Uma abordagem de detecção de palmeiras em imagens aéreas com Yolo e Darknet

Abstract

Resumo: O cultivo de árvores de palmeira vem crescendo nos últimos anos devido ao uso do óleo da palma em diversas finalidades econômicas e ambientas. O número exato de palmeiras é uma importante informação para contagem de palmeiras. O trabalho propõe-se a verificar se técnica You Only Look Once (YOLO) pode ser utilizada para detecção e avaliação do estado de palmeiras através de imagens aéreas. Para isto, se abordará um estudo da YOLOv4 em conjunto com o framework Darknet para a detecção de palmeiras em imagens de alta resolução espacial. Foi utilizado um dataset de imagens de alta resolução de palmeiras para a realização do treinamento. Foi realizada uma evolução na detecção de objetos com diferentes quantidades de imagens (10, 20 e 40) e amostras (261, 605 e 1.301). No dataset final (40 imagens) foi obtido um Mean Avarage Precision (MAP) de 98,9%. Utilizando o mesmo dataset final, foi realizada detecções em diferentes escalas. A detecção mostrou bons resultados com mais de 90% de acerto com as palmeiras reais da imagem. Além disso, 25 imagens no treinamento e 331 amostras foram utilizadas para a detecção de palmeiras não saudáveis a partir do amarelecimento das folhas com o valor de MAP de 78%. Ambos os treinamentos apresentaram valores satisfatórios nas detecções propostas na pesquisa. Os testes também se mostraram satisfatórios quanto a detecção em diferentes escalas em relação ao dataset de treinamento.

Abstract: The cultivation of palm trees has been growing in recent years due to the use of palm oil for various economic and environmental purposes. The exact number of palm trees is important information for counting palm trees. The work aims to verify if the You Only Look Once (YOLO) technique can be used to detect and evaluate the status of palm trees through aerial images. For this, a study of YOLOv4 will be approached in conjunction with the Darknet framework for the detection of palm trees in high spatial resolution images. A dataset of high-resolution images of palm trees was used to carry out the training. An evolution was made in the detection of objects with different amounts of images (10, 20 and 40) and samples (261, 605 and 1,301). In the final dataset (40 images) a Mean Avarage Precision (MAP) of 98.9% was obtained. Using the same final dataset, detections were performed at different scales. The detection showed good results with more than 90% accuracy with the real palm trees in the image. In addition, 25 training images and 331 samples were used to detect unhealthy palm trees from leaf yellowing with a MAP value of 78%.