Classificac¸a˜ o autom´atica de amostras de sementes utilizando vis˜ao computacional Luiz Alberto Bordignon1 , Lucas Ferrari de Oliveira1,2 1
Programa de P´os-Graduac¸a˜ o em Eng. El´etrica - Universidade Federal do Paran´a (UFPR) Centro Polit´ecnico, Caixa Postal 19011 - CEP 81531-970 - Curitiba, PR, Brasil,
[email protected] 2
Departamento de Inform´atica - Universidade Federal do Paran´a (UFPR),
[email protected]
RESUMO Medidores de umidade vem se tornando cada vez mais tecnol´ogicos com o passar do tempo, onde tornar o processo mais autom´atico reduz erros e aumenta a produtividade. Parte importante nesse processo de leitura de umidade e´ selecionar o tipo de semente que ser´a amostrada. Visando contribuir com esse cen´ario de desenvolvimento tecnol´ogico, o presente artigo apresenta um m´etodo de classificac¸a˜ o autom´atica utilizando vis˜ao computacional. Um conjunto de dados foi criado para para o treinamento e testes do m´etodo aqui proposto, utilizando 13 diferentes tipos de sementes.O m´etodo utilizou 3 t´ecnicas de descritores de caracter´ısticas para compor o vetor de treinamento e de testes do classificador (LPQ, LBP e LCP). O modelo de classificador utilizado foi o SVM, com variac¸o˜ es de kernels. Os resultados obtidos com o m´etodo mostraram-se satisfat´orios em 10 dos 13 tipos de sementes testadas, ficando ruim principalmente nas classes ervilha inteira e soja. PALAVRAS-CHAVE: Classificac¸a˜ o autom´atica, Amostras de sementes, Vis˜ao computacional.
ABSTRACT Grain moisture testers are becoming highly technological, and make the process more automatic reduces mistakes and increases productivity. An important part of the moisture reading process is select the grain you are will measure. In order to contribute with the technological evolution of the grain moisture testers, this article presents an Automatic Classification Method, using computational vision. A set of data was acquired for training and testing the method proposed here, using 13 different grains. Method three has used characteristics descriptors and classifying tests(LPQ, LBP and LCP) to compose the training vector. The chosen classifying method was SVM, with kernel variations. The results obtained with this method has proven to be satisfying in 10 out of 13 grains tested, and specially unsatisfactory for soybeans and green peas. KEYWORDS: Automatic classifier, Seed samples, Computer vision.
˜ INTRODUC ¸ AO O Brasil e´ um dos maiores produtores de gr˜aos do mundo, no ano de 2014 teve a maior safra de sua hist´oria, 192,3 milh˜oes de toneladas de gr˜aos configurando um crescimento de 2,2% em relac¸a˜ o a 2013. Os fatores que influenciam este crescimento s˜ao: tecnologia, mecanizac¸a˜ o, cr´edito, relac¸o˜ es de troca, melhoria na organizac¸a˜ o e na gest˜ao dos neg´ocios (OLIVEIRA, 2014). Conforme mostra o estudo realizado pelo Ipea (Instituto de Pesquisa Econˆomica Aplicada) o principal fator para o aumento da produtividade e´ a tecnologia, que em instituic¸o˜ es de pesquisa vem se desenvolvendo, como por exemplo a Empresa Brasileira de Pesquisa Agropecu´aria (Embrapa) (GASQUES et al., 2004). Uma parte do processo de medir o teor de umidade de gr˜aos e´ a selec¸a˜ o da esp´ecie de semente a ser amostrada, nos m´etodos convencionais a selec¸a˜ o do tipo do gr˜ao e´ feita manualmente pelo operador de forma visual. Esta selec¸a˜ o est´a sujeita a erros intra e interoperadores, visto que depende da experiˆencia do operador e do seu estado f´ısico e mental. Para minimizar o problema nessa fase do processo, m´etodos automatizados podem ser utilizados. A proposta deste trabalho foi criar uma base de imagens de amostras de sementes visando testar t´ecnicas de vis˜ao computacional para a classificac¸a˜ o de algumas variedades de sementes. Duas base de dados foram criadas, uma referente a safra de 2013 e outra da safra de 2014. T´ecnicas de extrac¸a˜ o de caracter´ısticas, tais como, Haralick, LCP, LPQ, CLBP, LBP, Gabor e Histograma foram aplicadas nesse conjunto de dados e foi utilizado o classificador SVM com seus diferentes kernels de classificac¸a˜ o.
´ MATERIAL E METODOS Base de Imagens Por n˜ao existir nenhum tipo de base de imagens para amostras de sementes dispon´ıveis, foi necess´ario a montagem da nossa base. Nesta parte inicial do trabalho alguns cuidados foram tomados na aquisic¸a˜ o para garantir imagens padronizadas e de boa qualidade. Na figura 1 e´ mostrada uma imagem com o recipiente transparente e outra com o revestimento, e´ poss´ıvel verificar que o ambiente externo tem bastante influˆencia na imagem adquirida. Figura 1: A esquerda o copo transparente com as sementes e a direita o copo com um revestimento para evitar que a iluminac¸a˜ o externa e outros objetos atrapalhem a aquisic¸a˜ o das imagens.
Fonte (O Autor, 2015)
A Figura 2 mostra os equipamentos utilizados para a aquisic¸a˜ o das imagens das sementes. O m´etodo consiste em fazer uma foto em uma resoluc¸a˜ o definida, com sementes a uma altura pr´e-determinada para que as sementes fiquem sempre na mesma distˆancia em relac¸a˜ o a lente da cˆamera em todas as fotos.Na Figura 2 e´ poss´ıvel ver o copo revestido, o dispositivo de encaixe e a cˆamera fotogr´afica. O encaixe foi desenvolvido para que a cˆamera n˜ao sofresse alterac¸o˜ es de posicionamento entre as aquisic¸o˜ es de imagens. O fixador foi projetado em uma impressora 3D de acordo com as dimens˜oes da cˆamera fotogr´afica utilizada (modelo SAMSUNG T-65). Figura 2: Da esquerda para a direita o copo para colocar sementes, o dispositivo fixador da cˆamera e a cˆamera fotogr´afica.
Fonte (O Autor, 2015) A resoluc¸a˜ o de 1 Mega pixel (1024x768) foi utilizada. O conjunto de dados obtido foi separado em 2 partes, Safra 2013 e Safra 2014. Cada safra cont´em 13 classes diferentes, que foram divididas pelo tipo de sementes. Na tabela 1 est˜ao representados os tipos de sementes. Para a realizac¸a˜ o do trabalho todas as imagens foram processadas e classificadas utilizando o software MATLAB 2012b. Tabela 1: Tipos de Sementes, Safra e Quantidades Tipo Safra 2013 Safra 2014 Canola 10 15 Cevada 10 30 Cevadinha 10 15 Ervilha Inteira 10 15 Ervilha Partida 10 15 Feij˜ao Cavalo 10 15 Gergelim 10 15 Lentilha 10 15 Linhac¸a 10 15 Milho 10 15 Quinoa 10 15 Soja 10 15 Torta de Algod˜ao 10 14 Total Safra 130 209
Blocos de Imagens Para aumentar nosso conjunto de dados e poder processar mais r´apido as imagens durante as etapas de extrac¸a˜ o de caracter´ısticas e classificac¸a˜ o das sementes as imagens foram divididas em sub-imagens. O tamanho de bloco escolhido foi de 96x96 pixeis, pois neste tamanho as sementes maiores ficaram contidas dentro dos blocos. As sub-imagens foram obtidas da parte interna das imagens originais, descartando as bordas onde aparece a cor do revestimento do copo. No centro da imagem foi definido um retˆangulo, que indica a a´ rea u´ til para o recorte das imagens. A figura 3 mostra um exemplo do modelo utilizado. Este procedimento foi realizado em todas as imagens obtidas e para o tamanho do bloco estudado obtivemos um total de 16 blocos por imagem. Figura 3: Representac¸a˜ o do modelo de criac¸a˜ o dos blocos.
Fonte (O Autor, 2015)
Extrac¸a˜ o de Caracter´ısticas No total 7 tipos de descritores de caracter´ısticas foram testados, as caracter´ısticas extra´ıdas s˜ao estat´ısticas, estruturais e espectrais. A escolha dos descritores levou em conta a utilizac¸a˜ o em trabalhos da literatura que s˜ao relacionados a` classificac¸a˜ o (ORLANDO, 2003) (BARBOSA, 2009) (FILHO et al., 2014). Na Tabela 2 um resumo de todos os descritores testados neste trabalho e a quantidade de informac¸a˜ o de cada um deles. Tabela 2: Resumo dos descritores usados neste trabalho. ID Nome Dimens˜ao 1 Haralick 13 2 CLBP 118 3 LBP (optmized) 59 4 GABOR 160 5 Histograma 256 81 6 LCP 7 LPQ 256 Por´em, visando sintetizar o artigo e deix´a-lo mais objetivo iremos apresentar somente os trˆes descritores que obtiveram os melhores resultados.
LBP Local binary pattern (LBP) e´ um m´etodo de descric¸a˜ o de textura que vem apresentado um bom desempenho em diversas a´ reas de pesquisa (FILHO et al., 2014). Essencialmente o LBP e´ a comparac¸a˜ o do ponto central de uma regi˜ao delimitada (normalmente 3x3) com seus vizinhos, ent˜ao e´ gerado um c´odigo para substituir o valor do ponto central (OJALA; PIETIKAINEN; MAENPAA, 2002). Neste trabalho utilizamos um LBP (8, 1) que relaciona os 8 vizinhos mais pr´oximos do pixel central e gera um vetor de 59 caracter´ısticas. LCP Local configuration pattern (LCP) decomp˜oe as informac¸o˜ es da imagem em dois n´ıveis, 1) informac¸a˜ o sobre a estrutura local, 2) informac¸a˜ o de configurac¸a˜ o microsc´opica e relac¸o˜ es de interac¸a˜ o de pixel-wise. Para estruturas de informac¸o˜ es locais o m´etodo utiliza LBP para extrac¸a˜ o de caracter´ısticas, enquanto um modelo de configurac¸a˜ o microsc´opica e´ utilizado para ¨ extrair informac¸o˜ es de configurac¸a˜ o microsc´opica (GUO; ZHAO; PIETIKAINEN , 2011). LPQ Mesmo em ambientes controlados para a aquisic¸a˜ o de imagens como e´ feito em nosso trabalho, as imagens podem sofrer degradac¸o˜ es, que podem ocorrer devido ao movimento no instante da captura, ou a imagem ficar fora de foco. Essas degradac¸o˜ es podem limitar a aplicac¸a˜ o de m´etodos de texturas (OJANSIVU; HEIKKILA¨ , 2008). Local phase quantization (LPQ) e´ um m´etodo bastante robusto em imagens desfocadas, pois utiliza o m´etodo de invariˆancia ao borramento do espectro de fase de Fourier para classificar texturas, para isso utiliza a transformada discreta 2D de Fourier (Discrete Fourier Transform - DFT) processada sobre uma janela local para cada pixel da imagem (OJANSIVU; RAHTU; HEIKKILA, 2008).
SVM M´aquina de vetores de suporte (SVM) e´ uma t´ecnica de aprendizagem que vem sendo utilizada amplamente em problemas de classificac¸a˜ o onde envolvem grande volume de dados. De forma simplificada o funcionamento do SVM consiste em: dado dois conjuntos o algoritmo separa esses dados, os pontos que tem a menor distˆancia entre esses dados s˜ao chamados de vetor de suporte. Na figura 4 mostra um exemplo simples de um SVM de duas classes. Figura 4: Exemplo de SVM com duas classes.
Fonte (O Autor, 2015)
Na figura 4 os c´ırculos s´olidos e o retˆangulo s˜ao os vetores de suporte, as linhas P 1 e P 2 formam o hiperplano, e a linha em negrito representa a linha de separac¸a˜ o o´ tima.
Multiclasses SVMs por definic¸a˜ o operam com problemas de duas classes, j´a que seu algoritmo separa dois conjuntos de dados para formar um vetor de suporte separado por um hiperplano. Por´em existem m´etodos para contornar essa limitac¸a˜ o separando o problema em m´ultiplos problemas bin´arios. Basicamente existem dois m´etodos para resolver SVMs multiclasses: um-contra-todos (one-versus-all) e um-contra-um (one-versus-one). Na estrat´egia um-contra-todos s˜ao criados N SVMs, onde N e´ o n´umero total de classes do problema. Para o treinamento nesse modelo, uma classe e´ separada das demais, e todas as outras s˜ao consideradas a outra classe, seguindo essa l´ogica todas as classes s˜ao separadas e treinadas contra as outras at´e que chegue a u´ ltima classe do problema. No final o SVM que tiver o melhor resultado de classificac¸a˜ o e´ definido como a sa´ıda. O m´etodo um-contra-um o SVM faz a classificac¸a˜ o entre duas classes presentes no problema. Neste caso os SVMs treinados s˜ao formados por duas classes. Assim para um novo padr˜ao a ser classificado ele passar´a por todos os SVMs treinados, e o qual tiver a melhor classificac¸a˜ o ser´a considerado pertencente a esta classe.
Kernel Os kernels utilizados neste trabalho s˜ao os fornecidos por padr˜ao na func¸a˜ o svmtrain do software MATLAB. S˜ao eles: • LINEAR — Linear kernel. • QUADRATIC — Quadratic kernel. • POLYNOMIAL — Polynomial kernel. • RBF — Gaussian Radial Basis Function. • MLP — Multilayer Perceptron kernel.
Treinamento SVM O modelo de treinamento para o SVM utilizado neste trabalho foi o m´etodo um-contra-todos, onde as classes foram organizadas em duas, uma contendo a classe objetivo, e a outra classe contendo todas as outras sementes. Analises individuais dos descritores foram realizadas, testes com tipos diferentes de kernels tamb´em foram alvo de an´alise. O treinamento dos SVMs foi feito com as imagens da safra de 2013 e os teste dos SVMs com as imagens da safra de 2014, evitando assim uma tendˆencia do classificador em utilizar imagens da mesma safra para treino e teste.
M´etricas de Avaliac¸a˜ o As m´etricas de avaliac¸a˜ o utilizadas neste trabalho foram a sensibilidade e a especificidade. Sensibilidade e´ a capacidade de identificar uma imagem como pertencente a uma determinada classe. A tabela 3 mostra todos os casos poss´ıveis de resultados. Tabela 3: Relac¸a˜ o entre o resultado do teste e a classificac¸a˜ o obtida.
P Classe Correta N
Classe Predita P N Verdadeiro Falso Positivo Negativo (VP) (FN) Falso Verdadeiro Positivo Negativo (FP) (VN)
O c´alculo de sensibilidade e´ representado pela equac¸a˜ o 1: Sensibilidade =
VP V P + FN
(1)
onde V P corresponde a Verdadeiro Positivo, e F N corresponde a Falso Negativo. Especificidade por sua vez e´ a capacidade de excluir imagens que n˜ao pertencem a determinada classe testada. O c´alculo para especificidade e´ representado pela equac¸a˜ o 2: Especif icidade =
VN V N + FP
(2)
onde V N corresponde a Verdadeiro Negativo, e F P corresponde a Falso Positivo.
˜ RESULTADOS E DISCUSSAO Os testes com o SVM e todos os cinco kernels foram feitos com todos os descritores citados na sec¸a˜ o Extrac¸a˜ o de Caracter´ısticas, por´em iremos apresentar somente os 3 melhores resultados que foram obtidos com os descritores LPQ, LBP e LCP, respectivamente.
Resultados LPQ Mesmo tendo adquirido imagens em um ambiente controlado, sem variac¸a˜ o de luminosidade externa, com distˆancia controlada e cuidados no ajuste do foco, algumas imagens sa´ıram borradas e ou fora de foco. Essas degradac¸o˜ es tem impacto direto na extrac¸a˜ o de caracter´ısticas. A t´ecnica LPQ e´ bastante robusta a esse tipo de problema, e foi utilizada neste trabalho com o objetivo de minimizar defeitos na aquisic¸a˜ o das imagens. A configurac¸a˜ o que apresentou melhores resultados foi com uma janela de 3x3 com parˆametro de correlac¸a˜ o igual a 1. A combinac¸a˜ o dos 256 valores do histograma LPQ treinados com o kernel QUADRATIC do SVM apresentou os melhores resultados.
Comparado com todas as t´ecnicas testadas o m´etodo LPQ obteve o melhor resultado em sensibilidade, demostrando uma maior capacidade de discriminar as classes.Conforme mostrado na Tabela 4 as classes cevadinha, ervilha inteira e soja apresentam os piores resultados. Tabela 4: Resultados obtidos utilizando os c´odigos LPQ com SVM kernel QUADRATIC. Classe Sensibilidade Especificidade Canola 1,0000 1,0000 0,8924 0,9690 Cevada Cevadinha 0,6355 0,9647 0,5619 0,9986 Ervilha inteira Ervilha partida 0,8333 0,9746 0,9583 0,9822 Feij˜ao cavalo Gergelim 0,9707 0,9974 Lentilha 0,9783 0,9810 Linhac¸a 0,9558 0,9923 0,9314 0,9841 Milho 0,9556 0,9990 Quinoa Soja 0,6747 0,9436 1,0000 0,9990 Torta de algod˜ao M´edia 0,8729 0,9835
Resultados LBP Nos experimentos utilizando a t´ecnica LBP os c´odigos foram extra´ıdos utilizando uma matriz de 3x3 com raio R = 1. Isso caracteriza computar o valor do pixel central a partir dos 8 vizinhos mais pr´oximos num raio de 1. Essa configurac¸a˜ o obteve melhores resultados em nossos experimentos. Os c´odigos LBP foram extra´ıdos e resultaram em um vetor de 59 caracter´ısticas que foi utilizado para treinar um classificador SVM. O treinamento do classificador SVM com os c´odigos LBP teve como melhor resultado o kernel com a func¸a˜ o QUADRATIC. Os valores obtidos s˜ao apresentados na Tabela 5.
Resultados LCP A t´ecnica LCP combina o m´etodo LBP com a extrac¸a˜ o de caracter´ısticas microsc´opicas, e´ considerado um m´etodo robusto a ru´ıdos. O m´etodo faz uma an´alise de frequˆencia utilizando as informac¸o˜ es microsc´opicas obtidas, tornando o modelo invariante a rotac¸o˜ es, o que em nosso experimento foi bastante importante, pois as sementes eram alocadas de forma aleat´oria, tendo variac¸o˜ es em todas os aˆ ngulos e rotac¸o˜ es. O modelo LCP que apresentou os melhores resultados foi com uma matriz de 3x3 com raio de 2. O vetor de sa´ıda do m´etodo LCP gerou 81 caracter´ısticas, o classificador SVM com kernel QUADRATIC foi o que apresentou os melhores resultados que est˜ao apresentados na Tabela 6.
Tabela 5: Resultados obtidos utilizando os c´odigos LBP com SVM kernel QUADRATIC. Classe Sensibilidade Especificidade Canola 1,0000 1,0000 0,8750 0,9581 Cevada Cevadinha 0,6496 0,9798 Ervilha inteira 0,5341 0,9955 Ervilha partida 0,9130 0,9708 0,9892 0,9820 Feij˜ao cavalo 0,9524 1,0000 Gergelim Lentilha 0,9028 0,9856 0,8167 0,9887 Linhac¸a Milho 0,8632 0,9818 Quinoa 0,9793 0,9990 Soja 0,6383 0,9532 Torta de algod˜ao 1,0000 0,9997 M´edia 0,8549 0,9842 Tabela 6: Resultados obtidos utilizando os c´odigos LCP com SVM kernel QUADRATIC. Classe Sensibilidade Especificidade Canola 1,0000 0,9997 Cevada 0,9080 0,9609 Cevadinha 0,6204 0,9772 0,5952 0,9939 Ervilha inteira Ervilha partida 0,8142 0,9712 Feij˜ao cavalo 0,9321 0,9891 1,0000 0,9994 Gergelim Lentilha 0,8895 0,9775 Linhac¸a 0,9957 0,9977 0,7723 0,9785 Milho 0,9836 1,0000 Quinoa Soja 0,5039 0,9453 Torta de algod˜ao 0,7762 0,9993 M´edia 0,8301 0,9838
Discuss˜ao E´ poss´ıvel observar em todos os trˆes descritores que as classes Cevadinha, Ervilha Inteira e Soja apresentam os piores resultados na sensibilidade, ou seja, os classificadores n˜ao conseguem acertar essas classes. Um dos motivos e´ que as sementes que comp˜oem as classes s˜ao muito parecidas e isso gera a confus˜ao dos classificadores. Mesmo apresentando somente os trˆes melhores resultados e´ poss´ıvel observar que para as trˆes classes em quest˜ao os m´etodos n˜ao conseguem chegar a 70% de sensibilidade, isso gera uma incerteza na classificac¸a˜ o das sementes, pois n˜ao temos uma alta precis˜ao para as trˆes classes. Por outro lado, outras classes tem variac¸o˜ es entre seus valores de sensibilidade a classe Torta de Algod˜ao, por exemplo, com o LCP tem sensibilidade de 77,62%, por´em tem 100%
de sensibilidade nos descritores LPQ e LBP. Isso indica que e´ melhor utilizar um descritor em detrimento ao outro. Outra situac¸a˜ o foram alguns casos que a sensibilidade oscila entre 80% e 90%, caso da classe Ervilha Partida. Esse tipo de situac¸a˜ o indica que as caracter´ısticas podem ser complementares e funcionarem bem se combinadas. O u´ nico caso que os trˆes classificadores acertam em todos os testes e´ o da classe Canola, mostrando uma sensibilidade de 100% nos classificadores. Indicando que qualquer um dos trˆes ter´a um resultado satisfat´orio.
˜ CONCLUSOES Os testes realizados com os 3 tipos de descritores de caracter´ısticas apresentaram resultados bastante parecidos entre si, principalmente quando analisadas as classes que tiveram os piores resultados. Nas 3 t´ecnicas de extrac¸a˜ o de caracter´ısticas, as classes Cevadinha, Ervilha Inteira e Soja tiveram resultados de sensibilidade menor que 70%, isso ocorreu devido a semelhanc¸a dessas classes com outras. No caso espec´ıfico da Ervilha Inteira e da Soja a semelhanc¸a entre as classes ocorre em tamanho e forma, o que dificultou na extrac¸a˜ o de caracter´ısticas que fossem discriminantes entre ambas as classes. Na figura 5 e´ mostrada a grande semelhanc¸a entre as classes Ervilha Inteira e Soja.
(a)
(b)
Figura 5: Comparac¸a˜ o entre as classes Soja (a) e Ervilha inteira (b). Como proposta para trabalhos futuros, a combinac¸a˜ o de descritores de textura pode melhorar a discriminac¸a˜ o das classes que apresentaram resultados ruins, pois algumas caracter´ısticas podem ser complementares quando extra´ıdas de t´ecnicas diferentes, como por exemplo, incluir no vetor de caracter´ısticas, cor, fase, ou textura. De maneira geral o m´etodo proposto parece ser promissor, j´a que 10 das 13 classes apresentaram resultados de sensibilidade superior a 80%, e tamb´em bastante robusto, j´a que foi testado com sementes de outra safra, onde as mesmas podem sofrer variac¸o˜ es de tamanho, cor e forma, devido a muitos motivos, como por exemplo, transporte, alocac¸a˜ o, clima, temperatura, etc.
ˆ REFERENCIAS BARBOSA, D. P. Avaliac¸a˜ o de descritores texturais geoest´aticos e de Haralick para o reconhecimento de plantas daninhas. Tese (Doutorado) — Universidade Federal de Vic¸osa, Minas Gerais, Brasil, 2009.
FILHO, P. L. P. et al. Forest species recognition using macroscopic images. Machine Vision and Applications, Springer-Verlag Berlin Heidelberg 2014, p. 1019-1031, jan. 2014., 2014. ´ GASQUES, J. G. et al. DESEMPENHO E CRESCIMENTO DO AGRONEGOCIO NO BRASIL. Bras´ılia, Brasil: IPEA, 2004. ¨ GUO, Y.; ZHAO, G.; PIETIKAINEN, M. Texture classification using a linear configuration model based descriptor. In: CITESEER. BMVC. [S.l.], 2011. p. 1–10. OJALA, T.; PIETIKAINEN, M.; MAENPAA, T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. Pattern Analysis and Machine Intelligence, IEEE Transactions on, IEEE, v. 24, n. 7, p. 971–987, 2002. ¨ J. Blur insensitive texture classification using local phase OJANSIVU, V.; HEIKKILA, quantization. In: Image and signal processing. [S.l.]: Springer, 2008. p. 236–243. OJANSIVU, V.; RAHTU, E.; HEIKKILA, J. Rotation invariant local phase quantization for blur insensitive texture analysis. In: IEEE. Pattern Recognition, 2008. ICPR 2008. 19th International Conference on. [S.l.], 2008. p. 1–4. OLIVEIRA, N. de. IBGE: Safra de gr˜aos ser´a 2,2% maior que em 2013. 2014. Acesso em: 1 mai. 2015. Dispon´ıvel em: . ORLANDO, R. C. Sistema de vis˜ao artificial para discriminac¸a˜ o entre plantas daninhas e milho. Tese (Doutorado) — Universidade Federal de Vic¸osa, Minas Gerais, Brasil, 2003.
