Classificação de plantas daninhas em banco de imagens utilizando redes neurais convolucionais

• Ano de defesa: 2019
• Autor(a) principal: Marques Junior, Luiz Carlos
• 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; Redes neurais convolucionais; Aprendizado profundo; Plantas daninhas; Precision agriculture; Convolutional neural networks; Deep learning; Weeds
• Link de acesso: http://hdl.handle.net/11449/182521

As espécies exóticas invasoras, também conhecidas como plantas daninhas, competem por recursos, como sol, água e nutrientes paralelamente a cultura plantada, impondo prejuízos econômicos ao agricultor. Para minimizar este problema, atualmente os agricultores fazem uso de herbicidas para a eliminação e/ou controle das plantas daninhas. O uso de herbicidas depara-se com problemas: i) algumas plantas daninhas são resistentes a aplicação de herbicidas e, ii) quando aplicados em demasia pode-se ter a contaminação da cultura plantada, do lençol freático e dos mananciais como rios e lagos. Nesse contexto, visando o desenvolvimento de ferramentas que permitam a minimização do emprego de herbicidas, novas abordagens que fazem uso de visão computacional e inteligência artificial aparecem como soluções promissoras, agregando novas ferramentas a agricultura de precisão. Dentre essas soluções destaca-se o aprendizado profundo (do inglês Deep Learning), que utiliza as redes neurais convolucionais para extrair características relevantes, principalmente em imagens, dessa maneira, permite por exemplo a identificação e a classificação de plantas daninhas, o que possibilita ao agricultor optar tanto pela eliminação mecânica da planta daninha quanto a aplicação localizada de herbicidas e em quantidades adequadas. A partir deste desafio que é a correta classificação de diferentes espécies de plantas daninhas, especialmente plantas resistentes aos herbicidas comerciais, o objetivo deste trabalho foi aplicar e comparar a performance de quatro arquiteturas de redes neurais convolucionais para a classificação de plantas daninhas de cinco espécies contidas em um banco de imagens desenvolvido para este trabalho. Para isso foi realizado o treinamento e a classificação das espécies nas seguintes arquiteturas de redes neurais convolucionais: VGG16, ResNet50, InceptionV3 e InceptionResNetV2 com 20 épocas de treinamento. Os resultados indicam que a arquitetura InceptionV3 apresenta o melhor desempenho, com 84,73% de exatidão na classificação nas cinco espécies, seguida pela arquitetura InceptionResNetV2 com 82,87%, VGG16 com 80,60%. A arquitetura ResNet50 obteve o pior resultado com 20,00% de exatidão, a rede InceptionV3 foi treinada novamente com 40 épocas, obtendo 88,50%de exatidão.