Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/83120
Title: Vegetation Classification monitored with Multispectral Aerial Images
Other Titles: Classificação de Vegetação através de Imagens Aéreas Multiespectrais
Authors: Natividade, João Filipe Tavares 
Orientador: Marques, Lino José Forte
Keywords: Agricultura de Precisão; Veículo Aéreo Não Tripulado; Índice de Vegetação; Máquinas de Suporte de Vectores; Árvores de Decisão; Precision Agriculture; Unmanned Aerial Vehicle; Vegetation Index; Support Vector Machines; Decision Trees
Issue Date: 23-Feb-2017
Serial title, monograph or event: Vegetation Classification monitored with Multispectral Aerial Images
Place of publication or event: DEEC
Abstract: Na Agricultura de Precisão (AP), a detecção e classificação de vegetação em culturas herbáceas (e.g., vinhas e árvores) é um passo crucial para a definição de objectivos consequentes, tais como a utilização de diferentes fertilizantes ou distintos níveis de hidratação.Um Veículo Aéreo Não Tripulado (VANT) foi montado e testado com o objetivo de desenvolver uma ferramenta de classificação (câmara ``multiespectral'') para ser usada em diferentes culturas. O sistema compreende uma plataforma aérea ``quad-rotor'', capaz de voar até alturas de 100 m acima do nível do solo. O presente trabalho desenvolve diferentes abordagens de segmentação que resultam na identificação da Região de Interesse (RDI) e, posteriormente, na sua classificação de acordo com a previsão fornecida por dois classificadores: Máquinas de Vectores de Suporte (MVS) e Árvores de Decisão (AD). As imagens são capturadas por um sistema composto por uma câmara (NoIR Raspberry Pi (RPi) - com um conjunto de cinco filtros ópticos acoplados à sua lente) conectada a um RPi, colocado no VANT para detecção de vegetação. As imagens foram adquiridas através de voos sobre os seguintes campos agrícolas: três vinhas com diferentes variedades de casta e florestas de cinco espécies de árvores (eucaliptos, pinheiros, oliveiras, laranjeiras e magnólias). Os testes mostram o desempenho dos dois classificadores, de acordo com a RDI identificada previamente por um algoritmo baseado em ``thresholding'' através de valores fornecidos pelo índice de vegetação NDVI. Os dois classificadores recebem dados de entrada fornecidos pelo cálculo de oito índices de vegetação. O algoritmo gerou valores de exactidão de 72% e 73% (para o Sistema de Reconhecimento de Padrões (SRP) associado ao conjuntos de dados #1 e #2, respectivamente, relacionados com as MVS) e 74% e 79% (para o SRP de acordo com os conjuntos de dados #1 e #2, respectivamente, relacionadas com os AD). O algoritmo é totalmente automatizado e a classificação é fornecida a partir do RPi para uma base de controlo, em tempo real, através duma conexão por Wi-Fi.
In Precision Agriculture (PA), detecting and classifying the vegetation in herbaceous crops (e.g., vineyards and trees) is a crucial step prior to address further objectives, such as specifying either different fertilizers or distinguished hydration levels. An Unmanned Aerial Vehicle (UAV) was assembled and tested with the aim of developing a classification tool (``multispectral'' camera) for both types of vineyard and tree species. The system comprises a quad-rotor aerial platform capable of flying up to heights of 100 m above the ground level. The present research work develops different segmentation approaches which result in the identification of the Region of Interest (ROI) and afterwards their classification according to the prediction provided by two different machine learning classifiers: Support Vector Machines (SVM)s and Decision Trees (DT)s. Along with the general description of the procedure, remotely-sensed images captured with a sensor (a NoIR Raspberry Pi (RPi) camera with a five optical filters wheel attached) connected to an RPi and mounted on the UAV, were applied for vegetation detection. Images were acquired while hovering above both fields of three vineyard species (with different grape varieties) and forests of five tree species (eucalyptus, pine trees, olive trees, orange trees and magnolias). The tests show the performance of both classifiers, according to the ROI identified by a thresholding algorithm based on Normalized Difference Vegetation Index (NDVI) measurements. The two classifiers receive input data provided by the computation of eight Vegetation Indices (VI)s.The algorithm has led to accuracy values of 72\% and 73\% (for the Pattern Recognition System (PRS) according to datasets #1 and #2, respectively, related to the SVMs and 74% and 79% (for the PRS according to datasets #1 and #2, respectively, related to the DTs). The entire algorithm is totally automated and the classification output is provided from the RPi to a ground station in real-time, by a Wi-Fi socket connection.
Description: Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/83120
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
tese_JoaoNatividade.pdf76.97 MBAdobe PDFView/Open
Show full item record

Page view(s) 50

369
checked on Nov 19, 2019

Download(s) 50

354
checked on Nov 19, 2019

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons