Classificador open-world para o reconhecimento de ameaças em imagens aéreas de culturas agrícolas

• Ano de defesa: 2023
• Autor(a) principal: Silva, Mailson Gonçalves
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Agricultura de Precisão; Inteligência artificial; Processamento de imagens; Pragas agrícolas; Reconhecimento de padrões
• Link de acesso: https://hdl.handle.net/11449/251192

A Agricultura de Precisão aliada ao Sensoriamento Remoto tem provocado avanços sem precedentes nas mais diversas atividades do campo. Com este progresso, o uso de Veículos Aéreos Não Tripulados (VANTs) tem permitido a obtenção de imagens de alta qualidade a um custo cada vez mais baixo. Isto tem naturalmente incentivado uma explosão de aplicações a partir do uso desses equipamentos, como, por exemplo, as que envolvem o combate às ameaças em culturas (doenças, pragas e ervas daninhas), que afetam a produtividade e implicam em gastos, muitas vezes descontrolados. Este trabalho leva em conta o Aprendizado de Máquina (AM) como um componente essencial para o sucesso e automação do monitoramento de ameaças no campo. Mais especificamente, considera-se neste trabalho modelos de AM para o reconhecimento de padrões em imagens coletados por VANTs, de maneira a detectar automaticamente pragas/doenças em uma cultura agrícola, minimizando, assim, o esforço humano nesta tarefa. Em especial, busca-se um classificador que seja escalável, no sentido de ser apto a assimilar incrementalmente novos padrões de ameaças, a fim de manter o bom desempenho do modelo mesmo diante do comportamento dinâmico dos dados quando em produção. Assim, esta pesquisa propõe um framework que viabiliza a obtenção de classificadores flexíveis o suficiente para incorporar novas classes, antes inexistentes no treinamento do modelo, à medida que aparecem em novos dados a serem classificados. Inspirado em Active Learning, a alternativa proposta gera classificadores de Cenário Aberto (também conhecido como Open-World), tornando possível a expansão da sua base de conhecimento com o mínimo de intervenção humana. A estrutura é experimentada sobre um conjunto de dados de uma cultura de eucaliptos com focos da doença Ceratocystis wilt, a qual deve ser incrementalmente aprendida pelo modelo. Como estratégias para detecção de nova classe, foram estudados critérios baseados em entropia e silhueta, com a proposição de uma versão modificada da silhueta atuando em conjunto com o classificador incremental iCaRL para compor, assim, o modelo Open-World testado. Os resultados alcançados superaram os atingidos com o modelo NNO da literatura, com destaque para o uso de menor quantidade de dados rotulados no processo. Entre os critérios testados, a silhueta proposta se mostrou mais robusta ao desbalanceamento de classes e, por fim, os experimentos evidenciaram que o framework proposto é uma alternativa válida para a obtenção de modelos Open-World.