SEGMENTAÇÃO DE IMAGENS AÉREAS DE VEÍCULOS … · trabalho tem como objetivo processar imagens...
49
ANDRÉ MINORO FUSIOKA SEGMENTAÇÃO DE IMAGENS AÉREAS DE VEÍCULOS AÉREOS NÃO TRIPULADOS PARA A AGRICULTURA DE PRECISÃO LONDRINAŰPR 2016
Transcript of SEGMENTAÇÃO DE IMAGENS AÉREAS DE VEÍCULOS … · trabalho tem como objetivo processar imagens...
ANDRÉ MINORO FUSIOKA
SEGMENTAÇÃO DE IMAGENS AÉREAS DE VEÍCULOSAÉREOS NÃO TRIPULADOS PARA A AGRICULTURA DE
PRECISÃO
LONDRINAŰPR
2016
ANDRÉ MINORO FUSIOKA
SEGMENTAÇÃO DE IMAGENS AÉREAS DE VEÍCULOSAÉREOS NÃO TRIPULADOS PARA A AGRICULTURA DE
PRECISÃO
Trabalho de Conclusão de Curso apresentadoao curso de Bacharelado em Ciência da Com-putação da Universidade Estadual de Lon-drina para obtenção do título de Bacharel emCiência da Computação.
Orientador: Prof. Dr. Sylvio Barbon Junior
LONDRINAŰPR
2016
ANDRÉ MINORO FUSIOKA
SEGMENTAÇÃO DE IMAGENS AÉREAS DE VEÍCULOSAÉREOS NÃO TRIPULADOS PARA A AGRICULTURA DE
PRECISÃO
Trabalho de Conclusão de Curso apresentadoao curso de Bacharelado em Ciência da Com-putação da Universidade Estadual de Lon-drina para obtenção do título de Bacharel emCiência da Computação.
BANCA EXAMINADORA
Prof. Dr. Sylvio Barbon JuniorUniversidade Estadual de Londrina
Orientador
Prof. Dr. Wesley AttrotUniversidade Estadual de Londrina
Prof. Dr. Marcelo Giovanetti CanteriUniversidade Estadual de Londrina
LondrinaŰPR, 23 de Fevereiro de 2016
À minha mãe, irmã e à memória de meu pai.
AGRADECIMENTOS
Agradeço meus familiares que estiveram presentes no meu processo de formação e
que me ensinaram lições valiosas, tanto para a vida acadêmica quanto para a vida pessoal.
Agradeço, em especial, minha mãe Izabel, minha irmã Andressa e meu pai Dirceu (in
memoriam), que sempre me incentivaram, aguçaram minha curiosidade e ensinaram que
o premio não é o Ąm da jornada, mas sim o caminho que se percorre para chegar ao Ąm.
A conclusão desse trabalho não seria possível sem o apoio de meus amigos, de
infância e aos conhecidos durante a graduação, que me mostraram que família transcende
o sangue e se estabelece com as relações que criamos. Gostaria de destacar o Matheus
P. Vellone e o Guilherme S. Kido que me ajudaram e constituíram a melhor equipe
para enfrentar a graduação, para os íntimos, a família Shoulder. Também merecem ser
ressaltados Saulo M. Mastelini, Gustavo T. Naozuka, Felipe K. Nakano e Hegon J. de
Paula, por sempre fornecerem o apoio, por estarem comigo ao longo dessa jornada e
propiciar momentos de descontração memoráveis.
Agradeço a todos os membros da Associação Kaiko, onde encontrei amigos, desco-
bri novos desaĄos e aprendi lições valiosas sobre disciplina, autoconhecimento e respeito.
Por Ąm e com extrema importância, gostaria de deixar meus agradecimentos aos
professores, que me apresentaram uma nova visão do mundo. Em especial, ao meu orien-
tador Prof. Dr. Sylvio Barbon, que teve a paciência de sanar minhas dúvidas e exerceu
um trabalho notável durante o decorrer graduação.
Que a Força esteja com vocês!
“Eu acho perturbadora sua falta de fé”
(Darth Vader – Star Wars)
FUSIOKA, A. M.. Segmentação de imagens aéreas de veículos aéreos não tripu-
lados para a agricultura de precisão. 47 p. Trabalho de Conclusão de Curso (Bacha-
relado em Ciência da Computação) Ű Universidade Estadual de Londrina, LondrinaŰPR,
2016.
RESUMO
Monitorar o desenvolver da lavoura, sanando as suas necessidades faz com que se tenhauma maior produtividade. Assim se faz necessário encontrar e interpretar as áreas onde senecessita atenção. Nesse sentido, as aeronaves não tripuladas podem fornecer imagens aé-reas para se realizar uma interpretação do estado da lavoura. Dependendo do mecanismode aquisição a imagem pode sofrer uma distorção, necessitando de correção para a inter-pretação. Assim, objetivo desse trabalho é desenvolver uma forma de segmentação de taisimagens agrícolas, realizando as devidas correções, obtendo-se as regiões de interesse. Ométodo proposto foi aplicado em imagens em diferentes alturas, resultando na separaçãode pequenas áreas de interesse onde há maior concentração de solo sem cobertura vegetal,os melhores resultados foram obtidos a 60 metros e os piores a 20 metros.
Palavras-chave: segmentação, VANT, agricultura de precisão
FUSIOKA, A. M.. Segmentation of aerial images of unmanned aerial vehicles for
precision agriculture. 47 p. Final Project (Bachelor of Science in Computer Science) Ű
State University of Londrina, LondrinaŰPR, 2016.
ABSTRACT
Monitor the development of agriculture, solving their needs makes them have higherproductivity. So it is necessary to Ąnd and interpret the areas where it needs attention. Inthis sense, the unmanned aircraft can provide aerial images to make an interpretation ofthe state of the crop. Depending on the acquisition mechanism image may sufer distortion,requiring correction for interpretation. So the aim of this study is to develop a way oftargeting such agricultural images, making the necessary corrections to obtain regions ofinterest. The proposed method was applied to images at diferent heights, resulting in theseparation of small areas of interest where there is greater concentration of soil withoutvegetation canopy, the best results were obtained at 60 meters and the worst 20 meters.
Keywords: segmentation, UAV, precision agriculture
LISTA DE ILUSTRAÇÕES
Figura 1 Ű Exemplo de distorção . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Figura 2 Ű Exemplo de imagens em diferentes alturas . . . . . . . . . . . . . . . . 31
Figura 3 Ű Exemplo de imagem após a correção . . . . . . . . . . . . . . . . . . . 32
Figura 4 Ű Sequência de passos para a segmentação . . . . . . . . . . . . . . . . . 33
Figura 5 Ű Etapas do processamento . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figura 6 Ű IdentiĄcação dos Marcadores . . . . . . . . . . . . . . . . . . . . . . . 36
Figura 7 Ű Segmentação menor que a área de falha . . . . . . . . . . . . . . . . . 37
Figura 8 Ű Inversão da máscara . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
Figura 9 Ű Comparação dos métodos a 60 metros . . . . . . . . . . . . . . . . . . 38
Figura 10 Ű Comparação dos métodos a 40 metros . . . . . . . . . . . . . . . . . . 39
Figura 11 Ű Comparação dos métodos a 40 metros (2) . . . . . . . . . . . . . . . . 40
Figura 12 Ű Comparação dos métodos a 20 metros . . . . . . . . . . . . . . . . . . 41
Figura 13 Ű Comparação dos métodos a 12 metros . . . . . . . . . . . . . . . . . . 42
LISTA DE ABREVIATURAS E SIGLAS
AP Agricultura de Precisão
SR Sensoriamento Remoto
VANT Veículo aéreo não tripulado
ROI Region of Interest
GPS Global Positioning System
ExG Excess Green
NDVI Normalized Diference Vegetation Index
RGB Red-Green-Blue
SUMÁRIO
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 FUNDAMENTAÇÃO TEÓRICO-METODOLÓGICA E ES-
TADO DA ARTE . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1 Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.1 Agricultura de Precisão . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.2 Veículos Aéreos Não Tripulados . . . . . . . . . . . . . . . . . . . 24
2.1.3 Distorção de Lente . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.4 Índices de Vegetação . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.5 Imagem Digital . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.6 Segmentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.7 Suavização de Imagens . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Trabalhos Correlatos . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3 DESENVOLVIMENTO . . . . . . . . . . . . . . . . . . . . . . . 31
3.1 Aquisição das Imagens . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Método Proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.1 Correção da Distorção . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.2 Segmentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Métodos Alternativos . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 IdentiĄcação do Marcador . . . . . . . . . . . . . . . . . . . . . . 35
4 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5 DISCUSSÃO E CONCLUSÃO . . . . . . . . . . . . . . . . . . . 43
5.1 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
21
1 INTRODUÇÃO
Realizar o monitoramento de áreas rurais e tomar medidas de controle para even-
tuais problemas na lavoura promove maior produtividade. Para este Ąm a tecnologia
se mostra de grande ajuda, podendo ser empregada para acompanhar o desenvolver da
cultura, avaliando os problemas e as necessidades da lavoura.
A Agricultura de Precisão (AP), oferece uma alternativa ao cultivo tradicional
integrando diversas tecnologias com o objetivo de aumentar a produtividade e qualidade,
reduzindo custos e o impacto ambiental[1].
A AP pode ser entendida como uma forma de uso inteligente de recursos, utilizando
as informações oriundas de diferentes meios para a tomada de decisão, visando atender as
necessidades especiĄcas da lavoura, levando em conta as diferenças que ocorrem na área
de produção, promovendo o desenvolver da plantação de forma a gerar maior lucro, com
menor impacto ambiental. Com o desenvolver da tecnologia, os recursos disponíveis para
a coleta de informação se tornam maiores, favorecendo a implantação da AP.
O monitoramento da área de cultivo se faz crucial para realizar ações que atendam
devidamente às necessidades da plantação. O Sensoriamento Remoto (SR), que consiste
em obter informações a distância, unido ao GPS (Global Positioning System) podem
ser aplicados para a obtenção de imagens aéreas com o Ąm de avaliar as condições da
plantação, auxiliando na detecção de pragas, doenças e infestações, fornecendo uma base
para a tomada de decisão para o devido manejo[2][3].
É comum a utilização de satélites como forma de obtenção de imagens para a
análise de plantações, porém seu uso nem sempre está apto para fornecer as informações
necessárias para a avaliação. As imagens obtidas podem estar sujeitas a interferência
climática, como por exemplo a ocorrência de nuvens[4][5]. O uso de Veículos Aéreos Não
Tripulados (VANT) equipados com uma ferramenta de aquisição de imagens surge como
uma alternativa para se monitorar plantações, com uma resolução espacial maior, baixo
custo operacional e sem a interferência climática[6][7].
Os relatos de uso de VANTs no Brasil datam da década de 1980, para Ąns militares,
a aplicação na área civil também tem seu início nesse período. A tecnologia embutida em
um VANT vem crescendo, permitindo seu uso nas mais diversas atividades como, por
exemplo, vigilância de fronteira e inspeção de linhas de transmissão de energia. Já na
Agricultura de Precisão os VANTs trazem os mesmos recursos encontrados em satélites e
em aeronaves tripuladas para o monitoramento da lavoura[8]. Desse modo o emprego de
VANT na AP surge como alternativa para o acompanhamento da lavoura podendo ser
aplicado para obter imagens durante todo o período do cultivo.
22
Com as imagens aéreas e o uso de técnicas computacionais voltadas ao proces-
samento de imagens é possível obter informações para servirem de base na tomada de
decisão do manejo da cultura. O emprego dessas técnicas possibilitam a análise de um
grande número de imagens em pouco tempo, facilitando a detecção de anomalias em meio
à plantação em tempo hábil para correção.
Visando auxiliar no desenvolvimento das técnicas que englobam a AP, o presente
trabalho tem como objetivo processar imagens aéreas, obtidas com o auxilio de uma ae-
ronave não tripulada, com o propósito de segmentar áreas de interesse, para posterior
análise por um especialista. As áreas buscadas são falhas na lavoura, podendo ser decor-
rentes de erros no plantio, germinação ou até mesmo criadas durante o manejo cultura,
além de regiões onde há invasão por plantas daninhas. Com a identiĄcação do problema,
juntamente com a informação espacial fornecida pelo GPS, é possível realizar um parecer
sobre o problema, avaliar a viabilidade de correção e desenvolver um planejamento para
evitar a recorrência do problema.
O trabalho está organizado da seguinte forma: O Capítulo 2 apresenta a deĄnição
dos conceitos necessários para a compreensão do trabalho. O Capítulo 3 apresenta o
desenvolvimento do método proposto. O Capítulo 4 apresenta os resultados obtidos e uma
breve comparação com métodos alternativos de segmentação. O Capítulo 5 apresenta uma
breve discução e as conclusões sobre os resultados.
23
2 FUNDAMENTAÇÃO TEÓRICO-METODOLÓGICA E ES-
TADO DA ARTE
2.1 Conceitos
O presente capítulo visa apresentar os conceitos teóricos básicos para compreensão
do tema do trabalho e do método proposto.
2.1.1 Agricultura de Precisão
O cultivo da propriedade agrícola de forma tradicional emprega fertilizantes e
produtos químicos para controle de pragas de maneira uniforme para todo o terreno, sem
a preocupação com as necessidades de cada região. Essas práticas podem ter um impacto
negativo ao meio ambiente, como por exemplo a erosão e contaminação do solo, além de
não explorar todo o potencial de produção. A Agricultura de Precisão é uma mudança
na forma de produção tradicional, visando sanar os problemas decorrentes do plantio
tradicional, trazendo maior qualidade e produtividade, reduzindo os impactos ambientais
além de promover maior rentabilidade[3].
A AP utiliza recursos tecnológicos para gerenciar a informação da plantação de
forma a otimizar a produção. Segundo Lee e Ehsani[9], o conceito de AP está atrelado ao
conhecimento da variabilidade espacial da plantação. Sendo assim, o uso do GPS (Global
Position System) e o Sensoriamento Remoto são tecnologias de grande importância para
a correta localização do problema[3][10]. Com isso é possível monitorar e fornecer suporte
para a tomada de decisão com base nas informações espaciais, visto que ao se saber
a localização da ocorrência de anomalias na plantação é possível realizar o tratamento
adequado para a área.
Como ferramenta de SR é comum a utilização de imagens de satélites para moni-
toramento das plantações. Com satélites é possível obter imagens de diferentes resoluções
e em diferentes comprimentos de ondas[10]. Entretanto o seu uso nem sempre é viável,
devido ao seu alto custo, principalmente para pequenas e médias propriedades[11]. Visto
que para a Agricultura de Precisão o monitoramento do terreno é uma tarefa crucial, o
emprego de aeronaves para se obter imagens se mostra como uma alternativa com custo
mais baixo[4], aliado ao GPS é possível monitorar a propriedade, analisando o desenvolver
da cultura e tomando as devidas precauções para manter a produtividade de qualidade.
Sendo assim, enquanto o método de produção tradicional faz uso de produtos
químicos para controle de pragas de forma uniforme, tratando toda a área da mesma
forma, a Agricultura de Precisão utiliza as informações da lavoura para a tomada de
decisão para o manejo adequado de cada região da plantação. O SR é essencial para a
24
AP, fornecendo informações para a análise e devidas correções, visando a qualidade e
produtividade da lavoura, sem o uso desnecessário de recursos.
2.1.2 Veículos Aéreos Não Tripulados
Veículos Aéreos Não Tripulados são aeronaves controladas remotamente que dis-
pensam tripulação. É comum o uso do termo ŞdroneŤ para designar esse tipo de aeronave,
esse nome é uma forma informal de nomenclatura, criado nos Estados Unidos, que se
refere a qualquer aeronave não tripulada independente de sua Ąnalidade.
Segundo o Departamento de Controle do Espaço Aéreo[12], um VANT pode ser
entendido como Şum veículo aéreo projetado para operar sem piloto a bordo, que possua
uma carga útil embarcada e que não seja utilizado para Ąns meramente recreativosŤ,
sendo a carga útil Şequipamentos a bordo de um VANT que não são necessários para o
voo e nem para o seu controle. O seu transporte visa, exclusivamente, o cumprimento de
uma missão especíĄcaŤ. Assim, um equipamento para a aquisição de imagens acoplado
a aeronave pode ser visto como carga útil. Juntamente com uma forma de aquisição
de imagens e um sistema de localização é possível sobrevoar áreas agrícolas capturando
imagens para posterior análise[7].
Os componentes básicos de um VANT são uma estação de controle em solo, de
onde é possível acompanhar o trajeto da aeronave, um GPS para a localização e um
piloto automático. Com um equipamento de transmissão de dados é possível ter acesso às
informações obtidas em tempo real. Além disso, os drones podem utilizar diferentes formas
de aquisição de imagens como, por exemplo, câmeras RGB, térmicas, multiespectrais e
hiperespectrais[8].
Assim como as imagens obtidas por meio de satélites, as fotograĄas aéreas podem
ser utilizadas para mapeamento, avaliação do solo, detecção de pragas e anomalias da
lavoura. Utilizar uma aeronave não tripulada como forma de Sensoriamento Remoto tem
por vantagem a viabilidade de realizar um monitoramento com maior frequência, com a
possibilidade de se obter imagens diariamente, podendo utilizar dispositivos de aquisição
de imagens com diferentes conĄgurações para os mais diversos Ąns. Além disso, as imagens
capturadas por um drone podem ter alta resolução, estão mais próximas do solo e não
são inĆuenciadas por nuvens. Dessa forma um VANT se torna uma alternativa de menor
custo ao uso de satélites para SR[6][4][7].
2.1.3 Distorção de Lente
Durante o processo de aquisição de imagens pode ocorrer algum tipo de deformação
na imagem capturada. Em alguns casos a aberração é uma distorção geométrica gerada
pela lente da câmera, esse tipo de alteração da imagem pode ser entendido como uma
curvatura paraboloidal em um plano[13].
26
O índice comumente encontrado na literatura é o Excess Green (ExG)[17][16][18][11],
ele realiza o realce da cor verde da plantação, geralmente seguido de uma técnica de limi-
arização para a segmentação. O índice pode ser deĄnido por = 2 ⊗ ⊗ , sendo ,
, :
=
+ + ; =
+ + ; =
+ + ;
os valores , e referem-se ao valor do pixel. Esse índice apresenta bons resultados
quando aplicada em uma vegetação saudável, que não possua danos que modiĄquem a
coloração das folhas[19].
2.1.5 Imagem Digital
Uma imagem digital pode ser entendida como uma matriz bidimensional, onde
cada célula contém um pixel. Uma matriz se assemelha a um plano cartesiano, entretanto
sua origem está localizada no canto superior esquerdo e não há coordenadas negativas.
Sendo que um pixel é a unidade básica de uma imagem digital e é resentado por um
número, ou um conjunto de números, que representam a cor. Desse modo uma imagem
pode ser entendida como uma função (, ), onde e são as coordenadas do pixel e a
saída da função é o valor (ou valores) do pixel[20][13].
Uma imagem digital pode ser representada em escala de cinza ou com cores. Em
uma imagem com tons de cinza, o valor do pixel varia em um intervalo entre zero e
⊗ 1, onde zero é a cor preta, ⊗ 1 é a cor branca e os valores intermediários são os
valores da escala de cinza. A representação de uma imagem colorida, apesar de existirem
outras formas de representação, utilizam comumente o formato RGB, ou seja, cada pixel
contém três valores: vermelho (R Ű red), verde (G Ű green) e azul (B Ű blue). A combinação
das cores de cada canal gera a cor desejada[20].
Uma terceira representação de uma imagem é a forma binária, onde existem apenas
duas cores: preto e branco, sendo que esses valores são comumente representados com os
números zero e um respectivamente.
2.1.6 Segmentação
Segmentar uma imagem consiste em separar regiões de interesse (ROI, Region
Of Interest). Esse é um passo de extrema importância para a avaliação do conteúdo da
imagem, erros nessa etapa geram erros na avaliação Ąnal do conteúdo[21].
A Equação (2.4) deĄne a segmentação de uma imagem em um número Ąnito
de sub-regiões. A intersecção dessas regiões deve resultar em um conjunto vazio, ou seja,
a mesma área da imagem não deve ser classiĄcada em dois grupos. Além disso, a união
27
das diferentes regiões segmentadas deve resultar na imagem original[13].
=n
i=1
i, i ∩ j = ∅, = (2.4)
Uma forma comum e rápida de segmentação é a limiarização, que divide a imagem
em fundo e região de interesse. Para realizar essa divisão utiliza-se um valor para a
classiĄcação, os valores menores que são classiĄcados como fundo enquanto os valores
acima são classiĄcados como ROI[13][22]. A limiarização pode ser descrita pela Equação
(2.5), em que os pontos da imagem de entrada são avaliados em relação ao limiar ,
gerando uma imagem com duas regiões: preto (0) e branco (1), onde preto representa
o fundo e branco a área buscada. Se o valor de é Ąxo para toda a imagem o processo
é chamado de limiarização global, caso o valor mude para algumas regiões da imagem é
chamado de limiarização local. No geral, a utilização um limiar global é feita quando se
tem uma distinção entre a região de interesse e o fundo da imagem[23].
(, ) =
⎩
1 se (, ) >
0 se (, ) ⊘ (2.5)
Uma abordagem para a escolha do limiar é o método de Otsu, que obtém o valor
ótimo para o limiar. O cálculo do valor a ser usado é feito utilizando o histograma da
imagem, sendo que um histograma é a contagem do número de ocorrências de cada valor
de pixel dentro do intervalo [0, ⊗ 1], um histograma pode ser expresso como ℎ(k) = k,
onde k é k-ésimo valor e k é o número de pixels com esse valor[23].
2.1.7 Suavização de Imagens
Suavizar uma imagem é um processo para redução de ruídos, também é utilizado
para remover alguns detalhes para a extração de regiões de interesse. O Ąltro de média
é uma forma de suavizar a imagem. Esse Ąltro avalia os valores dos pixels adjacentes de
um dado pixel, substituindo seu valor pela média dos valores. Seja uma imagem e ,
a coordenada de um ponto, o resultado da imagem suavizada é deĄnida pela Equação
(2.6). Esse processo é aplicado a todos os pontos da imagem[23].
(, ) =19
( ⊗ 1, ⊗ 1) +19
( ⊗ 1, ) +19
( ⊗ 1, + 1)
+19
(, ⊗ 1) +19
(, ) +19
(, + 1)
+19
( + 1, ⊗ 1) +19
( + 1, ) +19
( + 1, + 1) (2.6)
28
2.2 Trabalhos Correlatos
Recursos do processamento de imagem vêm sendo empregados para a detecção de
ervas daninhas na plantação, com fotograĄas próximas ao solo, geralmente com altura
inferior a três metros, obtidas por tratores ou até mesmo a mão[21]. A segmentação de
imagens pode ser empregada para discriminar plantação de ervas daninhas em fotogra-
Ąas de baixa altitude. Gée et al.[24] utiliza fotograĄas de vários ângulos, então estima a
orientação da Ąleira da plantação e então avalia a infestação de ervas daninhas.
A obtenção de imagens aéreas se dá de várias formas, como por exemplo o trabalho
de Ponti[11] que utiliza um balão a gás, observando a cobertura verde da plantação, falhas
e áreas degradadas, utilizando índices de vegetação.
Dado as vantagens de uso de um VANT como substituto de satélites na aquisição
de imagens, trabalhos como o desenvolvido por Vega et al.[5] exploram a combinação
de um drone com sensores para avaliar as fotograĄas de uma plantação de girassol para
avaliar índice relacionado a vegetação (NDVI, Normalized Difference Vegetation Index).
O NDVI também pode ser utlizado utilizado para avaliar a biomassa de plantações de
arroz[4]. Torres-Sánchez et al.[16], monitora uma plantação, em duas altitudes diferentes,
com uma câmera RGB avaliando diferentes índices de vegetação. Já Primicerio et al.[25],
avalia o índice para pequenas propriedades vinicultoras.
O trabalho de Bendig, Bolten e Bareth[26], ressalta que uma aeronave não tri-
pulada pode ser explorada por propriedades pequenas, no trabalho é utilizado um drone
equipado com uma câmera RGB para monitorar plantações de cevada a uma altitude de
100 metros e acompanhar o crescimento da planta, também são coletados dados em solo
para realizar um comparativo. Com as informações obtidas é calculado a altura aproxi-
mada das plantas, gerando um modelo de cobertura da superfície.
Além disso, é possível explorar a Ćexibilidade oferecida pelos drones para acom-
panhar o uso de fertilizantes no solo, além de infestações de insetos, como lagartas, e a
capacidade de drenagem do solo[27]. O trabalho proposto por Rokhmana[1] utiliza aerona-
ves autônomas para diferentes atividades como calcular a quantidade de árvores, calcular
a área de pequenos campos de produção, avaliar a quantidade de palmeiras por hectare e
calcular o volume de produção de um canavial.
Visando suprir as deĄciências do SR utilizando satélites e aeronaves tripuladas,
Xiang e Tian[28] propõe o desenvolvimento de um VANT, com equipamentos para cálculo
da posição da aeronave e uma câmera com sensor capaz de capturar imagens próximas ao
infravermelho, além de uma estação de solo para planejamento do voo e acompanhamento
em tempo real. O sistema proposto foi testado monitorando a aplicação de herbicida em
um terreno coberto por grama. Foi constatada a diferença de apenas 1,5% das medidas
da aeronave com a veriĄcação em solo.
29
Com o intuito de explorar as vantagens dos drones sobre os satélites, Berni et al.[29]
exploram os recursos das câmeras termais e multiespectrais para extrair informações da
lavoura e obter índices relativos a vegetação. Dentre os problemas encontrados no trabalho
o autor se deparou com a distorção de lente, limitação do tempo de voo e limite de
velocidade. Também é ressaltado que as aeronaves não tripuladas atendem as necessidades
de aquisição de imagens em alta resolução com alta frequência para a agricultura de
precisão.
31
3 DESENVOLVIMENTO
3.1 Aquisição das Imagens
As imagens utilizadas para o desenvolvimento do trabalho foram obtidas por uma
câmera PHANTOM VISION FC200, no formato JPEG, com o tamanho de 4384x3288
pixels, exemplos das imagens utilizadas em diferentes alturas podem ser visualizadas na
Figura 2. No total foram utilizadas 43 imagens, obtidas em quatro alturas distintas. Foram
utilizadas 21 imagens a 12 metros (Figura 2a), 14 a 20 metros (Figura 2b), cinco a 40
metros (Figura 2c) e três a 60 metros (Figura 2d). A relação com a quantidade de imagens
e a altura pode ser visualizada na Tabela 1.
(a) Imagem a 12m (b) Imagem a 20m
(c) Imagem a 40m (d) Imagem a 60m
Figura 2 Ű Exemplo de imagens em diferentes alturas
Tabela 1 Ű Relação de imagens por altitude
Altitude (m) Número de Imagens12 2120 1440 560 3
32
3.2 Método Proposto
O método desenvolvido (d) teve enfoque em encontrar falhas em meio a planta-
ção, mais precisamente áreas de solo exposto, com tamanho relevante para avaliação por
um especialista. Esse processo consiste em dois passos básicos, o primeiro é a correção da
distorção de lentes e o segundo é a segmentação da área de interesse.
3.2.1 Correção da Distorção
Visto que para o correto manejo da propriedade é necessário identiĄcar a localiza-
ção do problema, distorções podem diĄcultar a interpretação da imagem e ocasionar na
interpretação errada do local onde uma anomalia é encontrada. Sendo assim, é necessário
realizar a correção de eventuais distorções das imagens, para facilitar a compreensão e
evitar uma avaliação errônea do local do problema encontrado. As imagens obtidas apre-
sentam uma distorção de lente, como pode ser visualizado na Figura 2. Para a correção
foi utilizada a Equação (2.3), com os parametros1 n:
⎩
1 = ⊗0.354597
2 = 0.119435
3 = ⊗0.018339
A Figura 3 exibe a imagem após a correção.
Figura 3 Ű Exemplo de imagem após a correção
3.2.2 Segmentação
Com a distorção corrigida as imagens são reduzidas para o tamanho de 50x37, apro-
ximadamente 0,01% do total de pixels da imagem original. O processo de redução de uma
imagem consiste na reamostragem, ou mais precisamente uma subamostragem, da imagem
original em que é utilizado um número menor de pixels para a sua representação[23]. Ao
se realizar a subamostragem são perdidas algumas características da imagem, entretanto
1 coeficientes obtidos em: <http://www.andrewshears.com/Docs/PHANTOM_VISION_FC200.lcp>
33
com esse processo algumas regiões pequenas que não representam uma área de interesse,
como por exemplo as áreas de solo entre duas Ąleiras paralelas de plantação, são homoge-
neizadas com a cultura. Como essa etapa gera uma imagem com poucos pixels as etapas
de processamento seguintes serão mais rápidas do que se as operações fossem aplicadas
na imagem original, visto que apenas cerca de 0,01% do total de pixels serão processados.
Figura 4 Ű Sequência de passos para a segmentação
Após a redução da imagem, é feita a transformação de cor de RGB para escala
de cinza, ou seja a imagem passa a ser representada por níveis de cinza, no caso 256,
deixando o pixel com um valor entre 0 e 255. A conversão consiste na média das cores dos
canais da imagem. Com a imagem em tons de cinza é utilizado um Ąltro de média para
a suavização da imagem, esse procedimento elimina os ruídos da imagem[23].
A imagem em tons de cinza então é binarizada, ou seja, a imagem passa a ser
representada apenas por dois valores que simbolizam preto e branco, sendo esses valores
de fundo e região de interesse respectivamente. O processo de binarização é feito com a
limiarização descrita pela Equação (2.5), a escolha do valor do limiar foi a metade do
valor do nível de cinza da imagem.
Após o processo de limiarização tem-se uma imagem com as regiões de interesse
bem deĄnidas, entretanto seu conteúdo por si só não traz informação suĄciente para a
interpretação. Para se recuperar a informação do terreno, a imagem binária é ampliada
para o tamanho da imagem original e é utilizada como uma máscara sobre a imagem sem
a distorção. Ao Ąnal da operação se tem a segmentação das áreas visadas para a avaliação
34
(a) Imagem original (b) Correção da distorção (c) Imagem reduzida
(d) Imagem em tons de cinza (e) Imagem suavizada (f) Imagem binarizada
(g) Imagem binarizada comescala ampliada
(h) Imagem resultante
Figura 5 Ű Etapas do processamento
por um proĄssional.
A Figura 4 exibe de forma gráĄca e sintetizada os passos realizados para a seg-
mentação proposta, enquanto a Figura 5 exibe os resultados de cada etapa. Os passos do
método proposto podem ser sumarizados da seguinte forma:
∙ Passo 1: Carregar a imagem do drone para a avaliação (Figura 5a)
∙ Passo 2: Correção da distorção (Figura 5b)
∙ Passo 3: Redução da imagem (Figura 5c)
∙ Passo 4: Transformação da imagem para tons de cinza (Figura 5d)
∙ Passo 5: Suavização da imagem (Figura 5e)
∙ Passo 6: Limiarização (Figura 5f)
∙ Passo 7: Ampliação da máscara (Figura 5g)
35
∙ Passo 8: Aplicação da máscara na imagem resultante do Passo 2 (Figura 5h)
3.3 Métodos Alternativos
A Ąm de explorar técnicas de segmentação discutidas na literatura, alguns passos
do método proposto foram alterados com o intuito de avaliar os resultados de conceitos
já aplicados em imagens agrícolas unido ao método desenvolvido.
Foram desenvolvidas duas abordagens alternativas, na primeira (A1) o valor do
limiar utilizado no passo passo 6 é calculado para cada imagem com o método de Otsu,
não sendo mais um valor Ąxo para toda a base. O segundo método alternativo (A2)
altera dois passos do processo: no passo 4 a imagem é transformada em tons de cinza com
o índice de vegetação ExG, o passo 6 também é alterado para utilizar o método de Otsu
para a escolha do limiar de cada imagem.
Tanto o método do Otsu para a limiarização quanto o ExG são comumente em-
pregados no que diz respeito ao processamento de imagens agrícolas[16]. Sendo assim,
essas técnicas serão empregas, dentro dos passos especiĄcados, como formas alternativas
de segmentação e ter seus resultados comparados com o processo original.
3.4 IdentiĄcação do Marcador
As imagens foram obtidas em quatro altitudes diferentes e uma das imagens contém
um marcador branco. O tamanho do marcador é conhecido, possui um metro quadrado,
com isso é possível calcular a área da imagem segmentada.
Para identiĄcar o marcador foi utilizado a limiarização. Como a cor do marcador é
branca o valor dos pixels são próximos a 255, entretanto podem haver variações devido a
iluminação na aquisição da imagem, é mantindo um valor elevado, porém não igual a 255.
Então para se escolher o valor do limiar foi calculado a média dos pixels da imagem e
somado o desvio padrão, os valores dos limiares e o número de pixels do marcador podem
ser visualizados na tabela 2. As imagens com os marcadores e seus respectivos resultados
da limiarização podem ser vistos na Figura 6.
Tabela 2 Ű Informações dos marcadores
Altitude (m) Limiar Pixels do Marcador12 249 1016420 241 849940 249 353960 248 1905
36
(a) Marcador a 12m (b) Marcador segmentado a 12m
(c) Marcador a 20m (d) Marcador segmentado a 20m
(e) Marcador a 40m (f) Marcador segmentado a 40m
(g) Marcador a 60m (h) Marcador segmentado a 60m
Figura 6 Ű IdentiĄcação dos Marcadores
37
4 RESULTADOS
As imagem obtidas ao Ąnal do processo de segmentação contém áreas menores
que exibem o solo em meio a plantação. Essas regiões servem de base para a avaliação
de um proĄssional e a tomada de decisão para a correção do problema. O especialista
poderá descartar a região destacada caso a mesma seja interpretada como um erro na
segmentação ou não relevante para correção.
(a) Imagem original (b) Resultado da segmentação
Figura 7 Ű Segmentação menor que a área de falha
O resultado da segmentação em alguns casos destacou apenas uma pequena área de
uma possível ROI, como pode ser visto na Figura 7, onde parte da área do solo descoberta
é classiĄcada como vegetação. Entretanto com a identiĄcação de parte do problema já é
possível avaliar a posição da falha e a averiguação integral da região.
O segundo método alternativo, como realça as regiões verdes, tem a necessidade
de inversão da mascara já que a ideia do ExG é encontrar as áreas verdes e não o solo. A
inversão pode ser vista na Figura 8.
(a) Máscara original (b) Máscara invertida
Figura 8 Ű Inversão da máscara
38
Observando a Figura 9 é possível ver um exemplo do resultado da segmentação
em imagens de uma altura de 60 metros, sendo que o comportamento foi semelhante
para todas as imagens da mesma altura. Na Figura 9c se tem o resultado da limiarização
utilizando o método A1, a área classiĄcada como fundo consiste, porém não por com-
pleto, na região em que se tem a cultura em um estado mais avançado, onde já não é
possível visualizar o solo, deixando o restante da imagem como região de interesse. Já o
método A2 (Figura 9d), realizou uma segmentação semelhante, mas também selecionou
como fundo as regiões mais homogêneas de plantação, com pouca visibilidade do solo,
deixando as ROIs como as regiões onde não há grandes aglomerados de plantação. Já a
proposta original segmentou como ROI as regiões onde há áreas com um aglomerado de
solo exposto.
(a) Imagem original (b) Resultado da limiarização fixo
(c) Resultado da limiarização comOtsu
(d) Resultado da limiarização comOtsu e ExG
Figura 9 Ű Comparação dos métodos a 60 metros
Em voos a 40 metros (Figura 11), o método A1 continuou classiĄcando as áreas
mais desenvolvidas como fundo, entretanto deixa visível parte dessa cultura avançada,
um exemplo pode ser visto na Figura 10c. O método A2 (Figura 10d), segmentou como
fundo, além da área mais em um estado mais avançado, regiões onde há uma concentração
de verde maior, apesar disso ainda deixou uma área muito grande para ser avaliada pelo
especialista. d deixou as menores regiões como ROI, porém em imagens como a Figura
10b não Ąca claro se a algumas dessas áreas segmentadas é um local que necessita de
39
correção ou se foi uma falha de segmentação, e em outras regiões é possivel vizualizar
uma grande quantidade de vegetação.
Apesar do problema descrito no método d, em outro caso a segmentação apre-
senta a área com grande quantidade de solo visível, a 40 metros pode ser visto na Figura
11b, onde o método destacou uma grande região descoberta enquanto os métodos A1
(Figura 11c) e A2 (Figura 11d) mantiveram seu comportamento.
(a) Imagem original (b) Resultado da limiarização fixo
(c) Resultado da limiarização comOtsu
(d) Resultado da limiarização comOtsu e ExG
Figura 10 Ű Comparação dos métodos a 40 metros
As imagem a 20 metros do solo (Figura 12), o método A1 (Figura 12c) não
limitou-se a segmentar apenas as regiões em estado avançado da cultura como nas altitudes
anteriores, as regiões mais novas também foram classiĄcadas como fundo. Já A2 (Figura
12d) deixou grandes áreas para serem avaliadas, mas nota-se que sempre, mesmo que em
partes, indicou as marcas decorrentes do manejo, também foi considerado como região de
interesse áreas com sombra. O método original deixou como regiões de interesse pequenas
áreas, incluindo ROIs onde há apenas vegetação, além de indicar algumas regiões com
pouca vegetação como fundo, como mostrado anteriormente na Figura 7.
A 12 metros de altura (Figura 13), os métodos mantiveram o comportamento
da segmentação a 20 metros, sendo que A1 classiĄcou áreas em estados diferentes de
evolução como fundo, A2 continuou classiĄcando as áreas com maior concentração de
40
(a) Imagem original (b) Resultado da limiarização fixo
(c) Resultado da limiarização comOtsu
(d) Resultado da limiarização comOtsu e ExG
Figura 11 Ű Comparação dos métodos a 40 metros (2)
Tabela 3 Ű Média da área classiĄcada como solo
Altitude (m) d (2) A1 (2) A2 (2)12 92,1469104762 608,5381609524 645,145915714320 48,9335969071 769,6471071429 872,60302540 325,342184 3084,03784 1585,001660 816,99648 4394,2084333333 3686,7047666667
verde como fundo, além de deixar como ROI regiões de sombra. d classiĄcou as menores
regiões, no geral onde há solo visível, mesmo que apenas uma pequena região.
Com o marcador identiĄcado é possível mensurar a área segmentada como solo. A
Tabela 3 exibe a média da área classiĄcada como solo em cada altitude. Com os dados da
tabela é possível visualizar que d gerou as menores ROIs, sendo que a altidude de 20
metros foi a que gerou mas menores áreas para esse método. Para A1 e A2 as menores
regiões foram geradas na altitude de 12 metros, entretanto ainda foram signiĄcativamente
maiores em comparação com d.
Ainda avaliando a Tabela 3 é possível veriĄcar que os valores para 12 e 20 metros
dos métodos A1 e A2 são próximos, com as áreas menores destacadas pelo limiar de
Otsu, para as altitudes de 40 e 60 metros se tem uma diferença maior entre as propostas,
com a combinação de ExG com Otsu gerando as menores áreas.
41
(a) Imagem original (b) Resultado da limiarização fixo
(c) Resultado da limiarização comOtsu
(d) Resultado da limiarização comOtsu e ExG
Figura 12 Ű Comparação dos métodos a 20 metros
Dessa forma é possível notar que as regiões encontradas pela limiarização com um
único valor Ąxo, de modo geral classiĄcou as regiões onde há maior concentração de solo
exposto, tendo seus melhores resultados a uma altitude de 60 metros.
42
(a) Imagem original (b) Resultado da limiarização fixo
(c) Resultado da limiarização comOtsu
(d) Resultado da limiarização comOtsu e ExG
Figura 13 Ű Comparação dos métodos a 12 metros
43
5 DISCUSSÃO E CONCLUSÃO
O uso de um VANT como forma de SR para obtenção de imagens mostra-se como
uma alternativa ao uso de satélites viabilizando a adoção da Agricultura de Precisão,
inclusive por propriedades pequenas.
Dentre as vantagens do uso de aeronaves não tripuladas vale ressaltar o baixo custo
em relação ao uso de satélites, a Ćexibilidade para adaptação do drone para eventuais ne-
cessidades do monitoramento, como por exemplo o monitoramento em diferentes alturas
e a troca de câmeras. Com o uso de diferentes câmeras é possível obter imagens hiperes-
pectrais e multiespectrais, possibilitando a veriĄcação de diferentes tipos de problemas
na lavoura. Outro ponto a ser destacado é a possibilidade de monitorar o crescimento
da lavoura, analisando as imagens e identiĄcando os problemas em tempo hábil para a
correção.
Em comparação com os satélites os drones precisam adquirir um número maior
de imagens para monitorar uma área, sendo assim o processamento automático se torna
um grande aliado para a identiĄcação de problemas na lavoura. Entretanto possibilitam a
aquisição das imagens ao longo do desenvolver da cultura, assegurando uma alta resolução
temporal. O controle da altitude do voo também pode ser feita de modo a atender as
necessidades do monitoramento, sendo obtidas a uma altitude mais baixa terão uma
resolução espacial maior, entretanto será necessário mais imagens para o monitoramento.
Um grande número de imagens pode demandar muito tempo para a avaliação
do especialista, então um método automático de segmentação auxilia na avaliação das
imagens, visto que reduz a área a ser analisada. Sendo assim o método proposto tem
a Ąnalidade de identiĄcar as áreas relevantes para agilizar o trabalho do especialista,
auxiliando a tomada de decisão quanto a correção do problema.
O método proposto teve a melhor segmentação em altitudes mais elevadas, sendo
que em 60 metros teve o melhor resultado, resultando nas menores áreas e com solo
visível. O método A1 basicamente, nessa altura, classiĄcou a lavoura conforme seu de-
senvolvimento, deixando a parte mais desenvolvida como fundo e o demais como região
de interesse. A2 teve uma segmentação parecida, porém também segmentou áreas com
grande concentração de verde como fundo.
Os piores resultados de d foram obtidos na altitude de 20 metros, onde foram
obtidas as menores áreas que muitas vezes não descrevem o problema. Visto o com-
portamento dessa abordagem, nota-se que mesmo com áreas verdes daniĄcadas acabam
inĆuenciando no processo Ąnal. Outro fator de inĆuência é o uso de um limiar Ąxo, que
apesar de dispensar cálculos extras muitas vezes não é capaz de representar a separação
44
das classes na imagem.
Para as imagens a 12 metros, a proposta d, apesar de apresentar algumas áreas
verdes como ROIs, no geral resultou em áreas menores em relação aos outros dois métodos,
além de apresentar regiões de solo sem cobertura vegetal.
Nota-se que o método A1 por si só não é capaz de realizar a segmentação do
solo, entretanto, para as imagens de 40 e 60 metros houve a separação entre os diferentes
estados de desenvolvimento da cultura, podendo ser explorado pela AP para esses Ąns.
O método A2 apresenta um bom resultado para segmentar áreas onde há grande
concentração de verde, podendo ser explorado quando a cultura estiver em estado mais
avançado quando há pouca ou nenhuma visibilidade do solo.
Sendo assim, Ąca evidente que a escolha do valor do limiar altera o resultado Ąnal
da segmentação de solo. A resolução espacial e estágio de desenvolvimento da lavoura
inĆuenciam no valor a ser utilizado para a melhor classiĄcação possível.
Utilizar um VANT como forma de aquisição de imagens apresenta os recursos
necessários para se realizar o monitoramento da lavoura, favorecendo o acompanhamento
com o seu desenvolver. O método proposto auxilia na identiĄcação de falhas na lavoura,
sua aplicação deve ser feita preferencialmente a uma altitude de 60 metros.
5.1 Trabalhos Futuros
Acompanhar o desenvolver da cultura e realizar o parecer da informação obtida
é essencial para a AP, assim sugere-se a aplicação do método em estados diferentes da
lavoura. Além disso, o estudo da escolha do limiar e tamanho da redução da imagem pode
melhorar os resultados, sanando os problemas encontrados pelo método.
45
REFERÊNCIAS
[1] ROKHMANA, C. A. The Potential of UAV-based Remote Sensing forSupporting Precision Agriculture in Indonesia. Procedia Environmental Sciences,Elsevier B.V., v. 24, p. 245Ű253, 2015. ISSN 18780296. Disponível em:<http://linkinghub.elsevier.com/retrieve/pii/S1878029615001000>.
[2] MANDAL, S. K.; MAITY, A. Precision Farming for Small Agricultural Farm: Indian Scenario. American Journal of Experimental Agriculture, v. 3, n. 1, p.200Ű217, 2013.
[3] LIAGHAT, S.; BALASUNDRAM, S. K. A Review : The Role of RemoteSensing in Precision Agriculture. American Society of Agricultural andBiological Engineers, v. 5, n. 1, p. 50Ű55, 2010. ISSN 1557-4989. Dis-ponível em: <https://www.dropbox.com/s/6b744cn45j007mq/Liaghat,Balasundram-2010-AReviewTheRoleofRemoteSensinginPrecisionAgriculture.pdf?dl=0>.
[4] SWAIN, K. C.; THOMSON, S. J.; JAYASURYA, H. P. W. Adoption of anunmanned helicopter for low-altitude remote sensing to estimate yield and totalbiomass of a rice crop. Transactions of the ASAE . . . , v. 53, n. 1, p. 21Ű27, 2010.ISSN 2151-0032. Disponível em: <http://ddr.nal.usda.gov/handle/10113/41029>.
[5] VEGA, F. A. et al. Multi-temporal imaging using an unmanned aerial vehiclefor monitoring a sunĆower crop. Biosystems Engineering, v. 132, p. 19Ű27, 2015.ISSN 15375110. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S1537511015000185>.
[6] ZHANG, C.; KOVACS, J. M. The application of small unmanned aerial systemsfor precision agriculture: a review. Precision Agriculture, v. 13, n. 6, p. 693Ű712,2012. ISSN 1385-2256. Disponível em: <http://link.springer.com/10.1007/s11119-012-9274-5>.
[7] SWAIN, K. C.; ZAMAN, Q. U. Rice crop monitoring with unmanned helicopterremote sensing images. Remote Sensing of Biomass- Priciples and Applications, p.254Ű272, 2012. ISSN 978-953-51-0313-4.
[8] JORGE, L. A. d. C.; INAMAS, R. Y. Uso de veículos aéreos não tripulados (VANT)em Agricultura de Precisão. Embrapa Instrumentação, p. 109Ű134. Disponívelem: <http://pesquisaemeducacaoufrgs.pbworks.com/w/Ąle/fetch/64878127/WillianCostaRodrigues\_metodologia\_cientiĄca.pdf>.
[9] LEE, W. S.; EHSANI, R. Sensing systems for precision agriculture in Florida.Computers and Electronics in Agriculture, Elsevier B.V., v. 112, p. 2Ű9, 2014.ISSN 01681699. Disponível em: <http://linkinghub.elsevier.com/retrieve/pii/S0168169914002865>.
[10] LAN, Y. et al. Current status and future directions of precision aerial applicationfor site-speciĄc crop management in the USA. Computers and Electronics in
46
Agriculture, Elsevier B.V., v. 74, n. 1, p. 34Ű38, 2010. ISSN 01681699. Disponívelem: <http://dx.doi.org/10.1016/j.compag.2010.07.001>.
[11] PONTI, M. P. Segmentation of Low-Cost Remote Sensing Images CombiningVegetation Indices and Mean Shift. IEEE Geoscience and Remote SensingLetters, v. 10, n. 1, p. 67Ű70, 2013. ISSN 1545-598X. Disponível em: <http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=6202674>.
[12] Departamento de Controle do Espaço Aéreo. AIC-N 21/10: Veículos Aéreos nãoTripulados. 2010. 7 p. Disponível em: <http://publicacoes.decea.gov.br>.
[13] SONKA, M.; HLAVAC, V.; BOYLE, R. Image Processing, Analysis and MachineVision. third. [S.l.]: Thomson, 2008.
[14] VASS, G.; PERLAKI, T. Applying and removing lens distortion in post production.In: Proceedings of the 2nd Hungarian Conference on Computer Graphics andGeometry. [s.n.], 2009. p. 9Ű16. Disponível em: <http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.136.3745&rep=rep1&type=pdf>.
[15] HUGEMANN, W. Correcting lens distortions in digital photographs. IngenieurbüroMorawski+ Hugemann: Leverkusen, . . . , p. 1Ű12, 2010. Disponível em:<ftp://mirrors.linsrv.net/pub/imagemagick\_html/Usage/lens/correcting\_lens\_distortions.pdf>.
[16] TORRES-SáNCHEZ, J. et al. Multi-temporal mapping of the vegetationfraction in early-season wheat Ąelds using images from UAV. Computers andElectronics in Agriculture, v. 103, p. 104Ű113, 2014. ISSN 01681699. Disponível em:<http://linkinghub.elsevier.com/retrieve/pii/S0168169914000568>.
[17] MONTALVO, M. et al. Automatic detection of crop rows in maize Ąeldswith high weeds pressure. Expert Systems With Applications, Elsevier Ltd,v. 39, n. 15, p. 11889Ű11897, 2012. ISSN 0957-4174. Disponível em: <http://dx.doi.org/10.1016/j.eswa.2012.02.117>.
[18] MEYER, G. E.; NETO, J. a. C. VeriĄcation of color vegetation indicesfor automated crop imaging applications. Computers and Electronics inAgriculture, v. 63, n. 2, p. 282Ű293, 2008. ISSN 01681699. Disponível em:<http://linkinghub.elsevier.com/retrieve/pii/S0168169908001063>.
[19] HERNáNDEZ-RABADáN, D. L. Method for Segmenting Tomato Plants inUncontrolled Environments. Engineering, v. 04, n. October, p. 599Ű606, 2012. ISSN1947-3931.
[20] BREU, F.; GUGGENBICHLER, S.; WOLLMANN, J. Practial ComputerVision with SimpleCV. [s.n.], 2008. 241 p. ISBN 9781449320362. Disponível em:<http://medcontent.metapress.com/index/A65RM03P4874243N.pdf>.
[21] BURGOS-ARTIZZU, X. P. et al. Analysis of natural images processingfor the extraction of agricultural elements. Image and Vision Computing,Elsevier B.V., v. 28, n. 1, p. 138Ű149, 2010. ISSN 02628856. Disponível em:<http://dx.doi.org/10.1016/j.imavis.2009.05.009>.
47
[22] LAILEE, S. et al. Segmentation of Natural Images Using an Improved Thresholding-Based Technique. v. 41, n. Iris, p. 938Ű944, 2012. ISSN 1877-7058. Disponível em:<http://dx.doi.org/10.1016/j.proeng.2012.07.266>.
[23] GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. 3. ed. [S.l.]:Prentice-Hall, Inc., 2006. 976 p. ISBN 013168728X.
[24] GéE, C. et al. Crop/weed discrimination in perspective agronomic images. Computersand Electronics in Agriculture, v. 60, n. 1, p. 49Ű59, 2008. ISSN 01681699. Disponívelem: <http://linkinghub.elsevier.com/retrieve/pii/S0168169907001470>.
[25] PRIMICERIO, J. et al. A Ćexible unmanned aerial vehicle for precision agriculture.Precision Agriculture, v. 13, p. 517Ű523, 2012. ISSN 13852256.
[26] BENDIG, J.; BOLTEN, A.; BARETH, G. UAV-based Imaging for Multi-Temporal,very high Resolution Crop Surface Models to monitor Crop Growth Variability.Photogrammetrie - Fernerkundung - Geoinformation, v. 6, n. December, p. 551Ű562,2013. ISSN 14328364.
[27] ZHANG, C.; WALTERS, D.; KOVACS, J. M. Applications of Low Altitude RemoteSensing in Agriculture upon FarmersŠ Requests- A Case Study in NortheasternOntario, Canada. PloS one, v. 9, n. 11, p. e112894, 2014. ISSN 1932-6203. Disponívelem: <http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=4227877&tool=pmcentrez&rendertype=abstract>.
[28] XIANG, H.; TIAN, L. Development of a low-cost agricultural remote sensingsystem based on an autonomous unmanned aerial vehicle (UAV). BiosystemsEngineering, IAgrE, v. 108, n. 2, p. 174Ű190, 2011. ISSN 15375110. Disponível em:<http://dx.doi.org/10.1016/j.biosystemseng.2010.11.010>.
[29] BERNI, J. a. J. et al. Thermal and Narrowband Multispectral Remote Sensing forVegetation Monitoring From an Unmanned Aerial Vehicle. IEEE Transactions onGeoscience and Remote Sensing, v. 47, n. 3, p. 722Ű738, 2009. ISSN 0196-2892.Disponível em: <http://ieeexplore.ieee.org/xpls/abs\_all.jsp?arnumber=4781>.
http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=4227877&tool=pmcentrez&rendertype=abstract
