Classificação de distúrbios em folhas de macieiras utilizando redes neurais convolucionais

• Autor(a) principal: Nachtigall, Lucas Garcia
• Data de Publicação: 2016
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFPel - Guaiaca
• Texto Completo: http://guaiaca.ufpel.edu.br/handle/prefix/8747
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Aprendizado de máquina; Inteligência artificial; Redes neurais convolucionais; Classificação de sintomas em plantas; Machine learning; Artificial intelligence; Convolutional neural networks; Symptoms classification on plants

Na cultura de macieira, nos últimos anos, têm sido verificadas perdas de até 25\% da produção, as quais estão relacionadas à diversos fatores, entre eles as mudanças climáticas, a falta de tecnologias inovadoras e competitivas para o setor da maçã, além do surgimento de novas pragas e/ou doenças e agravamento das perdas por aquelas já conhecidas. Boa parte das soluções tecnológicas para resolver/evitar estes problemas passa pelo rápido reconhecimento em campo das causas destas perdas, principalmente quando relacionadas a incidência de doenças, pragas e desequilíbrios nutricionais que atacam as plantas. Contudo, o método atualmente utilizado para identificar estes sintomas em macieiras baseia-se no conhecimento de especialistas em detecção desses sintomas nos pomares, utilizando como ferramenta publicações contendo imagens e descrições de possíveis sintomas a serem encontrados. Sendo assim, verifica-se a necessidade de implementar uma nova abordagem para tratar esse problema de uma forma menos onerosa e mais eficiente. Técnicas de aprendizado de máquina se tornaram populares pelo fato de poderem aprender informações e padrões a partir de dados e então prever novos resultados ou classificar novos dados apresentados. Algumas das técnicas que atualmente são o estado da arte na classificação de imagens são as Redes Neurais Convolucionais, junto com as Redes Neurais Artificias e Máquinas de Suporte de Vetores. Por ser uma área pouco explorada na literatura, foi necessária a criação de um novo banco de imagens de modo a avaliar se estas técnicas de aprendizado de máquina mencionadas podem classificar corretamente os sintomas em folhas. Para isso, foi realizada a coleta de folhas de macieiras que apresentavam cinco diferentes sintomas. Deste modo, esta dissertação propõe a utilização e comparação destas técnicas de aprendizado de máquina, para a tarefa de classificação de dois sintomas de doenças, dois sintomas de deficiências nutricionais e um sintoma de danos por herbicida em folhas de macieiras. Após a criação de partições de imagens para treino, validação e teste, estes foram submetidos às técnicas de Redes Neurais Convolucionais, redes Multilayer Perceptron e Máquinas de Vetores de Suporte. Além disso, as partições de testes foram enviados para especialistas da área agronômica para a identificação dos sintomas, de modo a comparar a acurácia dos resultados obtidos. Os resultados mostraram que a abordagem proposta neste trabalho, utilizando Redes Neurais Convolucionais, obteve acurácias entre 93,3% e 97,3% de acerto, se igualando ou obtendo resultados superiores aos obtidos por outras técnicas de aprendizagem de máquinas, bem como pelos especialistas selecionados. Desta forma, o uso de Redes Neurais Convolucionais poderá viabilizar o diagnóstico em folhas de macieiras de forma rápida, precisa e usual.