Filtro de Kalman estendido e reconhecimento de objetos através da visão computacional para o mapeamento florestal

Abstract

Este trabalho apresenta o desenvolvimento de um sistema eficiente para o mapeamento florestal, com foco na identificação e localização de árvores de interesse ambiental, utilizando técnicas de visão computacional e SLAM. Para isso, foi implementado um algoritmo baseado no Filtro de Kalman Estendido (EKF-SLAM), que permite estimar simultaneamente a trajetória do sistema móvel e a posição das árvores detectadas. A detec- ção das árvores foi realizada por meio de uma rede neural convolucional, especificamente a YOLO, enquanto a obtenção da posição tridimensional foi feita com câmeras estéreo e triangulação de pontos. Os experimentos conduzidos demonstraram que a abordagem adotada é capaz de realizar o mapeamento em ambientes naturais desafiadores, apesar de limitações impostas por variações de iluminação e densidade da vegetação. Os vídeos analisados, gravados nos locais Parque Germânia e Jardim Botânico, demonstraram diferenças significativas no desempenho computacional. Essas variações estão relacionadas às condições ambientais específicas de cada local, como densidade da vegetação e iluminação, que impactam diretamente na detecção, rastreamento e triangulação das árvores de interesse. Como principais desafios, identificou-se a necessidade de aprimorar a correspondência de pontos na visão estéreo e otimizar o tempo de processamento da rejeição de outliers.

This work presents the development of an efficient system for forest mapping, focusing on the identification and location of trees of environmental interest, using computer vision and SLAM techniques. For this purpose, an algorithm based on the Extended Kalman Filter (EKF-SLAM) was implemented, which allows the simultaneous estimation of the trajectory of the mobile system and the position of the detected trees. Tree detection was performed using a convolutional neural network, specifically YOLO, while the three-dimensional position was obtained with stereo cameras and point triangulation. The experiments conducted demonstrated that the adopted approach is capable of performing mapping in challenging natural environments, despite limitations imposed by variations in lighting and vegetation density. The analyzed videos, recorded at the Germânia Park and Botanical Garden sites, demonstrated significant differences in computational performance. These variations are related to the specific environmental conditions of each site, such as vegetation density and lighting, which directly impact the detection, tracking and triangulation of trees of interest. The main challenges identified were the need to improve point matching in stereo vision and optimize the processing time for outlier rejection.