Ferramenta para diagnóstico de doenças em citros baseada na combinação de técnicas de espectroscopia de fluorescência somada a algoritmos de aprendizagem de máquina

Detalhes bibliográficos
Autor(a) principal: Neves, Ruan Felipe de Oliveira
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://www.teses.usp.br/teses/disponiveis/76/76132/tde-02092021-160652/
Resumo: Nas últimas décadas, tem havido um crescente interesse na detecção precoce das doenças que afetam as culturas agrícolas a fim de evitar grandes perdas econômicas devido à contaminação de novas plantas. Dentre essas doenças as que mais se destacam e são mais letais para a citricultura são o cancro cítrico e greening, ambas ameaçando produções do mundo todo, incluindo regiões do Brasil e dos Estados Unidos. Por se tratar de doenças que possuem um alto índice de contaminação, estas levam a uma redução no número de pomares cultivados causando grande dano econômico aos produtores e as industrias relacionadas. Cada vez mais métodos para diagnóstico antecipado são necessários, tornando-se ferramentas importantes para a saudabilidade da lavoura e consequentemente do negócio. Algumas deficiências de solo como a falta de ferro e zinco apresentam sintomas visuais semelhantes nas folhas das plantas com o greening, enquanto que o cancro cítrico pode ser confundido com a verrugose, podendo levar a diagnósticos errôneos. Atualmente, somente testes bioquímicos são capazes de detectar especificamente o cancro cítrico e o greening, e consequentemente diferenciá-los das demais doenças e deficiências de nutricionais. Nesse trabalho, a técnica de espectroscopia por imagens de fluorescência em conjunto com os métodos de aprendizado supervisionado (algoritmos de classificação), foram utilizadas com o objetivo de identificar e discriminar as principais doenças que afetam a citricultura nos estados de São Paulo/Brasil e da Flórida/EUA. As amostras em estudo são cancro cítrico, verrugose, greening e deficiência de zinco. O objetivo principal é discriminar as doenças sem a necessidade de uma prévia avaliação ocular dos sintomas. Os resultados mostram que é possível utilizar a técnica de espectroscopia por imagens de fluorescência em conjunto a uma rede neural covolucional (AlexNet) para discriminação das doenças. O algoritmo apresentou uma elevada acurácia na classificação das amostras para as quatro doenças em questão quando comparado a outros algoritmos e um enorme ganho de tempo e redução de custo quando comparado ao método bioquímoco.
id USP_25419a6db3a9c7f28c9f79163e65b93e
oai_identifier_str oai:teses.usp.br:tde-02092021-160652
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str 2721
spelling Ferramenta para diagnóstico de doenças em citros baseada na combinação de técnicas de espectroscopia de fluorescência somada a algoritmos de aprendizagem de máquinaDiagnosis tool for citrus diseases based on the combination of fluorescence spectroscopy techniques plus machine learning algorithmsAgricultura de precisãoArtificial neural networksDeep learningDeep learningEspectroscopia de fluorescênciaFluorescence spectroscopyPrecision agricultureRedes neurais artificiaisSVMSVMNas últimas décadas, tem havido um crescente interesse na detecção precoce das doenças que afetam as culturas agrícolas a fim de evitar grandes perdas econômicas devido à contaminação de novas plantas. Dentre essas doenças as que mais se destacam e são mais letais para a citricultura são o cancro cítrico e greening, ambas ameaçando produções do mundo todo, incluindo regiões do Brasil e dos Estados Unidos. Por se tratar de doenças que possuem um alto índice de contaminação, estas levam a uma redução no número de pomares cultivados causando grande dano econômico aos produtores e as industrias relacionadas. Cada vez mais métodos para diagnóstico antecipado são necessários, tornando-se ferramentas importantes para a saudabilidade da lavoura e consequentemente do negócio. Algumas deficiências de solo como a falta de ferro e zinco apresentam sintomas visuais semelhantes nas folhas das plantas com o greening, enquanto que o cancro cítrico pode ser confundido com a verrugose, podendo levar a diagnósticos errôneos. Atualmente, somente testes bioquímicos são capazes de detectar especificamente o cancro cítrico e o greening, e consequentemente diferenciá-los das demais doenças e deficiências de nutricionais. Nesse trabalho, a técnica de espectroscopia por imagens de fluorescência em conjunto com os métodos de aprendizado supervisionado (algoritmos de classificação), foram utilizadas com o objetivo de identificar e discriminar as principais doenças que afetam a citricultura nos estados de São Paulo/Brasil e da Flórida/EUA. As amostras em estudo são cancro cítrico, verrugose, greening e deficiência de zinco. O objetivo principal é discriminar as doenças sem a necessidade de uma prévia avaliação ocular dos sintomas. Os resultados mostram que é possível utilizar a técnica de espectroscopia por imagens de fluorescência em conjunto a uma rede neural covolucional (AlexNet) para discriminação das doenças. O algoritmo apresentou uma elevada acurácia na classificação das amostras para as quatro doenças em questão quando comparado a outros algoritmos e um enorme ganho de tempo e redução de custo quando comparado ao método bioquímoco.In recent decades, there has been a growing interest in the early detection of diseases that affect agricultural crops in order to avoid major economic losses due to the contamination of new plants. Among these diseases, the most prominent and most lethal for citrus crops are citrus and greening cancer, both of which threaten productions worldwide, including regions in Brazil and the United States. As these are diseases that have a high level of contamination, they lead to a reduction in the number of cultivated orchards causing great economic damage to producers and related industries. More and more methods for early diagnosis are needed, becoming important tools for the health of the crop and consequently the business. Some soil deficiencies, such as the lack of iron and zinc, show similar visual symptoms in the leaves of plants with greening, while citrus can be mistaken for warts, which can lead to misdiagnosis. Currently, only biochemical tests are able to specifically detect citrus canker and greening, and consequently differentiate them from other diseases and nutritional deficiencies. In this work, the technique of spectroscopy by fluorescence images in conjunction with supervised learning methods (classification algorithms), were used in order to identify and discriminate the main diseases that affect citrus in the states of São Paulo / Brazil and the Florida / USA. The samples being studied are citrus canker, warts, greening and zinc deficiency. The main objective is to discriminate diseases without the need for prior eye evaluation of symptoms. The results show that it is possible to use the technique of spectroscopy by fluorescence images in conjunction with a covolutional neural network (AlexNet) to discriminate diseases. The algorithm showed a high accuracy in the classification of the samples for the four diseases in question when compared to other algorithms and an enormous gain of time and cost reduction when compared to the biochemical method.Biblioteca Digitais de Teses e Dissertações da USPMarcassa, Luis GustavoSousa, Elaine Parros Machado deNeves, Ruan Felipe de Oliveira2021-02-01info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/76/76132/tde-02092021-160652/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2021-09-15T21:55:03Zoai:teses.usp.br:tde-02092021-160652Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212021-09-15T21:55:03Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Ferramenta para diagnóstico de doenças em citros baseada na combinação de técnicas de espectroscopia de fluorescência somada a algoritmos de aprendizagem de máquina
Diagnosis tool for citrus diseases based on the combination of fluorescence spectroscopy techniques plus machine learning algorithms
title Ferramenta para diagnóstico de doenças em citros baseada na combinação de técnicas de espectroscopia de fluorescência somada a algoritmos de aprendizagem de máquina
spellingShingle Ferramenta para diagnóstico de doenças em citros baseada na combinação de técnicas de espectroscopia de fluorescência somada a algoritmos de aprendizagem de máquina
Neves, Ruan Felipe de Oliveira
Agricultura de precisão
Artificial neural networks
Deep learning
Deep learning
Espectroscopia de fluorescência
Fluorescence spectroscopy
Precision agriculture
Redes neurais artificiais
SVM
SVM
title_short Ferramenta para diagnóstico de doenças em citros baseada na combinação de técnicas de espectroscopia de fluorescência somada a algoritmos de aprendizagem de máquina
title_full Ferramenta para diagnóstico de doenças em citros baseada na combinação de técnicas de espectroscopia de fluorescência somada a algoritmos de aprendizagem de máquina
title_fullStr Ferramenta para diagnóstico de doenças em citros baseada na combinação de técnicas de espectroscopia de fluorescência somada a algoritmos de aprendizagem de máquina
title_full_unstemmed Ferramenta para diagnóstico de doenças em citros baseada na combinação de técnicas de espectroscopia de fluorescência somada a algoritmos de aprendizagem de máquina
title_sort Ferramenta para diagnóstico de doenças em citros baseada na combinação de técnicas de espectroscopia de fluorescência somada a algoritmos de aprendizagem de máquina
author Neves, Ruan Felipe de Oliveira
author_facet Neves, Ruan Felipe de Oliveira
author_role author
dc.contributor.none.fl_str_mv Marcassa, Luis Gustavo
Sousa, Elaine Parros Machado de
dc.contributor.author.fl_str_mv Neves, Ruan Felipe de Oliveira
dc.subject.por.fl_str_mv Agricultura de precisão
Artificial neural networks
Deep learning
Deep learning
Espectroscopia de fluorescência
Fluorescence spectroscopy
Precision agriculture
Redes neurais artificiais
SVM
SVM
topic Agricultura de precisão
Artificial neural networks
Deep learning
Deep learning
Espectroscopia de fluorescência
Fluorescence spectroscopy
Precision agriculture
Redes neurais artificiais
SVM
SVM
description Nas últimas décadas, tem havido um crescente interesse na detecção precoce das doenças que afetam as culturas agrícolas a fim de evitar grandes perdas econômicas devido à contaminação de novas plantas. Dentre essas doenças as que mais se destacam e são mais letais para a citricultura são o cancro cítrico e greening, ambas ameaçando produções do mundo todo, incluindo regiões do Brasil e dos Estados Unidos. Por se tratar de doenças que possuem um alto índice de contaminação, estas levam a uma redução no número de pomares cultivados causando grande dano econômico aos produtores e as industrias relacionadas. Cada vez mais métodos para diagnóstico antecipado são necessários, tornando-se ferramentas importantes para a saudabilidade da lavoura e consequentemente do negócio. Algumas deficiências de solo como a falta de ferro e zinco apresentam sintomas visuais semelhantes nas folhas das plantas com o greening, enquanto que o cancro cítrico pode ser confundido com a verrugose, podendo levar a diagnósticos errôneos. Atualmente, somente testes bioquímicos são capazes de detectar especificamente o cancro cítrico e o greening, e consequentemente diferenciá-los das demais doenças e deficiências de nutricionais. Nesse trabalho, a técnica de espectroscopia por imagens de fluorescência em conjunto com os métodos de aprendizado supervisionado (algoritmos de classificação), foram utilizadas com o objetivo de identificar e discriminar as principais doenças que afetam a citricultura nos estados de São Paulo/Brasil e da Flórida/EUA. As amostras em estudo são cancro cítrico, verrugose, greening e deficiência de zinco. O objetivo principal é discriminar as doenças sem a necessidade de uma prévia avaliação ocular dos sintomas. Os resultados mostram que é possível utilizar a técnica de espectroscopia por imagens de fluorescência em conjunto a uma rede neural covolucional (AlexNet) para discriminação das doenças. O algoritmo apresentou uma elevada acurácia na classificação das amostras para as quatro doenças em questão quando comparado a outros algoritmos e um enorme ganho de tempo e redução de custo quando comparado ao método bioquímoco.
publishDate 2021
dc.date.none.fl_str_mv 2021-02-01
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/76/76132/tde-02092021-160652/
url https://www.teses.usp.br/teses/disponiveis/76/76132/tde-02092021-160652/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815256617115975680