ANDRÉ MINORO FUSIOKA

SEGMENTAÇÃO DE IMAGENS AÉREAS DE VEÍCULOSAÉREOS NÃO TRIPULADOS PARA A AGRICULTURA DE

PRECISÃO

LONDRINA–PR

2015

ANDRÉ MINORO FUSIOKA

SEGMENTAÇÃO DE IMAGENS AÉREAS DE VEÍCULOSAÉREOS NÃO TRIPULADOS PARA A AGRICULTURA DE

PRECISÃO

Versão Preliminar de Trabalho de Conclusãode Curso apresentado ao curso de Bachare-lado em Ciência da Computação da Univer-sidade Estadual de Londrina para obtençãodo título de Bacharel em Ciência da Compu-tação.

Orientador: Prof. Dr. Sylvio Barbon Junior

LONDRINA–PR

2015

André Minoro FusiokaSegmentação de imagens aéreas de veículos aéreos não tripulados para a agri-

cultura de precisão/ André Minoro Fusioka. – Londrina–PR, 2015-37 p. : il. (algumas color.) ; 30 cm.

Orientador: Prof. Dr. Sylvio Barbon Junior

– Universidade Estadual de Londrina, 2015.

1. Palavra-chave1. 2. Palavra-chave2. I. Orientador. II. Universidade xxx. III.Faculdade de xxx. IV. Título

CDU 02:141:005.7

Este trabalho é dedicado às crianças adultas que,quando pequenas, sonharam em se tornar cientistas.

“Eu acho perturbadora sua falta de fé”(Darth Vader – Star Wars)

FUSIOKA, A. M.. Segmentação de imagens aéreas de veículos aéreos não tri-pulados para a agricultura de precisão. 37 p. Trabalho de Conclusão de Curso –Versão Preliminar (Bacharelado em Ciência da Computação) – Universidade Estadual deLondrina, Londrina–PR, 2015.

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 ondese necessita atenção. Nesse sentido, as aeronaves não tripuladas podem fornecer imagensaéreas para se realizar uma interpretação do estado da lavoura, assim, objetivo dessetrabalho é desenvolver uma forma de segmentação de tais imagens agrícolas, obtendo-seas regiões de interesse.

Palavras-chave: segmentação, VANT, agricultura de precisão

FUSIOKA, A. M.. Segmentation of aerial images of unmanned aerial vehiclesfor precision agriculture. 37 p. Final Project – Draft Version (Bachelor of Science inComputer Science) – State University of Londrina, Londrina–PR, 2015.

ABSTRACT

Monitor the development of the crop, solving their needs makes them have higher pro-ductivity, so it is necessary to find and interpret the areas where needs attention. In thissense, the unmanned aerial vehicle can provide aerial images to perform an interpreta-tion of the condition of the crop, thus, the purpose of this study is to develop a way ofsegmentation such agricultural images, resulting in regions of interest.

Keywords: segmentation, UAV, precision agriculture

LISTA DE ILUSTRAÇÕES

Figura 1 – Exemplo de distorção . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21Figura 2 – Exemplo de imagens em diferentes alturas . . . . . . . . . . . . . . . . 25Figura 3 – Exemplo de imagem após a correção . . . . . . . . . . . . . . . . . . . 26Figura 4 – Sequência de passos para a segmentação . . . . . . . . . . . . . . . . . 27Figura 5 – Etapas do processamento . . . . . . . . . . . . . . . . . . . . . . . . . 29Figura 6 – Segmentação menor que a área de falha . . . . . . . . . . . . . . . . . 31Figura 7 – Segmentação de área verde como solo . . . . . . . . . . . . . . . . . . . 31Figura 8 – Comparação dos métodos de limiarização . . . . . . . . . . . . . . . . . 32Figura 9 – Inversão da máscara . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

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

SUMÁRIO

1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2 FUNDAMENTAÇÃO TEÓRICO-METODOLÓGICA E ES-TADO DA ARTE . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.1 Conceitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192.1.1 Agricultura de Precisão . . . . . . . . . . . . . . . . . . . . . . . . 192.1.2 Veículos Aéreos Não Tripulados . . . . . . . . . . . . . . . . . . . 202.1.3 Distorção de Lente . . . . . . . . . . . . . . . . . . . . . . . . . . . 202.1.4 Índices de Vegetação . . . . . . . . . . . . . . . . . . . . . . . . . . 212.1.5 Segmentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222.2 Trabalhos Correlatos . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3 DESENVOLVIMENTO . . . . . . . . . . . . . . . . . . . . . . . 253.1 Aquisição das Imagens . . . . . . . . . . . . . . . . . . . . . . . . . 253.2 Método Proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253.3 Métodos Alternativos . . . . . . . . . . . . . . . . . . . . . . . . . 28

4 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

17

1 INTRODUÇÃO

Realizar o monitoramento de áreas rurais e tomar medidas de controle para even-tuais problemas na lavoura promove uma maior produtividade. Para este fim a tecnologiase mostra de grande ajuda, podendo ser empregada para acompanhar o desenvolver dacultura, avaliando os problemas e as necessidades da mesma.

A Agricultura de Precisão (AP), oferece uma alternativa ao cultivo tradicionalintegrando 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, utilizandoas informações oriundas de diferentes meios para a tomada de decisão, visando atender asnecessidades especificas da lavoura, levando em conta as diferenças que ocorrem na áreade produção, promovendo o desenvolver da plantação de forma a gerar maior lucro, commenor impacto ambiental. Com o desenvolver da tecnologia, os recursos disponíveis paraa coleta de informação se tornam maiores, favorecendo a implantação da AP.

O monitoramento da área de cultivo se faz crucial para se realizar ações queatendam devidamente as necessidades da plantação. O Sensoriamento Remoto (SR), queconsiste em obter informações a distância, unido ao GPS (Global Positioning System)podem ser aplicados para a obtenção de imagens aéreas com o fim de avaliar as condiçõesda plantação, auxiliando na detecção de pragas, doenças e infestações, fornecendo umabase para a tomada de decisão para o devido manejo [2] [3].

É comum a utilização de satélites como forma de obtenção de imagens para aanálise de plantações, porém seu uso nem sempre está apto para fornecer as informaçõesnecessárias para a avaliação. As imagens obtidas podem estar sujeitas a interferênciaclimática, como por exemplo a ocorrência de nuvens [4] [5]. O uso de Veículos Aéreos NãoTripulados (VANT) equipados com uma ferramenta de aquisição de imagens surge comouma alternativa para se monitorar plantações, com uma resolução espacial maior, baixocusto operacional e sem a interferência climática [6] [7].

Os relatos de uso de VANTs no Brasil datam da década de 1980, para fins militares,a aplicação na área civil também tem seu inicio nesse período. A tecnologia embutida emum VANT vem crescendo, permitindo seu uso nas mais diversas atividades como, porexemplo, vigilância de fronteira e inspeção de linhas de transmissão de energia. Já naAgricultura de Precisão os VANTs trazem os mesmos recursos encontrados em satélitese em aeronaves tripuladas para o monitoramento da lavoura [8]. Desse modo o empregode VANT na AP surge como alternativa para o acompanhamento da lavoura podendo seraplicado para obter imagens durante todo o período do cultivo.

18

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 dedecisão do manejo da cultura. O emprego dessas técnicas possibilitam a análise de umgrande número de imagens em pouco tempo, facilitando a detecção de anomalias em meioa plantação em tempo hábil para correção.

Visando auxiliar no desenvolvimento das técnicas que englobam a AP, o presentetrabalho tem como objetivo processar imagens aéreas, obtidas com o auxilio de uma aero-nave não tripulada, com o propósito de segmentar áreas de interesse, para posterior análisepor um especialista. As áreas buscadas são falhas na lavoura, podendo ser decorrentes deerros no plantio, germinação ou até mesmo do manejo cultura, além de regiões onde háinvasão por plantas daninhas. Com a identificação do problema, juntamente com a infor-mação espacial fornecida pelo GPS, será possível realizar um parecer sobre o problema,avaliar a viabilidade de correção e desenvolver um planejamento para evitar a recorrenciado problema.

O trabalho está organizado da seguinte forma: A Seção 2 apresenta a definiçãodos conceitos necessários para a compreensão do trabalho. A Seção 3 apresenta o desen-volvimento do método proposto. A Seção 4 apresenta os resultados obtidos e uma brevecomparação com métodos alternativos de segmentação.

19

2 FUNDAMENTAÇÃO TEÓRICO-METODOLÓGICA E ES-TADO DA ARTE

2.1 Conceitos

A presente seção visa apresentar os conceitos teóricos básicos para compreensãodo tema do trabalho e do método proposto.

2.1.1 Agricultura de Precisão

O cultivo da propriedade agrícola de forma tradicional emprega fertilizantes e pro-dutos químicos para controle de pragas de maneira indiscriminada para todo o terreno.Essas práticas tem um impacto negativo ao meio ambiente, como por exemplo a erosão econtaminação do solo, além de não explorar todo o potencial de produção. A Agriculturade Precisão, é uma mudança na forma de produção tradicional, visando sanar os proble-mas decorrentes do plantio tradicional, trazendo uma 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 deforma a otimizar a produção. Segundo Lee e Ehsani[9], o conceito de AP está atrelado aoconhecimento da variabilidade espacial da plantação. Sendo assim, o uso do GPS (GlobalPosition System) e o Sensoriamento Remoto são tecnologias de grande importância para acorreta localização do problema [3] [10]. Com isso é possível monitorar e fornecer suportepara a tomada de decisão com base nas informações espaciais, visto que ao se saber alocalização da ocorrência de anomalias na plantação é possível se realizar o tratamentoadequado 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 resoluçõese 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]. Vistoque para a Agricultura de Precisão o monitoramento do terreno é uma tarefa crucial, oemprego de aeronaves para se obter imagens se mostra como uma alternativa com customais baixo [4], aliado ao GPS é possível monitorar a propriedade, analisando o desenvolverda cultura e tomando as devidas precauções para manter a produtividade de qualidade.

Sendo assim, enquanto o método de produção tradicional faz uso de produtosquímicos para controle de pragas de forma uniforme, tratando toda a área da mesmaforma, a Agricultura de Precisão utiliza as informações da lavoura para a tomada dedecisão para o manejo adequado de cada região da plantação. O SR é essencial para aAP, fornecendo informações para a análise e devidas correções, visando a qualidade e

20

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 “drone” para designar esse tipo de aeronave,esse nome é uma forma informal de nomenclatura, criado nos Estados Unidos, que serefere a qualquer aeronave não tripulada independente de sua finalidade.

Segundo Departamento de Controle do Espaço Aereo[12] um VANT pode ser en-tendido como “um veículo aéreo projetado para operar sem piloto a bordo, que possuauma carga útil embarcada e que não seja utilizado para fins meramente recreativos”, sendoa carga útil “equipamentos a bordo de um VANT que não são necessários para o voo enem para o seu controle. O seu transporte visa, exclusivamente, o cumprimento de umamissão específica”. Assim, um equipamento para a aquisição de imagens acoplado a aero-nave pode ser visto como carga útil. Juntamente com uma forma de aquisição de imagense um sistema de localização é possível sobrevoar áreas agrícolas capturando imagens paraposterior análise[7].

Os componentes básicos de um VANT são uma estação de controle em solo, deonde é possível acompanhar o trajeto da aeronave, um GPS para a localização e umpiloto automático. Com um equipamento de transmissão de dados é possível ter acesso àsinformações obtidas em tempo real. Além disso, os drones podem utilizar diferentes formasde aquisição de imagens como, por exemplo, câmeras RGB, térmicas, multiespectrais ehiperespectrais [8].

Assim como as imagens obtidas por meio de satélites, as fotografias aéreas podemser utilizadas para mapeamento, avaliação do solo, detecção de pragas e anomalias dalavoura. Utilizar uma aeronave não tripulada como forma de Sensoriamento Remoto tempor vantagem a viabilidade de realizar um monitoramento com maior frequência, com apossibilidade de se obter imagens diariamente, podendo utilizar dispositivos de aquisiçãode imagens com diferentes configurações para os mais diversos fins. Além disso, as imagenscapturadas por um drone podem ter uma alta resolução, estão mais próximas do solo enão são influenciadas por nuvens. Dessa forma um VANT se torna uma alternativa demenor custo ao uso de satélites para SR [6] [4] [7].

2.1.3 Distorção de Lente

Durante o processo de aquisição de imagens podem ocorrer algum tipo de de-formação na imagem capturada. Em alguns casos a aberração gerada é uma distorçãogeométrica, esse tipo de alteração da imagem pode ser entendido como uma curvaturaparaboloidal em um plano[13].

21

Uma distorção de lente comum é a distorção radial, e em muitos casos essa alte-ração não é aceitável para o processamento de imagens [14]. Sendo assim, é necessáriorealizar uma correção da imagem, mapeando cada pixel para sua posição sem a distorção.

Figura 1 – Exemplo de distorção

A Figura 1 exemplifica a distorção do tipo barril (b) e de almofada (c). SegundoHugemann[15], esse tipo de distorção pode ser descrita por uma equação matemática comoa equação (2.1), onde 𝑟 representa a distância entre o ponto e o centro da distorção e ostermos 𝑘𝑛 são os coeficientes de distorção, o autor ressalta que não é necessário utilizaruma série com muitos termos, podendo-se utilizar uma séria como a Equação (2.2).

𝐹 (𝑟) = 1 + 𝑘1𝑟 + 𝑘2𝑟2 + 𝑘3𝑟

3 + ... + 𝑘𝑛𝑟𝑛 (2.1)

𝐹 (𝑟) = 1 + 𝑘1𝑟 + 𝑘2𝑟2 + 𝑘3𝑟

3 (2.2)

Para realizar a correção a Equação (2.2) é aplicada para cada ponto da imagem,deslocando o pixel distorcido para sua posição correta, assumindo que todos os pontosda imagem estão normalizados em um plano (𝑥, 𝑦) centrado em (0, 0) dentro do intervalo[−1, 1], a Equação (2.3) descreve a forma de deslocamento que deve ser aplicada a todosos pixels. (︃

𝑥

𝑦

)︃=(︃

𝑝𝑥(1 + 𝑘1𝑟 + 𝑘2𝑟2 + 𝑘3𝑟

3)𝑝𝑦(1 + 𝑘1𝑟 + 𝑘2𝑟2 + 𝑘3𝑟3)

)︃(2.3)

Sendo os valores 𝑝𝑥 e 𝑝𝑦 da Equação (2.3) os pontos normalizados da imagem[14]. Os parâmetros 𝑘𝑛 para corrigir a anomalia variam conforme a lente, segundo Sonka,Hlavac e Boyle[13] esses parâmetros são obtidos de forma experimental, utilizando umaimagem de calibração para calcular os coeficientes.

2.1.4 Índices de Vegetação

No processamento de imagens agrícolas é comum utilizar de Índices de Vegetaçãopara acentuar uma cor da imagem, como por exemplo o verde da plantação, para auxiliarna discriminação entre os componentes da cena. Os índices convertem a imagem de RGBpara uma escala de tons de cinza acentuando a área verde [16]. As imagens em RGB sãorecomendadas para detecção de falhas no plantio, acompanhamento do desenvolvimentoda lavoura, sendo comparadas a visão humana para esses fins [8].

22

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 definido por 𝐸𝑥𝐺 = 2𝑔 − 𝑟 − 𝑔, sendo r,g, b:

𝑟 = 𝑅

𝑅 + 𝐺 + 𝐵; 𝑔 = 𝐺

𝑅 + 𝐺 + 𝐵; 𝑏 = 𝐵

𝑅 + 𝐺 + 𝐵;

os valores R, G e B referem-se ao valor do pixel. Esse índice apresenta bons resultadosquando aplicada em uma vegetação saudável, que não possua danos que modifiquem acoloração das folhas [19] .

2.1.5 Segmentação

Segmentar uma imagem consiste em separar regiões de interesse (ROI, RegionOf Interest). Esse é um passo de extrema importância para a avaliação do conteúdo daimagem, erros nessa etapa geram erros na avaliação final do conteúdo [20].

A Equação (2.4) define a segmentação de uma imagem 𝑓 em um número finito 𝑛

de sub-regiões. A intersecção dessas regiões deve resultar em um conjunto vazio, ou seja,a mesma área da imagem não deve ser classificadas em dois grupos. Além disso, a uniãodas diferentes regiões segmentadas deve resultar na imagem original [13].

𝑓 =𝑛⋃︁

𝑖=1𝑅𝑖, 𝑅𝑖 ∩ 𝑅𝑗 = ∅, 𝑖 ̸= 𝑗 (2.4)

Uma forma comum e rápida de segmentação é a limiarização, que divide a imagemem fundo e região de interesse. Para realizar essa divisão utiliza-se um valor 𝑇 para aclassificação, os valores menores que 𝑇 são classificados como fundo enquanto os valoresacima são classificados como ROI [13][21]. A limiarização pode ser descrita pela Equação(2.5), em que os pontos da imagem de entrada 𝑓 são avaliados em relação ao limiar 𝑇 ,gerando uma imagem 𝑔 com duas regiões: preto (0) e branco (1), onde preto representa ofundo e branco a área buscada.

𝑔(𝑥, 𝑦) =

⎧⎨⎩ 1 se 𝑓(𝑥, 𝑦) > 𝑇

0 se 𝑓(𝑥, 𝑦) ≤ 𝑇(2.5)

2.2 Trabalhos Correlatos

Recursos do processamento de imagem vêm sendo empregados para a detecção deervas daninhas de plantação, com fotografias próximas ao solo, geralmente com alturainferior a três metros, obtidas por tratores ou até mesmo a mão [20]. A segmentação deimagens pode ser empregada para discriminar plantação de ervas daninhas em fotogra-fias de baixa altitude. Gée et al.[22] utiliza fotografias de vários ângulos, então estima aorientação da fileira da plantação e então avalia a infestação de ervas daninhas.

23

A obtenção de imagens aéreas se dá de várias formas, como por exemplo o trabalhode Ponti[11] que utiliza um balão a gás, observando a cobertura verde da plantação, falhase áreas degradadas, utilizando dos índices de vegetação.

Dado as vantagens de uso de um VANT como substituto de satélites na aquisiçãode imagens, trabalhos como o desenvolvido por Vega et al.[5] exploram a combinaçãode um drone com sensores para avaliar as fotografias de uma plantação de girassol paraavaliar índice relacionado a vegetação (NDVI, Normalized Difference Vegetation Index).O NDVI também pode ser utlizado utilizado para avaliar a biomassa de plantações dearroz [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.[23],avalia o índice para pequenas propriedades vinicultoras.

Além disso, é possível explorar a flexibilidade oferecida pelos drones para acom-panhar o uso de fertilizantes no solo, além de infestações de insetos, como lagartas, ea capacidade de drenagem do solo [24]. O trabalho proposto por Rokhmana[1] utilizaaeronaves autônomas para diferentes atividades como calcular a quantidade de árvores,calcular a área de pequenos campos de produção, avaliar a quantidade de palmeiras porhectare e calcular o volume de produção de um canavial.

25

3 DESENVOLVIMENTO

3.1 Aquisição das Imagens

As imagens utilizadas para o desenvolvimento do presente trabalho foram obti-das por uma câmera PHANTOM VISION FC200, no formato .jpeg, com o tamanho de4384x3288 pixels, exemplos das imagens utilizadas em diferentes alturas podem ser visua-lizadas na Figura 2. As fotografias foram feitas em diferentes alturas, sendo 21 a 12 metros(2a), 14 a 20 metros (2b), cinco a 40 metros (2c) e três a 60 metros (2d), totalizando 43imagens.

(a) Imagem a 12m (b) Imagem a 20m

(c) Imagem a 40m (d) Imagem a 60m

Figura 2 – Exemplo de imagens em diferentes alturas

3.2 Método Proposto

O método desenvolvido teve enfoque em encontrar falhas em meio a plantação,encontrado áreas de solo, com tamanho relevante para avaliação por um especialista.

Visto que para o correto manejo da propriedade a informação espacial é de ex-trema importância, sendo assim, é necessário realizar a correção de eventuais distorçõesdas imagens, para facilitar a compreensão e evitar uma avaliação erronia do local do pro-

26

blema encontrado. As imagens obtidas apresentam uma distorção de lente, como pode servisualizado na Figura 2. Para a correção foi utilizada a Equação (2.3), com os parametros1

𝑘𝑛:

⎧⎪⎪⎪⎨⎪⎪⎪⎩𝑘1 = −0.354597𝑘2 = 0.119435𝑘3 = −0.018339

A Figura 3 exibe a imagem após a correção.

Figura 3 – Exemplo de imagem após a correção

Em seguida as imagens são reduzidas para o tamanho de 50x37, aproximadamente0,01% do total de pixels da imagem original. O processo de redução de uma imagem con-siste na reamostragem, ou mais precisamente uma subamostragem, da imagem originalem que é utilizado um numero menor de pixels para a sua representação[25]. Ao se realizara subamostragem são perdidas algumas características da imagem, entretanto com esseprocesso algumas regiões pequenas que não representam uma área de interesse, como porexemplo as áreas de solo entre duas fileiras paralelas de plantação, são homogenizadascom a cultura. Como essa etapa gera uma imagem com poucos pixels as etapas de proces-samento seguintes serão mais rápidas do que se as operações fossem aplicadas na imagemoriginal, visto que apenas cerca de 0,01% do total de pixels serão processados.

Após a redução da imagem é feita a transformação de cor de RGB para escalade cinza, ou seja a imagem passa a ser representada por 𝐿 níveis de cinza, no caso 256,deixando o pixel com um valor entre 0 e 255. A conversão consiste na média das cores doscanais da imagem. Com a imagem em tons de cinza é utilizado um filtro de média paraa suavização da imagem, esse procedimento elimina os ruídos da imagem[25].

A imagem em tons de cinza então é binarizada, ou seja, a imagem passa a serrepresentada apenas por dois valores que simbolizam preto e branco, sendo esses valoresde fundo e região de interesse respectivamente. O processo de binarização é feito com a

1 coeficientes obtidos em: <http://www.andrewshears.com/Docs/PHANTOM_VISION_FC200.lcp>

27

Figura 4 – Sequência de passos para a segmentação

limiarização descrito pela Equação (2.5), a escolha do valor do limiar 𝑇 se deu pelo valormédio do nível de cinza 𝐿 da imagem, ou seja, 128.

Após o processo de limiarização tem-se uma imagem com as regiões de interessebem definidas, entretanto seu conteúdo por si só não traz informação suficiente para ainterpretação. Para se recuperar a informação do terreno, a imagem binária é ampliadapara o tamanho da imagem original e utilizada como uma máscara. Ao final da operaçãose tem a segmentação das áreas visadas para a avaliação por um profissional.

A Figura 4 exibe de forma gráfica e sintetizada os passos realizados para a seg-mentação proposta, enquanto a Figura 5 exibe os resultados de cada etapa. Os passos dométodo 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)

28

∙ Passo 8: Aplicação da máscara na imagem resultante do Passo 2 (Figura 5h)

3.3 Métodos Alternativos

Afim de explorar técnicas de segmentação discutidas na literatura, alguns passosdo método proposto foram alterados com o intuito de avaliar os resultados de conceitosjá aplicados em imagens agrícolas unido ao método desenvolvido.

Foram desenvolvidas duas abordagens alternativas, na primeira o valor do limiarutilizado no passo passo 6 é calculado para cada imagem com o método de Otsu, nãosendo mais o mesmo para toda a base. O segundo método alternativo altera dois passosdo processo: no passo 4 a imagem é transformada em tons de cinza com o índice devegetação ExG, o passo 6 também é alterado para utilizar o método de Otsu para aescolha 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 especificados, como formas alternativasde segmentação e ter seus resultados comparados com o processo original.

29

(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 com escala am-pliada (h) Imagem resultante

Figura 5 – Etapas do processamento

31

4 RESULTADOS

As imagem obtidas ao final do processo de segmentação contém áreas menoresque exibem o solo em meio a plantação. Essas regiões servem de base para a avaliaçãode um profissional e a tomada de decisão para a correção do problema. O especialistapoderá descartar a região destacada caso a mesma seja interpretada como um erro nasegmentação ou não relevante para correção.

(a) Imagem original (b) Resultado da segmentação

Figura 6 – Segmentação menor que a área de falha

O resultado da segmentação em alguns casos destacou apenas uma pequena área deuma possível ROI, como pode ser visto na Figura 6, onde parte da área do solo descobertaé classificada como vegetação. Entretanto com a identificação de parte do problema já épossível avaliar a posição da falha e a averiguação integral da região.

(a) Imagem original (b) Resultado da segmentação

Figura 7 – Segmentação de área verde como solo

Em imagens como a Figura 7 também é possível verificar que em alguns casosocorre a classificação de áreas de plantação como falhas. Entretanto essas regiões podemser descartadas durante a avaliação do especialista não havendo a necessidade de correções.

32

(a) Imagem original (b) Resultado da limiarização fixo

(c) Resultado da limiarização comOtsu

(d) Resultado da limiarização comOtsu e ExG

Figura 8 – Comparação dos métodos de limiarização

A Figura 8 exibe um exemplo do resultado obtido juntamente com os métodosalternativos. A Figura 8c exibe o resultado do método proposto utilizando o valor delimiar encontrado pelo método de Otsu. Os resultados dessa substituição mostram que asROIs encontradas na segmentação são maiores que o uso do limiar fixo (Figura 8b), alémde não encontrar apenas falhas.

O segundo método alternativo, como realça as regiões verdes, tem a necessidadede inversão da mascara já que a ideia do ExG é encontrar as áreas verdes e não o solo. Ainversão pode ser vista na Figura 9.

Com a aplicação da mascara invertida nota-se que as regiões encontradas sãomaiores que as áreas encontradas pelo método original. Esse método segmentou áreasverdes mais homogêneas, onde quase não há distinção entre as fileiras de plantação (Figura8d).

Dessa forma é possível notar que as regiões encontradas pela limiarização com umúnico valor fixo apresentam resultados mais precisos quanto a falhas na plantação. AsROIs encontradas são menores, facilitando a avaliação do especialista. Com as regiõesencontradas e devidamente analisadas é possível realizar a tomada de decisão quanto acorreção do problema com base no conhecimento obtido por meio da imagem.

33

(a) Máscara original (b) Máscara invertida

Figura 9 – Inversão da máscara

Assim os próximos passos do desenvolvimento do trabalho consistem em encontraralterações nas áreas verdes, que foram segmentadas como fundo, na intenção de encontrarpossíveis doenças e infestações, além de buscar por erosões no terreno.

35

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. 245–253, 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.200–217, 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. 50–55, 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. 21–27, 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 sunflower crop. Biosystems Engineering, v. 132, p. 19–27, 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. 693–712,2012. 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.254–272, 2012. ISSN 978-953-51-0313-4.

[8] Lúcio André de Castro Jorge, R. Y. I. Uso de veículos aéreos não tripulados (VANT)em Agricultura de Precisão. Embrapa Instrumentação, p. 109–134. Disponívelem: <http://pesquisaemeducacaoufrgs.pbworks.com/w/file/fetch/64878127/WillianCostaRodrigues\_metodologia\_cientifica.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. 2–9, 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-specific crop management in the USA. Computers and Electronics in

36

Agriculture, Elsevier B.V., v. 74, n. 1, p. 34–38, 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. 67–70, 2013. ISSN 1545-598X. Disponível em: <http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=6202674>.

[12] Departamento de Controle do Espaço Aereo. 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. 9–16. Disponível em: <http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.136.3745&amp;rep=rep1&amp;type=pdf>.

[15] HUGEMANN, W. Correcting lens distortions in digital photographs. IngenieurbüroMorawski+ Hugemann: Leverkusen, . . . , p. 1–12, 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 fields using images from UAV. Computers andElectronics in Agriculture, v. 103, p. 104–113, 2014. ISSN 01681699. Disponível em:<http://linkinghub.elsevier.com/retrieve/pii/S0168169914000568>.

[17] MONTALVO, M. et al. Automatic detection of crop rows in maize fieldswith high weeds pressure. Expert Systems With Applications, Elsevier Ltd,v. 39, n. 15, p. 11889–11897, 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. Verification of color vegetation indicesfor automated crop imaging applications. Computers and Electronics inAgriculture, v. 63, n. 2, p. 282–293, 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. 599–606, 2012. ISSN1947-3931.

[20] 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. 138–149, 2010. ISSN 02628856. Disponível em:<http://dx.doi.org/10.1016/j.imavis.2009.05.009>.

[21] LAILEE, S. et al. Segmentation of Natural Images Using an Improved Thresholding-Based Technique. v. 41, n. Iris, p. 938–944, 2012. ISSN 1877-7058. Disponível em:<http://dx.doi.org/10.1016/j.proeng.2012.07.266>.

37

[22] GéE, C. et al. Crop/weed discrimination in perspective agronomic images. Computersand Electronics in Agriculture, v. 60, n. 1, p. 49–59, 2008. ISSN 01681699. Disponívelem: <http://linkinghub.elsevier.com/retrieve/pii/S0168169907001470>.

[23] PRIMICERIO, J. et al. A flexible unmanned aerial vehicle for precision agriculture.Precision Agriculture, v. 13, p. 517–523, 2012. ISSN 13852256.

[24] ZHANG, C.; WALTERS, D.; KOVACS, J. M. Applications of Low Altitude RemoteSensing in Agriculture upon Farmers’ 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>.

[25] THOMPSON, M.; GONZALEZ, R. C.; WINTZ, P. Digital Image Processing.[s.n.], 1981. 256 p. ISSN 0024094X. ISBN 0201180758. Disponível em:<http://www.jstor.org/stable/1574313?origin=crossref>.