Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 1.987
Aluno: Mariana da Silva Barros
Orientador: Prof. Stefan Michael Blawid
Título: Development of a Deep-Learning based System for Disease Symptoms
Detection over Crop Leaves Images
Data: 22/12/2021
Hora/Local: 10:00 – Virtual – Interessados em assistir entrar em contato com a aluna
Banca Examinadora:
Prof. Adriano Lorena Inacio de Olivera (UFPE / Centro de Informática)
Prof. Mylene Christine Queiroz de Farias(UnB / Departamento de Engenharia Elétrica)
Prof. Stefan Michael Blawid (UFPE / Centro de Informática)
RESUMO:
Agricultura familiar representa um segmento crítico da agricultura
brasileira, envolvendo mais de 5 milhões de propriedades e gerando 74% dos
empregos rurais no país. As perdas de rendimento causadas por pragas e
doenças na colheita podem ser devastadoras para os pequenos produtores. No
entanto, o controle de doenças bem-sucedido requer uma classificação
correta, o que desafia os pequenos proprietários, que muitas vezes carecem
de assistência técnica. O presente trabalho propõe um sistema que alerta
pequenos produtores e especialistas em fitopatologia sobre possíveis surtos
de doenças em plantas, permitindo um diagnóstico e intervenção mais
rápidos. Nesse sentido, nós detectamos sintomas de doenças em imagens de
folhas de plantas tiradas diretamente por agricultores no campo usando um
aplicativo de celular desenvolvido com esse propósito. 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). O trabalho usa
aprendizagem profunda (“deep learning”) e redes neurais convolucionais
(CNNs) para realizar a classificação das imagens. Os experimentos de
classificação foram aplicados sobre um conjunto de dados composto por
imagens de folhas de videira cultivadas no estado de Pernambuco, cuja
coleta também foi parte do presente trabalho. Portanto, algumas imagens
coletadas sob as condições do campo apresentam baixa qualidade, o que
diminui o desempenho da classificação. Assim, nós também classificamos as
imagens com relação à sua qualidade, para excluir imagens desafiadoras da
detecção de doenças e reduzir o número de fotos classificadas erroneamente
entrando na base de dados. A técnica de “multi-label” é aplicada neste
cenário, permitindo a um único modelo classificar se as imagens mostram
sintomas e se elas apresentam qualidade suficiente para que isso seja feito
de maneira confiável. O mecanismo “multi-label” também é uma abordagem
promissora para incluir futuramente 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.
Palavras-chave: Deep Learning, CNN, Multi-label, Doenças de plantas,
Detecção de sintomas, Agricultura Familiar
Comentários desativados