As espécies invasoras são conhecidas pela sua rápida disseminação, originando perda de biodiversidade das zonas invadidas, tornando-se importante realizar a monitorização das áreas florestais para o controlo destas espécies. Esta dissertação apresenta uma arquitetura para a deteção da espécie invasora Acacia Longifolia em imagens aéreas, particularmente relevante em Portugal. A arquitetura inclui a captura de imagens aéreas através de veículos aéreos não tripulados (VANTs), o pré-processamento das imagens e a divisão do conjunto de dados em treino, validação e teste. Também inclui uma rede neuronal convolucional (RNC) treinada para a classificação automática desta espécie invasora, nas imagens aéreas adquiridas. Testaram-se duas configurações da RNC, cuja arquitetura difere na última camada responsável pela classificação de amostras com 100 x 100 píxeis, obtidas por uma janela deslizante ao longo das imagens capturadas. Uma das redes classifica segundo nove classes (e.g., Acacia L., Vegetação, Estrada), sendo que a classificação obtida é convertida numa classificação binária através da sua matriz de confusão, tendo apresentado uma taxa de acerto de 98.5% utilizando o conjunto de teste. O segundo modelo foi treinado para a classificação binária relativa à presença de Acácia L., alcançando-se um desempenho de 98.7%. Os resultados mostram que a multi-classificação não prejudica o desempenho na deteção da Acacia Longifolia e fornece ao VANT informação adicional relativa ao ambiente. Por último, desenvolveu-se uma abordagem para melhorar a taxa de acerto, recorrendo a um especialista para verificar as previsões do sistema, ponderando-se o benefício em melhorar o desempenho com o custo de chamar o especialista.

Invasive species are known for their rapid dissemination, involving the loss of biodiversity in affected areas, becoming important to monitor the forest areas in order to control these species. This dissertation presents an architecture for the detection of the invasive species Acacia Longifolia in aerial images, particularly relevant in Portugal. The architecture includes capturing aerial images through unmanned aerial vehicles (UAVs), preprocessing the images and splitting the data into training, validation and testing sets. It also includes a trained convolutional neuronal network for automatic species classification based on the acquired aerial images. Two models were built, whose architecture differs in the last layer responsible for classifying samples with 100 x 100 pixels, obtained by a sliding window along the high-resolution images. One of the networks classifies according to nine classes (e.g., Acacia L., Vegetation, Roadway), and the obtained classification is then converted into a binary classification through the confusion matrix, having an accuracy of 98.5% for testing set. The second model was trained for binary classification for the presence of Acacia L., achieving an accuracy of 98.7% for the test set. The results show that the multi-classification does not hamper the performance of Acacia Longifolia detection and provides UAV with additional environmental information. Finally, an approach has been developed to improve the accuracy of the system by calling an expert to review the predictions produced by the system, balancing the expected benefit of accuracy improvement with the cost of calling the expert.