A identificação de unia planta exige, pelos padrões de taxionomia vegetal, a análise de folhas, flores e frutos. O projeto TreeVis surge com uma proposta de auxiliar na identificação de espécies vegetais, por meio do uso de métodos biométricos, a partir da análise de alguns atributos de uma folha. A contribuição inicial deste trabalho de mestrado, para o projeto TreeVis, está obtenção de classificadores por meio do uso de assinaturas de contorno, sob o domínio da frequência, possibilitando a composição de diversos tipos de assinaturas e classificadores para uma mesma espécie. Devido à baixa eficiência obtida por métodos de classificação como distância mínima, optou-se pelo uso de redes neurais. Essa abordagem evidenciou a necessidade de solução de dois problemas: o grande número de possibilidades de composição de sinais o que ocasionaria um grande esforço computacional para a obtenção de todas respectivas redes neurais; e o reduzido número das amostras utilizadas no trabalho - o qual comprometeria as etapas de treinamento e teste de uma rede neural. Para a solução desses problemas, foram desenvolvidos dois métodos: o primeiro método identifica e seleciona as assinaturas que apresentam um maior potencial de sucesso em obter um classificador por meio de redes neurais, solucionando o problema e desperdício de esforço computacional; o segundo método possibilita a geração de amostras artificiais de folhas através da combinação dos espectros de frequência do contorno das amostras reais por meio operadores genéticos de cross-over e mutação. Solucionadas as duas questões, foram obtidas diversas redes neurais, através da indicação das assinaturas de melhor potencial e treinadas com amostras artificiais. Do total de 31 classes, 7 foram descartadas da tentativa de obtenção de classificadores por não apresentarem nenhuma assinatura com potencial de classificação - conforme indicação do método desenvolvido. Das 24 espécies restantes, foram obtidos classificadores para 18 espécies (75%) com taxas médias de 85% de acerto. A execução deste trabalho necessitou do desenvolvimento de um arcabouço para a automatização da geração, treinamento e teste das redes neurais.

The vegetable identifieation is done, in vegetal taxonomy standards, by fiower, fruits and leaves analyses. The TreeVis project proposes to identifv vegetal speeiniens by biometric methods using only same leaf features. The contribution of this work for to TreeVis project is the generation of classifiers by the contour signatures, under frequency domain, niaking be able the coniposition of several types of signatures and classifiers for the same speeimen. Because of poor efficiency results from methods like minimal distance, was chosen to use neural networks. This approach showed the need to solve two probleins: the numerous composition possibilities of signatures - that would be need a big computational effort to obtained ali possible neural networks; and the small number of speeimen samples - that would compromise the training and test. of neural networks. To solve these two probleins was developed two methods: The first identify and select the signatures that have a good pattern recognition potential, before of the network will be done, solving the waste unneeded effort problem. The second method proposed produces artificial leaf sliapes by combination of contour spectrum frequency speeiniens of real leaves, using genetic operators like cross-over and mutation. Solved these probleins several networks was obtained by appointed potential signature methods and trained and tested with artificial leaves. From 31 speeiniens class, 07 were discarded because tliey had not signatures with classification potential - indicated by developed method. From 24 classes remaining were obtained classifiers for 18 classes (75%) with médium rates 85% of set riglit. The execution of this work demanded the construction of a framework to automatize the generation, training and test of the neural networks.