APS - Sistema Biométrico

Prévia do material em texto

Página | 20
SISTEMA BIOMÉTRICO CAPAZ DE
IDENTIFICAR ESPÉCIES DE PLANTAS A PARTIR DE SUAS FOLHAS
ARARAQUARA / SP
2019
SISTEMA BIOMÉTRICO CAPAZ DE
IDENTIFICAR ESPÉCIES DE PLANTAS A PARTIR DE SUAS FOLHAS
Trabalho apresentado ao Curso de Graduação em Ciências da Computação da Universidade Paulista. Realizado sob orientação do professor:Leandro Fernandes.
ARARAQUARA / SP
2019
Índice
1. Introdução .............................................................. pág. 4
2. Objetivo ................................................................... pág. 7
3. Motivação................................................................. pág. 7
4. Fundamentos das Principais Técnicas Biométricas ...................................................................................pág. 8
4.1.	Como funcionam as Técnicas Biométricas .................... pág. 9
4.2.	Principais Sistemas Biométricas .................................. pág. 10
5.	Extração de Características a partir de Imagens ........................................................................................ pág. 12
6.	Aprendizado de Máquina e Classificação .......... pág. 13
6.1	Atributos ...................................................................... pág. 14
7.	Processo Experimental ....................................... pág. 16
7.1.	Explicação dos Métodos ............................................. pág. 17
8.	Implementação ..................................................... pág. 18
9.	Conclusão ............................................................ pág. 19
10.	Referências Bibliográficas ................................. pág. 20
1. Introdução
Vamos utilizar no trabalho um aprendizado de máquina ou machine learning que é um subcampo da Engenharia e da ciência da computação que evoluiu do estudo de reconhecimentos de padrões, com o objetivo através de algoritmos operam construindo um modelo a partir de inputs amostrais a fim de fazer previsões ou decisões guiadas pelos dados ao invés de simplesmente seguindo inflexíveis e estáticas instruções programadas.
Chamada de LEAF a machine learning usada foi criado por Pedro F. B. Silva e André S. Marçal usando espécimes de folhas coletados por Rubim Almeida da Silva na Faculdade de Ciências da Universidade do Porto, Portugal. O presente banco de dados compreende 40 espécies de plantas diferentes. A Tabela 1 detalha o nome científico de cada planta e o número de espécimes de folhas disponíveis por espécie. As espécies numeradas de 1 a 15 e 22 a 36 exibem folhas simples e espécies numeradas de 16 a 21 e 37 a 40 possuem folhas complexas. Na computação a aprendizagem de máquina tem estado cada vez mais em destaque, sendo propósito de estudo e aplicação de muitos projetos destinados ao ambiente. Este trabalho visa mostrar os benefícios e possibilidades da utilização de análise de imagens para a detecção de plantas.
Em breve pesquisa literária relacionado a visão computacional e a plantas ficou evidente o enorme interesse que o assunto tem despertado impulsionados pela evolução tecnológica, pelos avanços da aprendizagem de máquina e pelas infinitas soluções que podem ser apresentadas a biólogos e pesquisadores da área.
Esse estudo é um produto útil tanto para a comunidade científica quanto para estudantes, analistas ambientais e o público em geral, reconhecer de forma rápida uma planta e outras informações proporciona familiaridade, valorização e estimula a preservação de espécies e é importante no diagnóstico ambiental e no planejamento de ações de conservação e restauração florestal. Também pode contribuir para que suas plantas sejam usadas no paisagismo ou em projetos de urbanização, nos quais predominar espécies de origem nativa. A nacionalização do paisagismo possibilita a reaproximação da sociedade com a riqueza vegetal do Brasil.
Desde os primeiros passos o homem usa da biodiversidade animal e vegetal para manter a própria sobrevivência e já nos encontramos longe dos tempos da “idade da pedra”. Nos primórdios o homem sobreviveu e se multiplicou praticando o extrativismo das riquezas naturais, na busca pela sobrevivência ocupava novos espaços, e para avançar cada vez mais sobre as águas na descoberta de novas fronteiras colocaram em prática sua capacidade de criar. Assim desenvolveu embarcações para facilitar a navegação e construiu as palhoças para abrigar a família, e desde então vem a cada dia inovando e gerando novas tecnologias de locomoção, de comunicação e de parafernálias elétricas e eletrônicas que consomem cada vez mais energia. O crescimento populacional levou o homem a ocupar novos espaços em todo o planeta na busca de alternativas seja ela na produção de alimentos, de energia para enfrentar as intempéries ou na descoberta de medicamentos para sobreviver a disseminação das epidemias e de pesticidas no combate as pragas que se proliferam causando danos às plantas, aos animais e ao próprio ser humano. 
A simples extração da biodiversidade para atender a demanda de alimentos e para a geração das riquezas compromete o meio ambiente e nos obriga a cada dia buscar tecnologias de multiplicação de sementes através do cultivo das plantas e na forma de alimentação da criação de animais aliada as melhorias genéticas. Há poucas décadas atrás, o homem acordou para a preservação ambiental, já no início dos anos 60, o homem tentou através da criação de Leis Ambientais no controle da devastação, sem sucesso diante da ignorância de muitos Governos que deixaram de educar e conscientizar a sociedade. 
Ao final da década de 60 e início de 70 tivemos o avanço da revolução tecnológica no campo e nas cidades gerou um caos ambiental, comprometendo cursos de água quando não por erosão do solo no meio rural, era com terraplenagem para construção civil nos perímetros urbanos, também com pesticidas na agricultura e com esgotamento sanitário das cidades. A degradação ambiental e malefícios provocados pela destruição da biodiversidade em vários locais do Planeta, os anos 80 se destacou pela busca de alternativas, com a implantação de práticas tecnológicas no controle da erosão do solo, formas de cultivo de plantio direto para a conservação do solo, além do controle do uso e do manuseio de defensivos agrícolas no meio rural. No meio urbano a atenção se voltou para o saneamento básico com a necessidade do tratamento de água para o abastecimento e a coleta de resíduos sólidos e esgoto sanitário com objetivo de minimizar os efeitos de degradação. 
Foi no ano de 1981 que se “comemorou” pela primeira vez o DIA MUNDIAL DO MEIO AMBIENTE, muitas organizações na forma de protesto, outros na forma de educação e conscientização da população para buscar técnicas e praticas de recuperação e conservação ambiental.
“SEU PLANETA PRECISA DE VOCÊ”, este é o tema que a ONU leva para a discussão a nível mundial quanto a questões ambientais. Neste dia 05 de junho ao final da primeira década dos anos 2.000, leve esta mensagem na forma de educação, de protesto, mas principalmente de conscientização de si mesmo. O planeta precisa de você cidadão para programar e implantar novas pratica de recuperação do que foi degradado, e para a preservação da biodiversidade que ainda existe. Se o planeta precisa de você, todos nós precisamos cada vez mais de políticas governamentais para o desenvolvimento de tecnologias ambientalmente corretas. Precisamos dos Governantes para criar novas Leis que determinem diretrizes básicas para que nós possamos determinar o uso de técnicas de desenvolvimento econômico e ecológico na produção de alimentos e na melhoria da qualidade de vida socialmente sustentável.
O mundo tem suas diversidade de clima e de biomas, o Brasil tem suas peculiaridades regionais divergentes de tipo de solo, de cobertura florestal, de clima e de etnias culturais e raciais. Cada um a seu modo, descobriu sua forma de sobrevivência e hoje precisa se adequar a novas técnicas e costumes para garantir a estabilidade ambiental e a própria sobrevivência. Nós Brasileiros devemosem primeiro lugar deixar de dar atenção a ONGs internacionais que vem provocar o alvoroço ambiental com suas metodologias ideológicas, e mais do que nunca devemos participar das discussões no Congresso Nacional para aprovação da LEI AMBIETAL – PL 5367, protocolada nesta semana pela Frente Parlamentar da Agropecuária. A nova LEI AMBIENTAL BRASILEIRA define as diretrizes ambientais a nível Nacional, e nós Brasileiros com o conhecimento e a capacidade técnica de cada um, devemos assumir a responsabilidade junto aos nossos Estados, em seus distintos Municípios, com o objetivo único de definirmos as peculiaridades regionais em defesa da recuperação e preservação do meio ambiente na zona rural com a garantia de produção de alimentos, e no perímetro urbano com a diminuição de gases e resíduos sólidos para conter da degradação.
2. Objetivo
 O objetivo do trabalho em grupo é pesquisar sobre os conceitos e o processo de engenharia de requisitos de software, assim como a influência que esta atividade exerce na qualidade do produto como requisitos de software, restrições estabelecidas por clientes e usuários do sistema definem as propriedades do software esses requisitos devem ser detalhados para o entendimento e a extração correta das funcionalidades do sistema. 
3. Motivação 
 	O avanço constante da tecnologia e o surgimento de novos equipamentos e sensores na área de visão computacional, favorece a exploração de novas análises para a realização de atividades de reconhecimento, extraindo-se novas informações referentes as características biométricas, características essas que podem ser únicas e, portanto, contribuem para uma base de dados ampla e reconhecimento rápido de determinada espécie de planta por suas folhas.
 O sistema machine learning utilizado permite com que espécies possam ser reconhecidas de forma eficiente e rápida. A visão computacional traz importantes avanços à essa área, permitindo com que tenha um conhecimento sobre o aparecimento e diminuição de espécies de uma determinada região. Alguns anos atrás, os sensores e scanners apresentavam um custo proibitivo, sendo assim pouco adquirido em meios acadêmicos, tornando-se o maior empecilho para o desenvolvimento de estudos. Entretanto, tecnologias de baixo custo foram lançadas no mercado, permitindo uma maior interação do nível acadêmico com o assunto. A motivação deste trabalho se resume a possibilidade de desenvolver uma aplicação de reconhecimento de espécies de plantas e melhoria para pesquisadores, ambientalistas e paisagistas que podem utilizar do recurso para implementar um custo benefício da flora nativa em seus projetos contribuindo com o meio e melhorando o meio ambiente.
4. Fundamentos das Principais Técnicas Biométricas
Com o constante crescimento dos investimentos no estudo da biometria, cada vez mais ela tem se tornado relevante na sociedade atual. Hoje temos vários dispositivos que permitem acessa-los através de biometria da face, da digital e do olho. Acarretando uma maior sensação de proteção ao usuário.
Tal tecnologia pode ser utilizada em diversas áreas além da segurança. A biometria pode ser utilizada em diversas situações. Por exemplo, controle de acesso em diversos ambientes, encontrar pessoas perdidas através de câmeras de segurança, reconhecimento de espécies de plantas (como é o foco deste trabalho) e entre outros exemplos. A biometria está ligada à verificação de características físicas ou pode estar ligado a aspectos comportamentais. 
Teoricamente, qualquer característica (física ou comportamental) pode ser usada para a identificação, desde que satisfaça os seguintes requisitos:
· Universalidade - significa que todas as pessoas devem possuir a característica;
· Singularidade - indica que esta característica não pode ser igual em pessoas diferentes;
· Permanência - significa que a característica não deve variar com o tempo;
· Mensurabilidade - indica que a característica pode ser medida quantitativamente.
Na prática, existem outros requisitos importantes que relacionam as exigências anteriores com algumas técnicas biométricas:
· Desempenho - refere-se à precisão de identificação, aos recursos necessários para conseguir uma precisão de identificação aceitável e ao trabalho ou fatores ambientais que afetam a precisão da identificação;
· Aceitabilidade - indica o quanto as pessoas estão dispostas a aceitar os sistemas biométricos;
· Proteção - refere-se à facilidade/dificuldade de enganar o sistema com técnicas fraudulentas. O mecanismo de autenticação por biometria funciona com base no registo e na verificação. Para a utilização inicial da biometria, cada utilizador deve ser registado num sistema, que armazena uma característica biológica, física ou comportamental do utilizador (impressão digital, imagem da íris ou da face, gravação da voz, etc.) para ser utilizada posteriormente na verificação da identidade do utilizador.
4.1. Como funcionam as Técnicas Biométricas
Os dispositivos biométricos são utilizados na verificação da identidade do utilizador. Quando este solicita a autenticação, a sua característica física é capturada pelo sensor. A informação analógica do sensor é então convertida para sua representação digital. Em seguida, esta representação digital é comparada com o modelo biométrico armazenado.
O processo de identificação biométrica pode ser um-para-muitos, onde uma amostra é submetida ao sistema, que a compara com todos os modelos da base de dados, a fim de verificar se esta coincide com qualquer um destes modelos. Em caso positivo, determina a identidade do utilizador a quem aquele modelo pertence.
Também pode ser um processo um-para-um, onde o sistema verifica a identidade de um utilizador, comparando a amostra com um modelo específico. Através de uma identificação fornecida, o sistema localiza o modelo desejado e compara-o com a amostra apresentada. Se houver coincidência entre a amostra e o modelo armazenado, o sistema confirma que o utilizador possui realmente a identidade confirmada.
Na escolha de um sistema de autenticação biométrico, o desempenho deve ser uma característica considerada e caracteriza-se por duas medidas: a taxa de falsa aceitação (FAR - False Acceptance Rate) e a taxa de falsa rejeição (FRR -False Rejection Rate). A FAR representa a percentagem de utilizadores não autorizados que são incorretamente identificados como válidos. A FRR representa a percentagem de utilizadores autorizados que são incorretamente rejeitados. A falsa rejeição causa frustração e a falsa aceitação causa fraude.
4.2. Principais Sistemas Biométricas 
· Reconhecimento da face: Esse tipo de reconhecimento permite, por meio de uma imagem facial do ser humano, registar vários pontos identificadores e delimitadores da face. É possível definir distâncias, tamanhos e formas de cada componente do rosto de um ser humano - por exemplo, nariz, olhos e orelha. Os dados da imagem são comparados com as imagens registadas no banco de dados.
· Geometria da mão: Baseia-se na premissa básica de que virtualmente não existem duas pessoas com mãos idênticas e que o formato da mão não sofre mudanças significativas após certa idade. Por meio de imagens capturadas, definição de alguns pontos e cálculos são definidas as dimensões de determinados pontos da mão, que serão usados pelo sistema para permitir ou restringir o acesso de um utilizador.
· Identificação da íris: Utilizando um feixe de luz, é armazenada uma imagem extremamente complexa da íris humana num banco de dados. A identificação da íris é um dos processos mais seguro e confiável disponível atualmente. Cada íris é única e diferencia-se inclusivamente do seu par.
· Identificação da retina: Este tipo de identificação parece-se muito com o anterior. A diferença encontra-se no fato da imagem armazenada ser formada pelos vasos sanguíneos no fundo dos olhos e não a imagem da íris. Os analisadores de retina medem os padrões de vasos sanguíneos utilizando um laser de baixa intensidade e uma câmara.
· Reconhecimento de voz: A tecnologia de reconhecimento de voz éextremamente fácil de utilizar e é considerada não intrusiva pelos utilizadores. Apesar disso, ainda é pouco utilizada por não ser 100 por cento fiável. O programa de identificação faz uma análise dos padrões harmónicos e não uma simples comparação entre reproduções de uma mesma fala.
· Reconhecimento da assinatura manuscrita: Um sistema baseado no reconhecimento da assinatura manuscrita do utilizador é capaz de capturar características como a pressão exercida na caneta, bem como a velocidade de escrita, os movimentos exercidos no ar e os pontos em que a caneta não se encontra no papel. Pode parecer extremamente futurista, mas trata-se de uma técnica já bastante utilizada por instituições financeiras que aplicam sistemas de reconhecimento da assinatura para verificar a autenticidade dos cheques emitidos pelos seus clientes.
· Impressão digital: A individualidade das impressões digitais é amplamente reconhecida, e tem sido usada desde o final do século XIX. É uma das tecnologias mais difundidas no mundo da biometria e necessita de um dispositivo capaz de capturar, com um bom grau de precisão, os traços que definem a impressão dos dedos. As imagens capturadas exigem um sistema que transforme essas imagens em informação para ser utilizada posteriormente no reconhecimento digital.
A tabela a seguir mostra uma comparação entre os sistemas biométricos existentes em termos desses parâmetros:
5. Extração de Características a partir de Imagens
É uma forma especial de redução dimensional, envolve simplificar o conjunto de dados requeridos para descrever um grande conjunto com mais precisão.
Um problema é computar, de forma eficiente, valores que descrevam uma imagem em vetores de características. Vetores de Características buscam representar a “essência” da imagem, segundo um aspecto específico (Cor, textura, forma dos objetos). 
Representação pode ser utilizada diretamente por algoritmos de busca e de aprendizado de máquina. 
Os métodos de extração empregados em reconhecimento facial costumam atender situações específicas e podem ser classificados em três categorias: locais, globais ou híbridos.
· Métodos locais: Estes métodos possuem duas abordagens principais. A primeira utiliza características geométricas, como distância e forma, para calcular medidas relativas entre componentes faciais particulares. A segunda abordagem baseia-se na aparência de elementos independentes, ou seja, utiliza informações globais de regiões específicas da face, como, por exemplo, os olhos, nariz e boca.
· Métodos globais: Métodos globais, também conhecidos como holísticos, dominam este campo de estudo desde 1990 e representam cada amostra como uma matriz bidimensional. Esta estrutura permite o desenvolvimento de sistemas autônomos utilizando técnicas de aprendizagem. No entanto, estes métodos são altamente dependentes da quantidade e relevância das amostras de treinamento e exigem uma capacidade computacional maior para serem implementados, devido ao padrão de armazenamento dos dados.
· Métodos híbridos: Tais métodos empregam informações locais e globais. Nesta abordagem, visa-se preservar as vantagens e reduzir as desvantagens de ambos. Entretanto, este processo de otimização requer uma análise precisa sobre quais características deverão ser combinadas
6. Aprendizado de Máquina e Classificação
Para o aprendizado de máquina, usamos uma machine learning chamada LEAF que foi criado por Pedro F. B. Silva e André S. Marçal usando espécimes de folhas coletados por Rubim Almeida da Silva na Faculdade de Ciências da Universidade do Porto, Portugal.
O presente banco de dados compreende 40 espécies de plantas diferentes. A Tabela 1 detalha o nome científico de cada planta e o número de espécimes de folhas disponíveis por espécie. As espécies numeradas de 1 a 15 e 22 a 36 exibem folhas simples e espécies numeradas de 16 a 21 e 37 a 40 possuem folhas complexas.
Tabela 1: Base de dados foliar: espécies de plantas (classe) e número de amostras disponíveis (#).
Cada amostra de folha foi fotografada sobre um fundo colorido usando um dispositivo Apple IPAD 2. As imagens RGB de 24 bits gravadas têm uma resolução de 720 × 920 pixels. Versões binárias são fornecidas para folhas simples. A Figura 1 fornece uma visão geral do aspecto geral das folhas típicas de cada planta.
Figura 1: Visão geral do banco de dados em folha
6.1. Atributos
Os dados fornecidos compreendem os seguintes recursos de forma (atributos 3 a 9) e textura (atributos 10 a 16):
1. Classe (espécie)
2. Número da amostra
3. Excentricidade
4. Proporção da imagem
5. Alongamento
6. Solidez
7. Convexidade estocástica
8. Fator isoperimétrico
9. Profundidade máxima de indentação
10. Sonoridade
11. Intensidade Média
12. Contraste Médio
13. Suavidade
14. terceiro momento
15. Uniformidade
16. Entropia
Denotemos um objeto de interesse em uma imagem binária,  ∂I sua borda, D (I) seu diâmetro, isto é, a distância máxima entre quaisquer dois pontos em ∂I e A (I) sua área. Deixe A (H (I)) denotar a área do casco convexo do objeto (isto é, qualquer polígono convexo com inscrição 'ideal') e L ('I) o comprimento do contorno do objeto. Suponha que o operador d (.) Represente a distância euclidiana. A tabela 2 detalha a definição dos atributos 3 a 10.
Tabela 2: Recursos de forma (atributos 3 a 10)
Os atributos 11 a 16 são baseados em propriedades estatísticas dos histogramas de intensidade das transformações em escala de cinza das imagens RGB originais. A definição de cada atributo é dada na Tabela 3.
Se Z é uma variável aleatória que indica a intensidade da imagem, o seu enésimo momento em torno da média é   , onde m é a média de Z, p (.) Seu histograma e L é o número de níveis de intensidade.
Tabela 3: Recursos de textura (atributos 11 a 16)
7. Processo Experimental
Focamos na análise e experimento de dois métodos principais para cumprir a proposta, de identificar as espécies de folhas das plantas na base de dados. Foram eles o KNN e o K-Means.
Inicialmente para a classificação testamos o KNN junto com mais dois métodos: SVM e ELM. Porem depois de algumas reuniões, o grupo chegou à conclusão que a implementação de tais métodos poderia ser muito complicado e talvez não teríamos habilidade nem a experiência suficiente para fazê-lo. Optamos então pela utilização do método K-Means. 
7.1. Explicação dos Métodos
O método para classificação via KNN consiste, resumidamente, em atribuir uma classe a um elemento desconhecido usando a classe da maioria de seus k vizinhos mais próximos, segundo uma determinada distância (no espaço de atributos). Dada determinada amostra de uma classe desconhecida, calcula-se a sua distância perante todas as amostras da base de conhecimento, selecionando-se as k amostras mais próximas. Dentre essas amostras, escolhesse a classe que seja maioria entre elas. Se houver empate, utiliza-se a classe mais próxima das maiorias empatadas. Essa técnica apresenta um custo computacional elevado para bases de conhecimento com um grande número de amostras. Isso se deve à necessidade do cálculo da função de distância da amostra desconhecida para todas as amostras contidas na base de conhecimento.
SVM é um método de aprendizagem de máquina desenvolvido por Vapnik (2013), o qual propõe a criação de um hiperplano como superfície de decisão. Esse hiperplano deve apresentar a separação ideal entre duas classes, maximizando a distância entre os pontos mais próximos da classe e o hiperplano. Esses pontos são denominados elementos de borda e os vetores de suporte são as distâncias entre os elementos de borda e o hiperplano. Baseia-se na Teoria de Aprendizagem Estatística como estratégia de treinamento e na Teoria de Otimização para encontrar o hiperplano. Possui a vantagem de ser capaz de trabalhar com um grande volume de amostras e da rapidez na classificação, embora o tempo de treinamento possa apresentar custo computacional considerável para bases com elevado número de amostras. 
O método ELM é derivado da visão atual de RNA como aproximadoresuniversais. Utiliza redes Single-hidden Layer Feedforward Network (SLFN), consideradas um caso especial das redes neurais MLP, por apresentarem uma única camada oculta. Destaca-se devido ao baixo custo computacional para treinamento da rede, sendo que sua essência está no uso de pesos sinápticos aleatórios na camada oculta. Desse tipo de configuração, origina-se um modelo linear para os pesos sinápticos da camada de saída da rede. Esses pesos são calculados de forma analítica por meio de uma solução de mínimos quadrados. O método não exige parametrizações, que são características de controle de RNA, como o ajuste manual da taxa de aprendizagem e do número de iterações, bem como o ajuste do desempenho de critérios de parada. A aplicação da ELM também resolve o problema dos mínimos locais em relação ao algoritmo back-propagation, já que o método ELM não é baseado nas teorias de gradiente descendente.
K-Means é um método de Clustering (grupos) que objetiva particionar n observações dentre k grupos onde cada observação pertence ao grupo mais próximo da média. Se trata de uma medida de similaridade, técnica de aprendizado não supervisionado, que consiste em:
1. Fixar um número de centroides de maneira aleatória, para cada grupo.
2. Associar cada indivíduo ao seu centroide mais próximo.
3. Depois que foram definidos os grupos e necessário usar de uma medida de distância em cada um dos Clustering para definir novos centroides.
4. Depois devemos calcular novamente todos os dados usando os novos centroides.
5. É necessário repetir 4 ou 5 vezes até que nenhum ponto tenha mudado de Clustering.
8. Implementação
	O código fonte foi realizado em Python. Para a realização do código fonte tivemos grandes desafios. O primeiro foi fazer o uso da base de dados para a conexão. O segundo foi ter que fazer o algoritmo das possibilidades para as folhas.
	Por causa da quantidade de linhas optamos em enviar o código fonte e a data base utilizada para o e-mail indicado no site (leo_fernandes@hotmail.com). É importante esclarecer que não foi gerado um executável, apenas o código. 
9. Conclusão
	Neste trabalho pudemos aprimorar os conceitos de trabalhados em sala de aula nesse semestre, com as disciplinas de “Sistemas de Informação Inteligentes” e “Processamento de Imagens”. 
	Através de pesquisas acrescidas com o material disponibilizado pelos professores, não só colocamos a disposição do leitor a teoria sobre sistemas biométricos como também na verificação do código fonte, que supre parte prática. 
	Sabemos que o desenvolvimento de ferramentas que consigam identificar espécies de plantas e outros biótipos. Podem contribuir com pesquisas, com educação florestal, formação de novos colaboradores da área de meio ambiente, que é de máxima importância para os seres humanos e toa vida no planeta terra. 
	Apesar de todas as dificuldades que encontramos no caminho trilhado, chegamos à conclusão que o desenvolvimento do trabalho será de grande utilidade para o nosso futuro acadêmico e profissional. Além de ser um trabalho que pode ser aprimorado para o uso real de pessoas interessadas. 
10. Referências Bibliográficas 
Revista IF – 2019 | Secretaria de Infraestrutura e Meio Ambiente | Instituto Florestal. Conhecer para Conservar: A Importância da Identificação das Espécies Vegetais. Site. Disponível em: https://www.infraestruturameioambiente.sp.gov.br/institutoflorestal/2015/10/conhecer-para-conservar-a-importancia-da-identificacao-das-especies-vegetais/ Acesso em: 12/11/2019.
Artigos - Valdir Edemar Fries – Noticias Agrícolas. Site. Disponível em: https://www.noticiasagricolas.com.br/artigos/artigos-geral/49141-a-biodiversidade-o-homem-e-a-tecnologia.html#.Xci1Zlf0mM8 Acesso em: 12/11/2019.
Sinfic. Características Biométricas e Tecnologias Mais Comuns. Site. Disponível em: http://www.sinfic.pt/SinficWeb/displayconteudo.do2?numero=25032. Acesso em: 09/11/2019.
Wikipédia. Biometria. Site. Disponível em: https://pt.wikipedia.org/wiki/Biometria. Acesso em: 09/11/2019.
Edisciplinas. Extração de características de imagens. Site. Disponível em: https://edisciplinas.usp.br/pluginfile.php/1364034/mod_resource/content/1/Representa%C3%A7%C3%A3oCor.pdf. Acesso em: 09/11/2019.
Vagner do Amaral. Extração e Comparação de Características Locais e Globais para o Reconhecimento Automático de Imagens de Faces. Site. Disponível em: https://fei.edu.br/~cet/dissertacao_VagnerAmaral_2011.pdf. Acesso em: 09/11/2019.
Wikipédia. Extração de características. Site. Disponível em: https://pt.wikipedia.org/wiki/Extra%C3%A7%C3%A3o_de_caracter%C3%ADsticas . Acesso em: 09/11/2019.
“Evaluation of Features for Leaf Discrimination”, Pedro F. B. Silva, Andre R.S. Marcal, Rubim M. Almeida da Silva (2013), notas da aula de Springer em ciência da computação, Vol. 7950, 197-204.
Pedro Filipe Silva. “Development of a System for Automatic Plant Species Recognition”, Dissertação de Mestrado (Master’s Thesis), Faculdade de Ciências da Universidade do Porto. Site. Disponível em: http://hdl.handle.net/10216/67734. Acesso em: 14/11/2019.