wood images was used and each sample has extracted its color and texture characteristics using uniform local binary pattern and RGB color model methods, respectively. The Tenengrad method was used to evaluate the image sharpness and then the images were classified as high or low sharpness. Scenarios were developed to test the impact of the analysis of sharpness and check how it contributes to the hit rate. Imagens adquiridas em campo, com câmeras comuns, tendem a possuir uma qualidade inferior se comparadas com as adquiridas em laboratório, incluindo ruídos e áreas pouco nítidas. Partindo dessa premissa, nesse trabalho foi proposta uma metodologia para a análise de nitidez em imagens de madeira para analisar seu impacto na classificação das mesmas. Para avaliar essa proposta, foi utilizada uma base de dados de imagens de madeira e extraídas características de cor e textura através dos métodos LBP Uniforme e RGB, respectivamente. O método Tenengrad foi utilizado para avaliar a nitidez das imagens e através dele as imagens foram classificadas alta e baixa nitidez. Foram elaborados cenários para testar o impacto da análise de nitidez e verificar de que forma a mesma contribui com a taxa de acerto.

Made available in DSpace on 2017-07-21T14:19:36Z (GMT). No. of bitstreams: 1 Karine Sato da Silva.pdf: 1399940 bytes, checksum: 7e4d6aa73a1bc504cbbbf109e805da76 (MD5) Previous issue date: 2013-03-01 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior The subsoil acidity is harmful towards the growing of plants roots and, consequently, affects the agricultural productivity. In handled areas in the no-till cropping system (SPD), the toxic effects caused by high levels of Al and Mn, due to the soil acidity, are corrected by the superficial liming. This technique improves the acidity of the superficial layers, but it presents no great efficiency in the acidity correction of deeper layers of the soil. The agricultural gypsum (CaSO4.2H2O) is an input that might help in the improvement of the subsoil’s chemical conditions, because besides of being a Ca and S source, it is also able to transport cationic nutrients to the sub superficial layers and reduce the Al activity. It happens, however, that there are questions about which situations may be expected beneficial effects regarding the agricultural gypsum use, and as for the amount that should be applied to reach such effects. A possible form to assist the comprehension of these questions is with the Data Mining (MD) utilization. However, the agronomic databases usually involve a limited number of registers, which difficult the MD use. As a result, this study addresses, beyond the MD utilization, a new research area involving MD in small databases. Therewith, the goals of this work were:(i) obtaining a better comprehension of the gypsum application effects in the chemical attributes of handled soil in SPD, (ii) identifying the chemical attributes of the soil that present narrower correlations with the estimation of the need of gypsum using selection techniques at the pre-processing stage, and (iii) defining models to the estimation of the need of agricultural gypsum in soils under SPD. The database used in this study was obtained from three distinct areas of the region of Campos Gerais do Parana, containing chemical attributes of the soil in different epochs coming from SPD experiments, which received increasing doses of agricultural gypsum on their surfaces. It was used Principal Component Analysis techniques based on B2 and B4 criteria, and also the Supervised ACP technique. Still regarding the pre-processing techniques, it was implemented a covariance matrix that assumes the marginal independence between the base attributes in their calculus and utilizes the B2 and B4 criteria for the attributes selection. For the databases expansion, besides the SMOTE technique, it was implemented the megatrend-diffusion (MTD) method. The M5Rules algorithm was utilized to find models of estimation of the need of agricultural gypsum. The results showed that the elapsed time after the gypsum application (epoch), the saturation through Ca and the saturation through Mg in the capacity of effective cations exchange (CTCe) of soil were the attributes which presented the narrower correlations with the dose estimation of gypsum. The work identified four possible models for the estimation of the need of agricultural gypsum, showing that the M5Rules algorithm was efficient for such prediction. The MTD method presented positive results because increased the correlation coefficient and reduced the average absolute error. A acidez do subsolo é prejudicial ao crescimento das raízes das plantas e, consequentemente, afeta a produtividade agrícola. Em áreas manejadas no sistema plantio direto (SPD), os efeitos tóxicos causados pelos teores elevados de Al e Mn, decorrentes da acidez do solo, são corrigidos pela calagem superficial. Essa prática melhora a acidez das camadas superficiais, mas não apresenta grande eficiência na correção da acidez em camadas mais profundas do solo. O gesso agrícola (CaSO4.2H2O) é um insumo que pode auxiliar na melhoria das condições químicas do subsolo, pois além de ser fonte de Ca e S, também é capaz de transportar nutrientes catiônicos para as camadas subsuperficiais e reduzir a atividade do Al. Acontece,porém, que ainda existem dúvidas sobre quais as situações em que podem ser esperados efeitos benéficos do uso de gesso agrícola e também quanto à dose que deve ser aplicada para alcançar tais efeitos. Uma forma possível para auxiliar na compreensão dessas dúvidas é a utilização da Mineração de Dados (MD). Entretanto, as bases de dados agronômicos normalmente envolve um número limitado de registros, o que dificulta o emprego da MD. Em decorrência disso, estudou-se, além da utilização da MD, uma nova área de pesquisa que envolve a MD em pequenas bases. Com isso, os objetivos do presente trabalho foram: (i) obter melhor compreensão dos efeitos da aplicação do gesso nos atributos químicos de solos manejados no SPD, (ii) identificar os atributos químicos do solo que apresentam correlações mais estreitas com a estimativa da necessidade de gesso usando técnicas de seleção na etapa de pré-processamento, e (iii) definir modelos para estimativa de necessidade de gesso agrícola em solos sob SPD. A base de dados utilizada nesse estudo foi obtida de três áreas distintas da região dos Campos Gerais do Paraná, contendo atributos químicos do solo em diferentes épocas provenientes de experimentos sob SPD que receberam doses crescentes de gesso agrícola na superfície. Utilizaram-se técnicas de Análise de Componentes Principais (ACP) baseada nos critérios B2 e B4 e, ainda, a técnica de ACP Supervisionado. Quanto às técnicas de pré-processamento, implementou-se também uma matriz de covariância que assume a independência marginal entre os atributos da base no seu cálculo e utiliza os critérios B2 e B4 para a seleção dos atributos. Para ampliação da base de dados, além da técnica SMOTE, foi empregado o método mega-trend-diffusion (MTD). O algoritmo M5Rules foi utilizado para encontrar modelos de estimativa da necessidade de gesso agrícola. Os resultados mostraram que o tempo decorrido após a aplicação de gesso (época), a saturação por Ca e a saturação por Mg na capacidade de troca de cátions efetiva (CTCe) do solo foram os atributos que apresentaram as correlações mais estreitas com a estimativa da dose de gesso. O trabalho identificou quatro possíveis modelos para a estimativa da necessidade de gesso, mostrando que o algoritmo M5Rules foi eficiente para tal predição. O emprego do método MTD apresentou resultados positivos porque aumentou o coeficiente de correlação e diminuiu o erro médio absoluto.

Made available in DSpace on 2017-07-21T14:19:38Z (GMT). No. of bitstreams: 1 Ronan Assumpcao.pdf: 1635695 bytes, checksum: 084afb104dd339cbac6751edc1408418 (MD5) Previous issue date: 2012-08-17 Agriculture demands for various computing solutions, especially when refers to the Precision Agriculture (PA). Data Mining is one of the computing resources that can benefit the analysis of data from AP, which usually are georeferenced. However, there are limitations of algorithms and computational tools when it is need to group different characteristics also considering its geographical position. In this context, the aim of this work was to develop and implement algorithms that consider clustering and visualization of georeferenced attributes along with various attributes in the agricutural database. It was created a new computational tool for georeferenced agricultural data mining called Dager. The algorithms PAM, CLARA and CLARANS were implemented and, based on these two new algorithms, and GCLARA GCLARANS were developed and implemented in the tool. Besides the algorithms it was implemented a module for graphical visualization of clusters. For the experiments, a database obtained by Precision Farming and evaluation groups were employed statistical methods ANOVA and MANOVA. The result showed the mapping and visualization of regions within a field with similar characteristics, achieving the proposoal objectives. A agricultura demanda de soluções computacionais diversas, especialmente quando refere-se ao segmento da Agricultura de Precisão (AP). A Mineração de Dados é um dos recursos computacionais que pode beneficiar a análise de dados de AP, os quais normalmente são georreferenciados. Porém, há limitação de algoritmos e ferramentas computacionais quando se tem necessidade de agrupar características diversas considerando também sua posição geográfica. Nesse contexto, o objetivo desta dissertação foi desenvolver e implementar algoritmos de agrupamentos e visualização que considerem atributos georreferenciados juntamente com atributos diversos em base de dados agrícolas. Para tanto, foi criada uma nova ferramenta computacional para mineração de dados agrícolas georreferenciados, denominada DAGER. Os algoritmos PAM, CLARA e CLARANS foram implementados e, com base nesses, dois novos algoritmos, GCLARA e GCLARANS foram desenvolvidos e implementados na ferramenta. Além dos algoritmos, foi implementado um módulo de visualização gráfica dos agrupamentos. Para a realização dos experimentos, foi utilizada uma base de dados agrícola obtida por processos de Agricultura de Precisão e para a avaliação dos grupos foram empregados os métodos estatísticos ANOVA e o MANOVA. O resultado apresenta o mapeamento e visualização de regiões dentro de uma lavoura com características semelhantes, atendendo aos objetivos propostos

Made available in DSpace on 2017-07-21T14:19:33Z (GMT). No. of bitstreams: 1 Juscelino Izidoro Oliveira.pdf: 622255 bytes, checksum: 54447b380bca4ea8e2360060669d5cff (MD5) Previous issue date: 2012-07-30 Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Multivariate data analysis allows the researcher to verify the interaction among a lot of attributes that can influence the behavior of a response variable. That analysis uses models that can be induced from experimental data set. An important issue in the induction of multivariate regressors and classifers is the sample size, because this determines the reliability of the model for tasks of regression or classification of the response variable. This work approachs the sample size issue through the Theory of Probably Approximately Correct Learning, that comes from problems about machine learning for induction of models. Given the importance of agricultural modelling, this work shows two procedures to select variables. Variable Selection by Principal Component Analysis is an unsupervised procedure and allows the researcher to select the most relevant variables from the agricultural data by considering the variation in the data. Variable Selection by Supervised Principal Component Analysis is a supervised procedure and allows the researcher to perform the same process as in the previous procedure, but concentrating the focus of the selection over the variables with more influence in the behavior of the response variable. Both procedures allow the sample complexity informations to be explored in variable selection process. Those procedures were tested in five experiments, showing that the supervised procedure has allowed to induce models that produced better scores, by mean, than that models induced over variables selected by unsupervised procedure. Those experiments also allowed to verify that the variables selected by the unsupervised and supervised procedure showed reduced indices of multicolinearity. A análise multivariada de dados permite verificar a interação de vários atributos que podem influenciar o comportamento de uma variável de resposta. Tal análise utiliza modelos que podem ser induzidos de conjuntos de dados experimentais. Um fator importante na indução de regressores e classificadores multivariados é o tamanho da amostra, pois, esta determina a contabilidade do modelo quando há a necessidade de se regredir ou classificar a variável de resposta. Este trabalho aborda a questão do tamanho da amostra por meio da Teoria do Aprendizado Provavelmente Aproximadamente Correto, oriundo de problemas sobre o aprendizado de máquina para a indução de modelos. Dada a importância da modelagem agrícola, este trabalho apresenta dois procedimentos para a seleção de variáveis. O procedimento de Seleção de Variáveis por Análise de Componentes Principais, que não é supervisionado e permite ao pesquisador de agricultura selecionar as variáveis mais relevantes de um conjunto de dados agrícolas considerando a variação contida nos dados. O procedimento de Seleção de Variáveis por Análise de Componentes Principais Supervisionado, que é supervisionado e permite realizar o mesmo processo do primeiro procedimento, mas concentrando-se apenas nas variáveis que possuem maior infuência no comportamento da variável de resposta. Ambos permitem que informações a respeito da complexidade da amostra sejam exploradas na seleção de variáveis. Os dois procedimentos foram avaliados em cinco experimentos, mostrando que o procedimento supervisionado permitiu, em média, induzir modelos que produziram melhores pontuações do que aqueles modelos gerados sobre as variáveis selecionadas pelo procedimento não supervisionado. Os experimentos também permitiram verificar que as variáveis selecionadas por ambos os procedimentos apresentavam índices reduzidos de multicolinaridade..