Airborne cameras for natural grassland classification in the Pampa biome / Câmeras aerotransportadas para classificação da vegetação em pastagem natural no bioma Pampa

ABSTRACT: The extension of the area occupied by the inter tussock stratum and tussock stratum in natural pastures is essential for the productive performance of grazing animals. Images obtained from unmanned remote sensors can provide useful information, especially because they have a high spatial resolution. Thus, this study evaluated the performance of the supervised adaptive classification applied to aerial images obtained from an onboard drone camera to map the area covered by tussocks in a natural pasture of the Pampa biome. The study was carried out in a natural pasture area managed since 1986 under different forage allowances, considering treatments of 8, 12, and 16 kg of dry matter per 100 kg live weight (% LW). An aerial image from September 2017, obtained with a Canon S100 camera onboard a drone at an altitude of 120 m, with a spatial resolution of 5 cm, was used. The random forest and support vector machine classifiers were tested associated with specific classification rules. False-color images showed considerable visual similarity in the large patterns of the vegetation distribution and the validation performed with independent samples when compared to the classified images. The tested classifiers were able to measure the area covered by the tussock stratum, which could be an indicator of the quality vegetation in a natural grassland of the Pampa biome.

RESUMO: A quantidade de área ocupada por estrato inferior e superior em pastagens naturais tem grande importância sobre o desempenho produtivo dos animais em pastejo. Imagens obtidas de sensores remotos não tripulados podem fornecer informações úteis, especialmente por possuírem alta resolução espacial. O objetivo deste trabalho foi avaliar o desempenho de classificação supervisionada adaptativa aplicada a imagem aérea obtida por câmera a bordo de drone, no mapeamento da área coberta por touceiras em pastagem natural do bioma Pampa. O estudo foi realizado em área de pastagem natural, manejada desde 1986 sob diferentes ofertas de forragem, tendo sido considerados os tratamentos 8, 12 e 16 kg de matéria seca por 100 kg de peso vivo (% PV). Foi utilizada uma imagem aérea, de setembro de 2017, obtida com uma câmera Canon S100, a bordo de um drone a 120 m de altitude, correspondendo a resolução espacial de 5 cm. Foram testados dois classificadores, Random Forest e Support Vector Machine associados a regras específicas de classificação. As imagens de falsa cor, quando comparadas às imagens classificadas, apresentaram considerável semelhança visual nos grandes padrões de distribuição da vegetação, bem como na validação feita com amostras independentes. Os classificadores testados foram capazes de mensurar a área coberta por estrato superior, podendo ser um indicador da qualidade da vegetação, em pastagem natural do bioma Pampa.

Airborne cameras for natural grassland classification in the Pampa biome / Câmeras aerotransportadas para classificação da vegetação em pastagem natural no bioma Pampa

The extension of the area occupied by the inter tussock stratum and tussock stratum in natural pastures is essential for the productive performance of grazing animals. Images obtained from unmanned remote sensors can provide useful information, especially because they have a high spatial resolution. Thus, this study evaluated the performance of the supervised adaptive classification applied to aerial images obtained from an onboard drone camera to map the area covered by tussocks in a natural pasture of the Pampa biome. The study was carried out in a natural pasture area managed since 1986 under different forage allowances, considering treatments of 8, 12, and 16 kg of dry matter per 100 kg live weight (% LW). An aerial image from September 2017, obtained with a Canon S100 camera onboard a drone at an altitude of 120 m, with a spatial resolution of 5 cm, was used. The random forest and support vector machine classifiers were tested associated with specific classification rules. False-color images showed considerable visual similarity in the large patterns of the vegetation distribution and the validation performed with independent samples when compared to the classified images. The tested classifiers were able to measure the area covered by the tussock stratum, which could be an indicator of the quality vegetation in a natural grassland of the Pampa biome.

A quantidade de área ocupada por estrato inferior e superior em pastagens naturais tem grande importância sobre o desempenho produtivo dos animais em pastejo. Imagens obtidas de sensores remotos não tripulados podem fornecer informações úteis, especialmente por possuírem alta resolução espacial. O objetivo deste trabalho foi avaliar o desempenho de classificação supervisionada adaptativa aplicada a imagem aérea obtida por câmera a bordo de drone, no mapeamento da área coberta por touceiras em pastagem natural do bioma Pampa. O estudo foi realizado em área de pastagem natural, manejada desde 1986 sob diferentes ofertas de forragem, tendo sido considerados os tratamentos 8, 12 e 16 kg de matéria seca por 100 kg de peso vivo (% PV). Foi utilizada uma imagem aérea, de setembro de 2017, obtida com uma câmera Canon S100, a bordo de um drone a 120 m de altitude, correspondendo a resolução espacial de 5 cm. Foram testados dois classificadores, Random Forest e Support Vector Machine associados a regras específicas de classificação. As imagens de falsa cor, quando comparadas às imagens classificadas, apresentaram considerável semelhança visual nos grandes padrões de distribuição da vegetação, bem como na validação feita com amostras independentes. Os classificadores testados foram capazes de mensurar a área coberta por estrato superior, podendo ser um indicador da qualidade da vegetação, em pastagem natural do bioma Pampa.

Determinação da idade fisiológica de carcaças bovinas por meio de visão computacional

A idade do animal determina a quantidade de tecido depositado na carcaça, seja ele ósseo, muscular ou adiposo e influencia a maciez da carne. Por este motivo, a idade é utilizada em programas de classificação e tipificação para determinar níveis de qualidade da carne a ser comercializada. No entanto, a classificação tradicional é realizada de forma subjetiva, mesmo que por painelistas treinados. A visão computacional vem sendo utilizada na área agrícola e na avaliação de alimentos com a finalidade de retirar a subjetividade da avaliação humana e produzir resultados mais concisos e precisos. Neste sentido a proposta deste estudo é comparar qual classificador resultará em um melhor modelo preditivo, utilizando k-Nearest Neighbors (k=1), Random Forest e Support Vector Machine como modelos preditivos devido à sua ampla aplicação e alto desempenho. Foram utilizadas 56 meias carcaças de bovinos Nelore não castrados, que foram divididos em três classes etárias (Precoce, Tourinho e Touro), variando de 12 a 48 meses. As imagens foram adquiridas com auxílio de câmera digital com suas funções automáticas e sem controle ambiental. O algoritmo k-NN obteve acurácia de 78,95%, tendo seu pior desempenho na classificação dos animais de idade intermediária. O resultado obtido com o algoritmo RF foi de 73,68% de acurácia e classificou quatro amostras do grupo de idade intermediária como falso positivo. O algoritmo SVM classificou uma amostra do grupo mais jovem como sendo do grupo mais velho e não conseguiu predizer nenhuma amostra do grupo intermediário, gerando um modelo com 68,42% de acurácia. Há maior susceptibilidade de serem cometidos erros ou equívocos quando a avaliação é feita por painelistas treinados. Os algoritmos de classificação propostos mostraram bom desempenho e viabilidade de implantação em relação ao sistema tradicional. O algoritmo k-NN foi o que apresentou melhor desempenho e a solução mais simples entre os classificadores.

The age of the animal determines a quantity of matter deposited in the carcass, must be bone, muscular or adipose and influenced by the tenderness of the meat. For this reason, age is indicated in grading and typing programs for certain levels of meat quality to be marketed. However, a traditional classification is performed subjectively, even if by trained panels. The computational view has been used in the agricultural area and in food evaluation in order to remove the subjectivity of human evaluation and the more concise and precise results. This comparing topic with a classifier resulted in one of the best models using k-Nearest Neighbors (k = 1), Random Forest and Support Vector Machine. Fifty - six beds of Nellore bovine milk were used, which were divided into three age groups (Precoce, Tourinho and Taurus), ranging from 12 to 48 months. The images were acquired with the aid of a digital camera with its automatic functions and without environmental control. The k-NN algorithm obtained an accuracy of 78.95%, with its worse performance in the classification of animals of middle age. The result obtained with the RF algorithm was 73.68% accuracy and classified four samples from the middle age group as false positive. The SVM algorithm classified a sample of the younger group as being from the oldest group and could not predict a sample from the intermediate group, generating a model with a 68.42% accuracy. There is greater susceptibility to being made with errors or misconceptions when a check is made by trained panelists. The proposed classification algorithms have good performance and feasibility of implantation in relation to the traditional system. The k-NN algorithm was the one that performed the best performance and a simpler solution among the classifiers.