Aprendizado Profundo para Classificação e Quantificação de Doenças e Pragas em Imagens de Folhas de Café
Nome: JOSÉ GUILHERME MOTA ESGÁRIO
Tipo: Dissertação de mestrado acadêmico
Data de publicação: 27/09/2019
Orientador:
Nome |
Papel |
|---|---|
| RENATO ANTÔNIO KROHLING | Orientador |
Banca:
| Nome |
Papel |
|---|---|
| DANIEL CRUZ CAVALIÉRI | Examinador Externo |
| RENATO ANTÔNIO KROHLING | Orientador |
| THIAGO OLIVEIRA DOS SANTOS | Examinador Interno |
Resumo: O estresse biótico consiste em danos causados a plantas por meio de outros seres vivos. O controle eficiente de agentes bióticos, tais como pragas e patógenos (vírus, fungos, bactérias, etc), está intimamente relacionado ao conceito de sustentabilidade agrícola. A sustentabilidade agrícola promove o desenvolvimento de novas tecnologias que possibilitam a redução de impactos ambientais, maior acessibilidade ao produtor rural e, consequentemente, o aumento da produtividade. O uso de visão computacional com métodos de aprendizado profundo permite a identificação do agente causador do estresse. Dessa forma, medidas corretivas podem ser aplicadas o quanto antes para mitigar o problema. Dentre as abordagens mais comumente utilizadas, as redes neurais convolucionais têm se destacado, mostrando resultados superiores e com altas taxas de acertos. O objetivo deste trabalho é projetar um sistema efetivo e prático capaz de classificar e estimar a severidade do estresse causado por agentes bióticos em folhas do cafeeiro. Neste trabalho, duas abordagens baseadas em redes neurais convolucionais foram investigadas. A primeira abordagem consiste em um sistema de etapa única treinado para classificar a base de imagens de folhas com os rótulos de estresse biótico e severidade. Já a segunda abordagem é formada por um sistema de duas etapas, a etapa de segmentação semântica, treinada com a base de máscaras de segmentação, e a etapa de classificação, treinada com a base de imagens de sintomas. As abordagens foram comparadas destacando-se os pontos positivos e negativos de cada uma. Além disso, foi explorado o uso do aprendizado multi-tarefa e de técnicas de data augmentation para tornar o sistema mais robusto e acurado. Os resultados experimentais obtiveram uma acurácia acima de 95% para a identificação do estresse e de 86% para a estimação da severidade usando a base de folhas. Ademais, verificou-se que, ao se classificar apenas os sintomas, os resultados foram superiores a 97%. A severidade calculada através das máscaras de segmentação mostraram um coeficiente de determinação de aproximadamente 0.98, sugerindo que o modelo consegue obter valores de severidade bem próximos dos valores reais. Os resultados obtidos indicam que o sistema proposto pode se tornar uma ferramenta viável para auxiliar tanto especialistas quanto agricultores na identificação e quantificação de estresses bióticos em plantações de café.
