Diagnóstico precoce de ataque de pragas em plantas usando imagens de fluorescência

• Autor(a) principal: Silva Junior, Luiz Gonzaga da
• Data de Publicação: 2024
• 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/55/55137/tde-30042024-095958/
• topic: Aprendizado de máquina; Aumento de dados; Data augmentation; Early detection; Espectroscopia de fluorescência; Fluorescence spectroscopy; Identificação precoce; Infestação; Infestation; Machine learning

Um dos maiores desafios na agropecuária em grande escala é o controle e monitoramento de doenças e pragas que acometem as plantações. Sem o controle adequado, podem comprometer a produtividade gerando grandes prejuízos. O monitoramento normalmente é feito de forma visual, um processo ineficiente e propenso a falhas. Para contornar o problema da baixa eficiência no monitoriamento e evitar a disseminação descontrolado de doenças, o produtores costumam realizar aplicações regulares de defensivos químicos. No entanto, quando a inspeção visual detecta uma infestação, os danos causados à plantação frequentemente são elevados, deixando os produtores com opções limitadas de manobra. Além disso, a aplicação regular de defensivos pode acarretar em outros problemas, tais como o desenvolvimento de resistência em pragas e doenças, impactos na saúde humana e contaminação ambiental. Este trabalho tem como objetivo desenvolver modelos de aprendizado de máquina para classificação precoce de pragas no milho usando dados de imagens de fluorescência da clorofila. Para atingir esse objectivo, utilizamos técnicas de data augmentation para expandir o conjunto de dados inicial. Essa abordagem permitiu uma representação mais abrangente dos atributos, aumentando a capacidade de generalização dos modelos. Plantas de milho das variedade Zapalotes chico (LE) e Sintético Spodoptera (SE) foram cultivadas em vasos e preservadas em casa de cultivo até o momento da infestação com as pragas e coleta dos dados. As imagens de fluorecência foram obtidas através do equipamento Closed FluorCam FC800-C e processadas pelo programa FlourCam7 para extração dos atributos. Foram avaliadas dois tipos de infestação, ataque inicial de Spodoptera frugiperda (lagarta) e Dichelops melacanthus (percevejo). Para identificar qual viés de representação mais adequado para o conjunto de dados, exploramos quatro métodos de classificação: baseados em distâncias, como o KNN; métodos simbólicos, exemplificados pela Árvore de Decisão; métodos conexionistas, como Redes Neurais; e métodos de maximização de margens, como o SVM. As redes neurais e o Adaboost demonstraram os melhores desempenhos na classificação, alcançando uma acurácia de 83% na detecção de percevejos e 75% na detecção de lagartas, respectivamente. Este estudo evidenciou o potencial transformador ao integrar dados reais e sintéticos no treinamento de modelos de aprendizado de máquina, resultando em melhorias significativas na identificação precoce de pragas no cultivo de milho.