A mestranda em Ciência da Computação Mariana da Silva Barros, com a orientação do professor Stefan Blawid, foi responsável pelo projeto, cuja dissertação vai ser defendida no próximo dia 22 de dezembro
Um novo sistema que visa alertar pequenos produtores rurais e especialistas em fitopatologia sobre possíveis surtos de doenças em plantas foi o resultado da pesquisa de Mariana da Silva Barros, mestranda em Ciência da Computação do Centro de Informática (CIn) da UFPE, que teve a orientação do professor Stefan Blawid. Intitulada “Development of a Deep-Learning based System for Disease Symptoms Detection over Crop Leaves Images”, a dissertação vai ser defendida no dia 22 de dezembro, às 10h.
A inovação trazida por Mariana está no uso da tecnologia para otimizar a produção na agricultura familiar, segmento que engloba mais de 5 milhões de propriedades e é responsável pela geração de 74% dos empregos rurais, segundo dados do último Censo Agropecuário, realizado pelo Instituto Brasileiro de Geografia e Estatística (IBGE) em 2017. A proposta faz uso da Aprendizagem Profunda (Deep Learning) e das Redes Neurais Convolucionais (Convolutional Neural Network) para realizar uma classificação de imagens de folhas de plantas com sintomas de doenças. Os registros são feitos por agricultores no campo, por meio de um aplicativo de celular. O módulo implementado é parte de uma plataforma de serviços que conecta produtores e especialistas, projetado em parceria com profissionais de fitopatologia da Universidade Federal Rural de Pernambuco (UFRPE).
A identificação utiliza a técnica de “multi-label”, incluindo, além da visualização de manifestações patológicas, uma análise em torno da qualidade das imagens obtidas, que por vezes podem ser obtidas em condições inadequadas e comprometer a detecção. Dessa forma, é possível a partir de um único modelo classificar se as imagens mostram sintomas e se elas apresentam qualidade suficiente para garantir a confiabilidade. O mecanismo “multi-label” também abre margem para a inclusão futura de propriedades adicionais da imagem, como agentes causadores de doenças. O sistema de classificação desenvolvido alcança um valor de “recall” de 95% para detecção de sintomas e um valor de precisão de 92% para classificação de qualidade das imagens.
Comentários desativados