Uso de redes neurais profundas na avaliação do ataque de mosca minadora ao tomateiro

• Autor(a) principal: Crispi, Guilhermi Martins
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/29938; https://doi.org/10.47328/ufvbbt.2022.131
• topic: Pragas agrícolas; Inteligência artificial; Redes neurais (Computação); Aprendizado profundo (Aprendizado do computador); Máquinas e Implementos Agrícolas

Um dos maiores problemas da agricultura mundial é com relação às pragas e doenças. Dentre as culturas, a cultura do tomate é uma das mais susceptíveis ao ataque de pragas e doenças. No tomateiro, uma das principais pragas são as moscas minadoras de folha do gênero Liriomyza, especialmente da espécie sativae. A detecção e quantificação da severidade da infestação é importante para definir o momento de controle e definir eficácia dos sistemas de controle. A quantificação da severidade é realizado via amostragem de campo de forma manual por técnicos treinados. No entanto, a avaliação manual exige técnicos treinados, e mesmo assim poderá levar a erros de estimativa devido a subjetividade do processo de avaliação. Dessa forma, o objetivo desse trabalho foi o desenvolvimento de um modelo de inteligência artificial para detecção e estimativa automática da severidade dos sintomas do ataque da mosca-minadora em folhas do tomate. O conjunto de dados para este estudo reuniu 1932 imagens capturadas nas condições de campo contendo uma folha com o sintoma da praga em evidência. Fez-se a anotação manual das três classes presentes em todas as imagens, sendo elas, o plano de fundo, a folha do tomate e o sintoma foliar da mosca minadora. Foi comparado três arquiteturas e quatro diferentes espinhas dorsais (backbone) para tarefa de segmentação semântica multiclasse utilizando-se das métricas acurácia, precisão, revogação e IoU. Sequencialmente, fez-se a estimativa da severidade do sintoma na máscara predita pelo modelo utilizando-se a máscara anotada manualmente para quantificação. Comparando-se todos os modelos e espinhas dorsais utilizadas, o modelo U-Net com espinha dorsal Inceptionv3 alcançou melhor resultado de IoU médio atingindo 77,71%, seguido do modelo FPN com espinha dorsal DenseNet121, atingindo o IoU médio de 76,62%. Analisando-se o IoU separadamente para classe do sintoma em estudo, o modelo FPN com espinha dorsal DenseNet121 alcançou resultado de 61,02%, seguido do modelo LinkNet também com espinha dorsal DenseNet121 com resultado de IoU de 60,99%. Para estimativa da severidade o modelo FPN obteve melhor resultado quando comparado aos demais, sendo as espinhas dorsais ResNet34 e DenseNet121 as que apresentaram menor valor de RSME, o que confirma ainda os valores de IoU encontrados para estes modelos. Os experimentos computacionais demonstrados nesta pesquisa se mostraram promissores, principalmente pela capacidade dos modelos em segmentar automaticamente objetos pequenos em imagens com condições desafiadoras de iluminação e fundo complexo, principalmente com a utilização de um banco de dados com desbalanceamento das classes. Palavras-chave: Pragas agrícolas. Inteligência artificial. Redes neurais convolucionais. Segmentação semântica.