Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens

Detalhes bibliográficos
Autor(a) principal: Caldeira, Rafael Faria, 1984-
Data de Publicação: 2020
Tipo de documento: Tese
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/2587
Resumo: Orientador: Bárbara Janet Teruel Mederos
id UNICAMP-30_d404b420474b4c1f03a648f2388f4c17
oai_identifier_str oai::1235641
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Detecção de doenças na cultura do algodoeiro através de processamento digital de imagensDisease Detection in cotton culture through digital image processingAprendizado de máquinaRedes neurais convolucionaisAprendizado profundoAgricultura de precisãoMachine learningConvolutional neural networksDeep learningPrecision agricultureOrientador: Bárbara Janet Teruel MederosTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia AgrícolaResumo: O desenvolvimento tecnológico aliado à necessidade de implementação de práticas mais sustentáveis tem conduzido toda a operação agrícola a um cenário mais sustentável, seja do ponto de vista ambiental quanto econômico. O algodoeiro, que é uma das culturas agrícolas de maior importância econômica, com cadeia produtiva ampla e complexa, desempenha um importante papel na promoção de novas tecnologias agrícolas. Apesar do cultivo de variedades resistentes a pragas e doenças, o setor agrícola ainda demanda tecnologias que permitam o mapeamento confiável da lavoura para que a aplicação localizada de agroquímicos seja possível e eficiente. Assim, este trabalho foi concebido no intuito de identificar técnicas de processamento digital de imagens e aprendizado de máquina, capazes de reconhecer sintomas de doenças e ataque de pragas em folhas do algodoeiro, de modo que seja possível a implementação de um sistema de processamento de imagens a ser embarcado em máquinas agrícolas, dispositivos móveis ou em desktop, auxiliando assim o produtor rural na definição das zonas de manejo localizado para aplicação de produto fitossanitário. Para obter o banco de imagens com as sintomatologias das doenças selecionadas, organizou-se um experimento dividido em três ares experimentais. Agrupamos nas classes background, área lesionada e folha saudável, atributos de textura de cerca de 60 mil imagens. Os atributos das imagens foram extraídos usando os descritores de média, desvio padrão, suavidade, uniformidade, terceiro momento e entropia. A classificação foi feita por cinco algoritmos de aprendizado de máquina (SVM, NFC, RNA, KNN e ConvNet), os quais tiveram o desempenho global mensurado pelos parâmetros exatidão global e coeficiente kappa, bem como o desempenho individual de classe pelos parâmetros sensitividade (recall), precisão, sensitividade, exatidão e F-score. Os resultados obtidos demonstram que qualquer um dos métodos estudados pode reconhecer lesões sintomatológicas em folhas de algodoeiro, no entanto o algoritmo de vizinhos mais próximos além de apresentar o menor desempenho global também confunde mais entre áreas lesionadas e background. Os resultados mais expressivos foram encontrados pelo algoritmo de redes neurais convolucionais profundas (ConvNet), seguido do algoritmo de máquinas de vetores de suporte (SVM), os quais alcançaram exatidão global de 88,3% e 80,3% e coeficiente Kappa de 0,78 e 0,63, respectivamente. Tais resultados suportam a premissa de que um sistema de processamento de imagens que use atributos de textura e aprendizado supervisionado pelos algoritmos ConvNet ou SVM é capaz de identificar lesões foliares no algodoeiro com confiança acima de 80%, e ainda servir como ferramenta para auxílio à tomada de decisão quanto ao manejo localizado de produtos fitossanitáriosAbstract: Technological development combined with the need to implement more sustainable practices has led the entire agricultural operation to a more sustainable scenario, both from an environmental and an economic point of view. In this sense, cotton, which is one of the agricultural crops of greatest economic importance and has a broad and complex production chain, plays an important role in the promotion of new agricultural technologies. Cultivated intensively in Brazil and standing out in irrigated areas in the northeast and central-west of the country, cotton has had its economic viability ensured mainly by the continuous use of phytosanitary products to control pests and diseases, which in turn represents reduced profitability and increased risk to the environment, especially in regions with deeper soils, such as the biome cerrado. Despite the cultivation of varieties resistant to pests and diseases, the agricultural sector still demands technologies that allow reliable mapping of crops so that the localized application of agrochemicals is possible and efficient. Thus, this work was conceived in order to identify techniques of digital image processing and machine learning, capable of recognizing disease symptoms and pest attack on cotton leaves, so that it is possible to implement an image processing system. to be loaded on agricultural machines, mobile devices or on the desktop, thus assisting rural producers in defining localized management zones for the application of a phytosanitary product. In order to obtain the image bank with the symptoms of the selected diseases, an experiment was organized divided into three experimental areas. We Group into the background classes, injured area and healthy leaf, texture attributes of about 60 thousand images. The attributes of the images were extracted using the descriptors of mean, standard deviation, smoothness, uniformity, third moment and entropy. The classification was made by five machine learning algorithms (SVM, NFC, RNA, KNN and ConvNet), which had the overall performance measured by the parameters global accuracy and kappa coefficient, as well as individual class performance by the recall, precision, sensitivity, accuracy and F-score parameters. The results obtained demonstrate that any of the studied methods can recognize symptomatic lesions in cotton leaves, however the algorithm of closest neighbors, besides presenting the lowest overall performance, also confuses more between injured areas and background. The most expressive results were found by the deep convolutional neural network algorithm (ConvNet), followed by the support vector machine algorithm (SVM), which reached an overall accuracy of 88.3% and 80.3% and a Kappa coefficient of 0,85 and 0.55, respectively. Such results support the premise that an image processing system that uses texture and learning attributes supervised by the ConvNet or SVM algorithms is able to identify leaf lesions in the cotton with confidence above 80%, and still serve as a tool to aid the making decision-making regarding localized management of phytosanitary productsDoutoradoMáquinas AgrícolasDoutor em Engenharia AgrícolaCNPQ140719/2017-2[s.n.]Teruel Mederos, Barbara Janet, 1966-Dal Fabbro, Inacio MariaSantiago, Wesley EsdrarTinini, Rodolpho César dos ReisLino, Antonio Carlos LoureiroUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia AgrícolaPrograma de Pós-Graduação em Engenharia AgrícolaUNIVERSIDADE ESTADUAL DE CAMPINASCaldeira, Rafael Faria, 1984-20202020-11-27T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf1 recurso online (92 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/2587CALDEIRA, Rafael Faria. Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens. 2020. 1 recurso online (92 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/2587. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1235641Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2022-02-04T11:17:22Zoai::1235641Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2022-02-04T11:17:22Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens
Disease Detection in cotton culture through digital image processing
title Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens
spellingShingle Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens
Caldeira, Rafael Faria, 1984-
Aprendizado de máquina
Redes neurais convolucionais
Aprendizado profundo
Agricultura de precisão
Machine learning
Convolutional neural networks
Deep learning
Precision agriculture
title_short Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens
title_full Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens
title_fullStr Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens
title_full_unstemmed Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens
title_sort Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens
author Caldeira, Rafael Faria, 1984-
author_facet Caldeira, Rafael Faria, 1984-
author_role author
dc.contributor.none.fl_str_mv Teruel Mederos, Barbara Janet, 1966-
Dal Fabbro, Inacio Maria
Santiago, Wesley Esdrar
Tinini, Rodolpho César dos Reis
Lino, Antonio Carlos Loureiro
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Agrícola
Programa de Pós-Graduação em Engenharia Agrícola
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Caldeira, Rafael Faria, 1984-
dc.subject.por.fl_str_mv Aprendizado de máquina
Redes neurais convolucionais
Aprendizado profundo
Agricultura de precisão
Machine learning
Convolutional neural networks
Deep learning
Precision agriculture
topic Aprendizado de máquina
Redes neurais convolucionais
Aprendizado profundo
Agricultura de precisão
Machine learning
Convolutional neural networks
Deep learning
Precision agriculture
description Orientador: Bárbara Janet Teruel Mederos
publishDate 2020
dc.date.none.fl_str_mv 2020
2020-11-27T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/2587
CALDEIRA, Rafael Faria. Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens. 2020. 1 recurso online (92 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/2587. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/2587
identifier_str_mv CALDEIRA, Rafael Faria. Detecção de doenças na cultura do algodoeiro através de processamento digital de imagens. 2020. 1 recurso online (92 p.) Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/2587. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1235641
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (92 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189179373912064

Registros relacionados