Uso De Aprendizado De Máquina Para Classificação De Espécies Frutíferas a Partir De Imagens RGB

Abstract

ResumoO artigo apresenta como objetivo testar a viabilidade do sensor RGB, que apresenta menor custo quando comparado aos sensores multiespectrais, para a classificação automatizada de espécies frutíferas, visando a automatização das etapas de produção agrícola. O trabalho integra sensoriamento remoto e aprendizado de máquina utilizando o algoritmo K-Nearest Neighbor (k-NN) para a classificação automatizada. A pesquisa foi conduzida com espécies frutíferas do setor de fruticultura localizado na área experimental do Centro de Ciências Agrárias e Engenharias -UFES. Foi realizado um aerolevantamento utilizando-se um VANT, modelo Phantom 4 Pro, equipado com um sensor RGB-CMOS. A partir das imagens geradas foi feita a classificação pixel-a-pixel através do algoritmo k-NN. Métricas como Precisão, Recall e F-score foram geradas a partir da matriz de confusão. A partir da métricas obteve-se índice kappa de 0.445125, indicando nível fraco de concordância, o que sugere confusão significativa durante a classificação. Não obstante, a classe de solo exposto apresentou elevada precisão, sendo um dado promissor para futuras estratégias de manejo agrícola.