Detecção e classificação de doenças e pragas da soja usando imagens de veículos aéreos não tripulados e técnicas de visão computacional

• Ano de defesa: 2019
• Autor(a) principal: Tetila, Everton Castelão
• Orientador(a): Pistori, Hemerson
• Banca de defesa: Oliveira, Michel Angelo Constantino de , Marques, Rúbia Renata , Santos, Jefersson Alex dos , Marcato Junior, José
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Católica Dom Bosco
• Programa de Pós-Graduação: Programa de pós-graduação em Desenvolvimento Local
• País: Brasil
• Palavras-chave em Português: Sensoriamento remoto; Inseto nocivo
• Palavras-chave em Inglês: Remote sensing; Pest insects
• Área do conhecimento CNPq: CNPQ::CIENCIAS AGRARIAS
• Link de acesso: http://repositorio.ufgd.edu.br/jspui/handle/prefix/2385

A soja (Glycine max) é uma oleaginosa com bom perfil nutricional e importante respaldo econômico para a indústria alimentícia ao redor do mundo. Desde a semeadura até a colheita, a cultura da soja está sujeita a ataques bióticos de pragas e doenças, podendo ocasionar a depreciação do produto final. Esta tese propõe criar um novo sistema de visão computacional para identificar doenças e pragas na cultura da soja que seja capaz de apresentar ao produtor o nível de infestação de cada região da lavoura para um manejo mais eficiente de suas populações. O sistema proposto baseia-se no método Simple Linear Iterative Clustering (SLIC) para segmentar as folhas das plantas nas imagens da plantação, capturadas por veículos aéreos não tripulados (VANT) de uma linha bastante popular do mercado de VANT, denominada DJI Phantom. Em seguida, técnicas rasas e profundas da aprendizagem de máquina são usadas na classificação de doenças e pragas agrícolas. Na tarefa de classificação de doenças, o desempenho das técnicas de aprendizagem de máquina supervisionada foi avaliado para cinco alturas de voo diferentes: 1, 2, 4, 8 e 16 metros. Com técnicas rasas (SVM, k-NN, Naive Bayes, J48, AdaBoost e Random Forest) e atributos visuais das folhas (cor, gradiente, textura e forma), os experimentos sustentaram a hipótese de que as alturas de voo mais próximas entre o VANT e a planta apresentam maiores taxas de classificação correta (TCC). Para aprendizagem rasa, especificamente usando o classificador SVM, os experimentos alcançaram 98,34% na identificação da doença foliar usando alturas de voo entre 1 e 2 metros, com decaimento de 2% a cada metro, uma vez que a resolução da planta na imagem diminui para uma altura de voo mais alta. Os experimentos também confirmaram que mesmo catalogando novas doenças e aumentando o número de 3 para 6 classes, não houve evidência de diferença estatística significativa das métricas de desempenho para os dados coletados pelo VANT a 2 metros de altura da plantação. Com técnicas de aprendizagem profunda, quatro modelos reconhecidos pela concorrência no ImageNet foram avaliados para o reconhecimento automático de doenças foliares da soja, usando diferentes estratégias de fine-tuning (ajuste fino) e transfer learning (transferência de aprendizagem), sobre um conjunto de 3.000 imagens capturadas em condições reais de campo. Aumento de dados (data augmentation) e função de abandono dropout foram usados durante o treinamento da rede para aumentar a quantidade de dados e eliminar aleatoriamente alguns dos neurônios ocultos na rede, evitando o sobreajuste (overfitting). Os resultados mostraram que os modelos Inception-V3, Resnet-50, VGG-19 e Xception alcançaram taxas de classificação mais altas usando a estratégia de ajuste fino, atingindo 99,04% de amostras classificadas corretamente. Do mesmo modo, os modelos de aprendizagem profunda foram avaliados para a tarefa de classificação de insetos da soja, usando diferentes estratégias de fine-tuning e transfer learning, sobre um conjunto de 5.000 imagens coletadas diretamente do campo com a câmera de um smartphone. Os resultados mostraram que os modelos de aprendizagem profunda treinados com um ajuste fino atingiram maiores taxas de classificação em comparação a outras abordagens, alcançando uma acurácia de até 93,82%. Além disso, os modelos de aprendizagem profunda superaram nos experimentos os métodos de extração de atributos tradicionais, como SIFT e SURF com a abordagem histograma de palavras visuais, o método de aprendizagem semi supervisionada OPFSEMImst e os métodos de aprendizagem supervisionada usados para classificar imagens, como SVM, k-NN, Naive Bayes, J48, AdaBoost e Random Forest. Na tarefa de contagem de insetos-praga, três modelos de aprendizagem profunda foram avaliados. Os pesos da rede neural convolucional (RNC) DenseNet-201 FT - que obteve o maior valor para a acurácia (94,89%) na tarefa de classificação - foram usados em nosso sistema de visão computacional para a contagem dos insetos na imagem, obtida pela adição dos superpixels de cada classe. Deste modo, demonstramos como um modelo de aprendizagem profunda pode ser implementado em um sistema de visão computacional de ponta a ponta para operar em um ambiente de campo real, sob diferentes condições de iluminação, tamanho de objeto e variações de fundo. Na etapa de pós-processamento um mapa colorido é gerado, fornecendo uma classe de cada problema (doença ou praga) por segmento e a soma dos superpixels apresenta ao produtor o nível de infestação de uma região da lavoura, ao classificar os segmentos de uma imagem da plantação. Os resultados indicam que os modelos de aprendizagem profunda podem ser usados com sucesso para apoiar especialistas e agricultores no monitoramento de patógenos e pragas nos campos de soja.