Sugestões de trabalhos futuros

Os resultados obtidos neste estudo são promissores, fazendo com que trabalhos futuros na área deixem quase de ser sugestões, mas sim uma necessidade, começando logo pela recolha das fotografias. Para uma validação e previsão da produção mais precisa, será necessário recorrer a câmaras mais avançadas, marcar árvores para contagem de frutos, definir distâncias e realizar medições no terreno de modo a obter locais específicos para adquirir fotografias com o mesmo ângulo e equidistantes às árvores.

Para melhorar o reconhecimento da máquina de suporte vetorial, algoritmos de segmentação mais complexos podem ser aplicados, como por exemplo, algoritmos que contemplam o fator de crescimento dos pêssegos, algoritmos que analisem outras características dos pêssegos, além de cor, tamanho e forma, sendo assim possível obter novas características para classificação. Outra possível melhoria na classificação, pode ser obtida através da criação de uma “SVM adaptativa”, considerando diferentes características de classificação consoante a altura em que a recolha das fotografias é feita. Desta forma, seria possível ter em conta outros fatores, como a percentagem de queda dos frutos, avaliar a taxa de crescimento dos pêssegos entre as diferentes alturas da recolha das fotografias e aplicar algoritmos de controlo de qualidade para identificação de doenças ou outros fatores, que prejudiquem o que crescimento do fruto. Todos estes fatores permitiriam novas caraterísticas de treino, tornando o reconhecimento mais preciso.

Conclusões

Para a estimativa da previsão de produção, uma estratégia diferente pode ser adotada. O presente estudo usa volume e massa específica para prever o peso. Contudo, com um pouco de trabalho de campo, uma redução da folhagem das plantas, permitiria obter melhores fotografias e chegar a um número mais aproximado do número real de pêssegos por árvore, permitindo atingir uma estimativa mais precisa da produção anual de uma cultivar específica. Neste caso seria possível considerar também localização geoespacial. A redução na folhagem faria com que fotos em ambos os lados da planta causassem repetição do mesmo fruto. Com a utilização de localização geoespacial, essa a repetição de frutos deixaria de ocorrer.

Referências Bibliográficas

Referências Bibliográficas

Awcock, G, &, Thomas R (1996). Applied Image Processing. McGraw-Hill Inc., New York

Bac, C.W., Hemming, J., &, Van Henten, E.J. (2014). Stem localization of sweet- pepper plants using the support wire as a visual cue. Computers and Electronics in

Agriculture, 105, 111-120.

Bulanon, D., Kataoka, T., Ota, Y., &, Hiroma, T. (2002). AE—automation and emerging technologies: a segmentation algorithm for the automatic recognition of Fuji apples at harvest. Biosystems Engineering, 83(4), 405–412

Chakraborty, S., Roy, M., &, Hore, S. (2017). A Study on Different Edge Detection Techniques in Digital Image Processing. In N. Dey, A. Ashour, e P. Patra (Eds.), Feature Detectors and Motion Detection in Video Processing (pp. 100-122).

Coelho, J.P.C, &, Silva, J. R. M. (2009). “Agricultura de Precisão”, em Agricultura

de Precisão, 1ª ed. Lisboa, Portugal: AJAP, 2009, pp. 2-9.

Hsu C.-W., Chang, C.-C., &, Lin, C.-J. (2016). A Practical Guide to Support Vector Classification.

Hernández-Hernández, J.L., García-Mateos, G., González-Esquiva, J.M., Escarabajal-Henarejos, D., Ruiz-Canales, A., &, Molina-Martínez, J.M. (2016). Optimal color space selection method for plant/soil segmentation in agriculture.

Computers and Electronics in Agriculture, 122, 124-132.

Jiménez, A.R., Jain, A.K., Ceres, R., &, Pons, J.L. (1999). Automatic fruit recognition: a survey and new results using Range/Attenuation images. Pattern

Referências Bibliográficas

74

Julesz B., &, Caelli, T. (1979). On the limits of fourier decompositions in visual texture perception. Perception, 8, 69–73.

Zhao, J., Tow, J., &, Katupitiya, J. (2005). On-tree Fruit Recognition Using Texture Properties and Color Data. In 2005 IEEE/RSJ International Conference on Intelligent Robots ans Systems (pp. 3993-3998).

Leemans, V., Magein, H., &, Destain, M.-F. (2002). On-line Fruit Grading according to their External Quality using Machine Vision. Biosystems Engeneering, 83, 397- 404.

Li, X., &, Wang, Y. Y. (2012). Image Quality Assessment Method Based on Support Vector Machine and Particle Swarm Optimization. Advances in Computer Science

and Information Engineering, 353-359.

Materka, A., & Strzelecki, M. (1998). Texture Analysis Methods – A Review. Technical University of Lodz, Institute of Electronics, COST B11 report, Brussels.

Morimoto, T., Takeuchi, T., Miyata, H., &, Hashimoto, Y. (2000). Pattern recognition of fruit shape based on the concept of chaos and neural networks.

Computers and Electronics in Agriculture, 26, 171-186.

Nadernejad, E., Sharifzadeh, S., &, Hassanpour, H. (2008). Edge Detection Techniques: Evaluations and Comparisons. Applied Mathematical Sciences, 31(2), 1507-1520.

Ohta, Y., Kanade, T., &, Sakai, T. (1980). Color information for region segmentation. Comput. Graphics Image Process, 13(3), 222–241.

Corke, P. (2011). “Computer Vision”, Robotics, Vision and Control, 3th ed. Berlim, Germany: Springer.

Owens, R., "Lecture 6", Computer Vision IT412, 10/29/1997. http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/OWENS/LECT6/node 2.html

Schapire, R. E. (2003). Nonlinear Estimation and Classification. Lecture Notes in

Referências Bibliográficas

Schölkopf B., &, Cristianini N. (2002). Suport Vector Machines and Kernel Methods. The New Generation of Learning Machines. Ai Magazine, 23(3), 31-41.

Simões, M.P. (2016). + pêssego Guia Prático da Produção. Covilhã. Centro Operativo e Tecnológico Hortofrutícultura Nacional (COTHN).

Simões, M.P. e Carvalho, M.L. 2008. Relatório final do projecto Agro 452. Escola Superior Agrária de Castelo Branco – Instituto Politécnico de Castelo Branco, Castelo Branco, 28 pp (Anexos, 183 pp).

Song, Y.,Glasbey, C., Horgan, G., Polder, G., Dieleman, J., &, van der Heijden, G. (2014). Automatic fruit recognition and counting from multiple images. Biosystems

Engineering, 118, 203-215.

Voorhees, H., &, Poggio, T. Detecting textons and texture boundries in natural images. ICCV 87:250-25,198.

W., Zhao, D., Cheng, F., Xu, B., Zhang, Y., &, Wang, J. (2012). Automatic recognition vision system guided for apple harvesting robot. Computers & Electrical

Engineering, 38(5), 1186-1195.

Maldonado Jr, W., &, Barbosa, J. C. (2016). Automatic green fruit counting in Orange trees using digital images. Computers and Electronics in Agriculture, 127, 572-581

Wei, X., Jia, K., Lan, J., Li, Y., Zeng, Y., &, Wang, C. (2014). Automatic method od fruit object extraction under complex agricultural background for vision system of fruit picking robot. Optik - International Journal for Light and Electron Optics, 125:19, 5684-5689

Xu, L., Krzyzak A., &, Suen, C. Y., (1992). Methods of combining multiple classifiers and their applications to handwriting recognition. IEEE Transactions on Systems,

Man, and Cybernetics, 22(3), 418–435.

Zhang J., &, Tan T. (2002). Brief review of invariant texture analysis methods.

Pattern Recognition, 35(3), 735-747.

Zhang, Y., &, Wu, L. (2012). Classification of fruits using computer vision and a multiclass support vector machine. Sensors, 12(9), 12489-12505.