Identificação madeira baseada em visão computacional: uma abordagem com descritores LPQ e GLCM integrados a classificação Ensemble
DOI:
https://doi.org/10.5902/2179460X86097Palavras-chave:
Identificação botânica, Descritores de textura, Reconhecimento de padrões, Visão computacional, Classificação EnsembleResumo
Dada a reconhecida relevância da identificação botânica para o manejo florestal e preservação da biodiversidade, o presente trabalho propõe a identificação da anatomia da madeira de espécies vegetais utilizando técnicas de visão computacional. Imagens microscópicas de 30 espécies foram extraídas do banco Forest Species Database e capturadas com um microscópio Olympus CX40 a 100x de aumento, garantindo alta qualidade. As operações de pré-processamento foram realizadas para destacar características de textura e cor, incluindo normalização e extração de atributos. Foram utilizados descritores estatísticos, estruturais e espectrais, como LBPHF 24,3 e a combinação de LPQ e GLCM (GHS). A análise foi feita no MATLAB, e os dados foram classificados com métodos robustos, incluindo o classificador Ensemble. A validação cruzada foi empregada para assegurar a confiabilidade dos modelos. Como resultado, alcançou-se uma assertividade de 96,7% para LBPHF e 99,3% para a combinação LPQ-GLCM. Este estudo destaca o potencial de métodos automatizados para aprimorar a identificação botânica, tornando-a mais precisa e eficiente, com aplicações promissoras no manejo florestal e conservação da biodiversidade.
Downloads
Referências
Ahonen, T., Hadid, A., & Pietikainen, M. (2006). Face description with local binary patterns: Application to face recognition. IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(12), 2037–2041. Retrieved from: https://ieeexplore.ieee.org/document/1717463. doi: 10.1109/TPAMI.2006.244 DOI: https://doi.org/10.1109/TPAMI.2006.244
Ahonen, T., Matas, J., He, C., & Pietikäinen, M. (2009). Rotation invariant image description with local binary pattern histogram fourier features. In 16th Scandinavian Conference, Image Analysis (pp. 61–70). Oslo: SCIA. DOI: https://doi.org/10.1007/978-3-642-02230-2_7
Azevedo, E., Conci, A., & Leta, F. R. (2007). Computação gráfica: Teoria e prática (Vol. 2). Rio de Janeiro: Alta Books.
De Paula, P. L. (2012). Reconhecimento de espécies florestais através de imagens macroscópicas (Master’s thesis). Universidade Federal do Oeste do Pará, Santarém, PA, Brazil.
Ferreira, R. L. A., Cerqueira, R. M., & Junior, R. C. C. (2020). Análise da identificação botânica em inventários florestais de planos de manejo sustentáveis no oeste paraense. Nature and Conservation, 13(3), 136-145. Retrieved from: https://sustenere.inf.br/index.php/nature/article/view/CBPC2318-2881.2020.003.0014. doi: https://doi.org/10.6008/CBPC2318 2881.2020.003.0014 DOI: https://doi.org/10.6008/CBPC2318-2881.2020.003.0014
Gonzalez, R. C., & Woods, R. E. (2000). Processamento de magens digitais. Blucher.
Haghighat, M., Zonouz, S., & Abdel-Mottaleb, M. (2015). CloudID: Trustworthy cloud-based and cross-enterprise biometric identification. Expert Systems with Applications, 42(21), 7905–7916. Retrieved from: https://www.sciencedirect.com/science/article/abs/pii/S0957417415004273?via%3Dihub doi: https://doi.org/10.1016/j.eswa.2015.06.025 DOI: https://doi.org/10.1016/j.eswa.2015.06.025
Haralick, R. M., Shanmugam, K., & Others. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, 3(6), 610–621. Retrieved from: https://ieeexplore.ieee.org/document/4309314. doi: 10.1109/TSMC.1973.4309314 DOI: https://doi.org/10.1109/TSMC.1973.4309314
Khalid, M., Lee, E. L. Y., Yusof, R., & Nadaraj, M. (2008). Design of an intelligent wood species recognition system. International Journal of Simulation Systems, Science and Technology, 9(9), 9–19. Retrieved from: https://ijssst.info/Vol-09/No-3/paper2.pdf
Koerich, A. L. (2008). Reconhecimento de padrões em imagens (Ph.D’s thesis). Universidade Federal do Paraná, Curitiba, PR, Brazil.
Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In 14th International JointConference on Artificial Intelligence (Vol. 2, pp. 1137–1145). San Francisco: Morgan Keufmann Publishers Inc.
Lattin, J., Carroll, J. D., & Green, P. E. (2011). Análise de dados multivariados. Cengage Learning.
Maenpaa, T. (2003). The local binary pattern approach to texture analysis: Extensions and applications (Ph.D’s thesis). Oulun Yliopisto, Oulu, Finland.
Mangina, E., Burke, E., Matson, R., O’Briain, R., Caffrey, J. M., & Saffari, M. (2022). Plant species detection using image processing and deep learning: A mobile-based application. In Information and Communication Technologies for Agriculture—Theme II: Data (pp. 103–130). Springer International Publishing. Retrieved from: https://link.springer.com/chapter/10.1007/978-3-030-84148-5_5. doi: 10.1007/978-3-030-84148-5_5 DOI: https://doi.org/10.1007/978-3-030-84148-5_5
Martins-Da-Silva, R. C. V. (2002). Coleta e identificação de espécimes botânicos. Belém: Embrapa Amazônia Oriental.
Martins, J., Oliveira, L., Nisgoski, S., & Sabourin, R. (2013). A database for automatic classification of forest species. Machine Vision and Applications, 24(3), 567–578. Retrieved from: https://link.springer.com/article/10.1007/s00138-012-0417-5. doi: 10.1007/s00138-012-0417-5 DOI: https://doi.org/10.1007/s00138-012-0417-5
Ojala, T., Pietikäinen, M., & Harwood, D. (1996). A comparative study of texture measures with classification based on featured distributions. Pattern Recognition, 29(1), 51–59. Retrieved from: https://www.sciencedirect.com/science/article/abs/pii/0031320395000674. doi: https://doi.org/10.1016/0031-3203(95)00067-4 DOI: https://doi.org/10.1016/0031-3203(95)00067-4
Ojala, T., Pietikainen, M., & Maenpaa, T. (2002). Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7), 971–987. Retrieved from: https://ieeexplore.ieee.org/document/1017623. doi: 10.1109/TPAMI.2002.1017623 DOI: https://doi.org/10.1109/TPAMI.2002.1017623
Ponte, M. J. M. D. (2017). Referencial semântico no suporte da identificação botânica de espécies amazônicas (Ph.D’s thesis). Universidade Federal do Oeste do Pará, Santarém, PA, Brazil. Retrieved from: https://repositorio.ufopa.edu.br/jspui/handle/123456789/51
Ponti, M. P. Jr. (2004). Combinação de múltiplos classificadores para identificação de materiais em imagens ruidosas (Master’s thesis). Universidade Federal de São Carlos, São Carlos, SP, Brazil.
Ribeiro, A. C. F., Da Fonseca, L. C., & Pereira, C. M. P. (2020). O plano de manejo florestal como instrumento de desenvolvimento sustentável na Amazônia. Direito e Desenvolvimento, 11(1), 264-276. Retrieved from: https://periodicos.unipe.edu.br/index.php/direitoedesenvolvimento/article/view/875. doi: https://doi.org/10.26843/direitoedesenvolvimento.v11i1.875 DOI: https://doi.org/10.26843/direitoedesenvolvimento.v11i1.875
Solomon, C., & Breckon, T. (2011). Fundamentals of Digital Image Processing: A practical approach with examples in Matlab. John Wiley & Sons. DOI: https://doi.org/10.1002/9780470689776
The MathWorks, I. (2019). Classification Learner. The MathWorks.
Tou, J. Y., Lau, P. Y., & Tay, Y. H. (2007). Computer vision-based wood recognition system. Plant Methods, 17, 47. Retrieved from: https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00746-1#citeas. doi: https://doi.org/10.1186/s13007-021-00746-1. DOI: https://doi.org/10.1186/s13007-021-00746-1
Tuceryan, M., & Jain, A. K. (1993). Texture analysis. In Handbook of Pattern Recognition and Computer Vision (pp. 235–276). World Scientific. Retrieved from: https://www.worldscientific.com/doi/abs/10.1142/9789814343138_0010?srsltid=AfmBOorz5xKFY6nf3KymhYLgYX6I0l6Vf5z3ymXo4LfsmXfsQRqViEiU. doi: https://doi.org/10.1142/9789814343138_0010 DOI: https://doi.org/10.1142/9789814343138_0010
Veras, H. F., Ferreira, M. P., Neto, E. M. C., Figueiredo, E. O., Corte, A. P. D., & Sanquetta, C. R. (2022). Fusing multi-season UAS images with convolutional neural networks to map tree species in Amazonian forests. Ecological Informatics, 71, 101815. Retrieved from: https://www.sciencedirect.com/science/article/abs/pii/S1574954122002655. doi: https://doi.org/10.1016/j.ecoinf.2022.101815 DOI: https://doi.org/10.1016/j.ecoinf.2022.101815
Vieira, G. L. S., Ponte, M. J. M., Moutinho, V. H. P., Jardim-Gonçalves, R., Lima, C. P., & Vinagre, M. V. (2022). Identification of wood fromthe Amazon by characteristics of Haralick and Neural Network: image segmentation and polishing of the surface. iForest - Biogeosciences and Forestry, 15(4), 234. Retrieved from: https://iforest.sisef.org/abstract/?id=ifor3906-015. doi: https://doi.org/10.3832/ifor3906-015 DOI: https://doi.org/10.3832/ifor3906-015
Xu, B., Chai, L., & Zhang, C. (2021). Research and application on corn crop identification and positioning method based on Machine vision. Information Processing in Agriculture, 8(4), 505–513. Retrieved from: https://www.sciencedirect.com/science/article/pii/S2214317321000603?via%3Dihub. doi: https://doi.org/10.1016/j.inpa.2021.07.004 DOI: https://doi.org/10.1016/j.inpa.2021.07.004
Yu, H., Cao, J., Liu, Y., & Luo, W. (2009). Non-equal spacing division of HSV components for wood image retrieval. International Congress on Image and Signal Processing, New York, USA, 2. Retrieved from: https://ieeexplore.ieee.org/document/5303915/similar. doi: 10.1109/CISP.2009.5303915 DOI: https://doi.org/10.1109/CISP.2009.5303915
Zhu, J., Hoi, S. C., Lyu, M. R., & Yan, S. (2008). Near-duplicate keyframe retrieval by nonrigid image matching. In Proceedings of the 16th ACM international conference on Multimedia (pp. 41–50). New York: ACM. Retrieved from: https://dl.acm.org/doi/10.1145/1459359.1459366. doi: https://doi.org/10.1145/1459359.1459366 DOI: https://doi.org/10.1145/1459359.1459366
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Ciência e Natura
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.
Diretrizes Éticas para Publicação de Revistas
A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.
A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.
Em particular,
Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.
Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.
Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.
