DETECÇÃO DE ANIMAIS BOVINOS UTILIZANDO IMAGENS AÉREAS POR MEIO DE REDES NEURAIS
Palavras-chave:
Detecção de objeto, Redes Neurais, Detecção de gado, Drone, CNNResumo
Atualmente com a evolução da tecnologia, muitas áreas que abrangem a agropecuária estão aderindo ao uso de drones profissionais que possuem diversas ferramentas que auxiliam no monitoramento. Com o avanço das Redes Neurais, diversos pesquisadores estão optando em utilizar redes neurais para efetuar detecção de objetos. Como a contagem de animais bovinos requer tempo e esforço físico, além de ser arriscado em determinadas situações, com a utilização de imagens aéreas e de redes neurais, essa atividade torna-se mais viável e com um gasto de tempo menor. Neste trabalho o foco está em detectar animais bovinos utilizando duas redes neurais, com imagens aéreas capturadas por meio de um drone.
Downloads
Referências
LabelImg. LabelImg. Disponível em : . Acesso: 22 mai. 2020.
Google Colab, Google Colab. Disponível em :<https://colab.research.google.com/notebooks/intro.ipynb>. Acesso: 25 nov. 2020.
Dataset, Dataset. 2019. Disponível em : <http://bird.nae-lab.org/cattle/>. Acesso: 26 nov. 2020.
Araújo, F. H. D.; Carneiro, A. C.;Silva, R. V.; Medeiros, F. N. S.; Ushizima, D. M. Redes Neurais Convolucionais com Tensor Flow: Teoria e Prática. III ESCOLA REGIONAL DE INFORMÁTICA DO PIAUÍ. 2017. Escola Regional de Informática do Piauí. Disponível em: <https://docplayer.com.br/57119969-Redes-neurais-convolucionais-com-tensorflow-teoria-e-pratica.html>. Acesso: 25 nov. 2020.
B. Benjdira, T. Khursheed, A. Koubaa, A. Ammar, K Ouni, Car Detection using Unmanned Aerial Vehicles: Comparison between Faster R-CNN and YOLOv3. 2019. 1st International Conference on Unmanned Vehicle Systems-Oman (UVS). Disponíve em: <https://ieeexplore.ieee.org/abstract/document/8658300>. Acesso: 25 nov. 2020. https://doi.org/10.1109/UVS.2019.8658300
Gonzalez, L. F., G. A. Montes, E. Puig, S. Johnson, K. Mengersen, K. J. Gaston. 2016. Unmanned
Aerial Vehicles (Uavs) and Artificial Intelligence Revolutionizing Wildlife Monitoring and
Conservation. 2016. Disponível em : <https://www.mdpi.com/1424-8220/16/1/97>. Acesso: 25 nov. 2020.
N. Hassan, N. Tahir, F. Zaman, H. Hashim, People Detection System Using YOLOv3 Algorithm. 2019. Disponível em : <https://ieeexplore.ieee.org/abstract/document/9204925/>. Acesso: 25 nov. 2020. https://doi.org/10.1109/ICCSCE50387.2020.9204925
A. Karpathy. CS231n Convolutional Neural Networks for Visual Recognition. Disponível em: <http://cs231n.github.io/convolutional-networks/>. Acesso em: 15 out. 2018.
Liu, Ruyue & Yan, Zeyu & Wang, Zhi-Jie & Ding, Shenyi. (2019). An Improved YOLOV3 for Pedestrian Clothing Detection. 2019. 6th International Conference on Systems and Informatics Disponível em : <https://ieeexplore.ieee.org/abstract/document/9010512>. Acesso em: 15 out. 2020. https://doi.org/10.1109/ICSAI48974.2019.9010512
A. McBratney, B. Whelan, T. Ancev, and J. Bouma. Fu-ture directions of precision agriculture. Precision agricul-ture. 2006. Disponível em : <https://link.springer.com/article/10.1007/s11119-005-0681-8>. Acesso em: 18 out. 2020.
M. Menegaz, Understanding YOLO | Hacker Noon. 2020. Disponível em : <https://hackernoon.com/understanding-yolof5a74bbc7967>. Acesso em: 18 out. 2020.
W. Shao, R. Kawakami, R. Yoshihashi, S. You, H. Kawase, T. Naemura, Cattle Detection and counting in UAV images based on convolutional neural networks. 2018. Disponível em : <https://www.tandfonline.com/doi/full/10.1080/01431161.2019.1624858>. Acesso: 22 out. 2020.
Shen, W.; Wang, W. Node Identification in Wireless Network Based on Convolutional Neural Network. 2018. International Conference on Computational Intelligence and Security. Disponível em : <https://ieeexplore.ieee.org/abstract/document/8564297>. Acesso: 18 out. 2020. https://doi.org/10.1109/CIS2018.2018.00059
RoboFlow. Roboflow. Disponível em :<https://roboflow.com/>. Acesso: 18 out. 2020
J. Redmon, A. Farhadi, YOLOv3: an Incremental Improvement. 2018. Disponível em : <https://arxiv.org/abs/1804.02767>. Acesso: 23 out. 2020.
Y. Tian, G. Yang, Z. Wang, E. Li, Z. Liang, Detection of Apple Lesions in Orchards Based on Deep Learning Methods of CycleGAN and YOLOV3-Dense. 2019. Disponível em : <https://www.hindawi.com/journals/js/2019/7630926/>. Acesso: 11 nov. 2020. https://doi.org/10.1155/2019/7630926
Bochkovskiy, A., Wang, C.-Y., and Liao, H.-Y. M. YOLOv4: Optimal Speed and Accuracy of Object. 2020. Detection. Disponível em : <https://arxiv.org/abs/2004.10934>. Acesso: 22 nov. 2020.
Sarwar, Farah; Griffin, Anthony; Periasamy,, Priyadharsini; Portas, Kurt; Law, Jim. Detecting and Counting Sheep with a Convolutional Neural Network. 2018. Disponível em:<https://www.researchgate.net/publication/331106200_Detecting_and_Counting_Sheep_with_a_Convolutional_Neural_Network>. Acesso: 23 nov. 2020. https://doi.org/10.1109/AVSS.2018.8639306
Dataset, Dataset. 2019. Disponível em : <http://bird.nae-lab.org/cattle/> Acesso:
Goodfellow, J. Deep Learning. 2016.. Disponível em : <https://books.google.com.br/books?hl=pt-PT&lr=&id=omivDQAAQBAJ&oi=fnd&pg=PR5&dq=deep+learning+goodfellow+pdf&ots=MNO3gnpzQR&sig=hcU98sXLnC5jYgQBpfMWnDZtPCI#v=onepage&q=deep%20learning%20goodfellow%20pdf&f=false>. Acesso: 22 nov. 2020.
C. Aggarwal, Outlier detection for high dimensional data
. 2020. Disponível em : <https://dl.acm.org/doi/abs/10.1145/375663.375668>. Acesso em: 25 out. 2020.
M. Fachrie, A Simple Vehicle Counting System Using Deep Learning with YOLOv3 Model. 2020. Disponível em : <https://www.researchgate.net/publication/341075968_A_Simple_Vehicle_Counting_System_Using_Deep_Learning_with_YOLOv3_Model>. Acesso em: 26 out. 2020. https://doi.org/10.29207/resti.v4i3.1871