APLICAÇÃO DE APRENDIZADO DE MÁQUINA PROFUNDO PARA DETECÇÃO POR IMAGENS DE DOENÇAS EM FRUTOS DO CACAUEIRO

APLICAÇÃO DE APRENDIZADO DE MÁQUINA PROFUNDO PARA DETECÇÃO POR IMAGENS DE DOENÇAS EM FRUTOS DO CACAUEIRO

• Autor
• Maria Eliana da Silva Holanda
• Co-autores
• Joaquim dos Santos Costa , Edson Magalhaes da Costa , Jakelyne Machado Lima Silva , Gilberto Nerino de Souza Junior , Marcus de Barros Braga
• Resumo

•  

  O estado do Pará é o maior produtor de cacau do Brasil, com 51% da produção nacional, envolvendo 26 mil produtores. Contudo, doenças que acometem essa cultura são responsáveis por elevadas perdas na produção. As principais doenças que acometem a cultura do cacau, como a Vassoura de Bruxa, a Podridão Parda e o Mal do Facão, tem a característica de se destacar visualmente, o que permite que sejam detectadas através de técnicas de reconhecimento de imagem, também conhecidas como técnicas de visão computacional. Identificar o surgimento de doenças na lavoura em estágio inicial é extremamente importante para que o produtor possa tomar precaução com antecedência e assim evitar perdas na safra. O desenvolvendo modelos de diagnóstico, previsão e monitoramento de doenças a partir de abordagens de Inteligência artificial, com informações obtidas de imagens a partir de dispositivos móveis como celulares e/ou tablets em campo proporcionará uma poderosa ferramenta de auxílio aos agricultores no aperfeiçoamento dos métodos no combate às doenças. Este trabalho apresenta uma abordagem computacional baseada em aprendizado profundo (deep learning), subárea da inteligência artificial, para identificar doenças que acometem a cultura do cacau. O modelo inteligente adotado é baseado nas redes neurais artificiais e se chama, redes neurais convolucionais (convolutional neural networks - CNN). Utilizou-se um banco de dados público com 4.389 imagens do fruto abrangendo as doenças Podridão Parda e Broca da Vagem. Para o conjunto de dados escolhido, cinco diferentes cenários de arquiteturas de a CNN foram testados. O primeiro cenário testado foi o padrão, com configurações típicas da rede neural para este tipo de problema de classificação. Neste cenário, a CNN obteve uma acurácia de 92%. A CNN com os parâmetros do cenário 2 obteve uma acurácia de 91%. Na CNN com os parâmetros do cenário 3 foi utilizada a técnica de validação cruzada para treinamento, validação e teste dos dados. Com isso, foi obtida uma acurácia média de 91,77%. Foi testada a técnica de data augmentation na CNN do cenário 4. Os experimentos indicam acurácia média de 95% na classificação das imagens. Na última configuração testada para este conjunto de dados, na CNN do cenário 5, foram experimentadas simultaneamente as técnicas de data augmentation e de cross validation. Como resultado, foi obtida uma acurácia média de 92,13%. O modelo proposto mostrou-se eficiente e mais, pode ser aplicado a problemas de outras naturezas, outros tipos de imagens, de culturas e áreas das ciências agrárias. Desta forma, o presente estudo busca contribuir efetivamente com uma ferramenta que pode ajudar no melhoramento da cadeia produtiva do cacau no estado do Pará. Trabalhos futuros podem aplicar a mesma metodologia para explorar imagens próprias adquiridas de lavouras de cacau da Amazônia paraense. O presente trabalho resultou na publicação de um artigo em periódico (International Journal of Development Research, Vol. 11, Issue, 05, pp. 47378-47384, May, 202, https://doi.org/10.37118/ijdr.22009.05.2021).

   

• Palavras-chave
• doenças do cacau, aprendizado de máquina, redes neurais convolucionais.
• Modalidade
• Vídeos
• Área Temática
• CIÊNCIA DA COMPUTAÇÃO

Voltar Download