Biblioteca do Café
URI permanente desta comunidadehttps://thoth.dti.ufv.br/handle/123456789/1
Navegar
1 resultados
Resultados da Pesquisa
Item Aprendizado profundo aplicado à quantificação da severidade de sintomas de doenças e pragas foliares(Universidade Federal de Viçosa, 2020-07-24) Gonçalves, Juliano de Paula; Pinto, Francisco de Assis de CarvalhoOs métodos propostos atualmente para a segmentação de imagens digitais superaram a exatidão e precisão do método visual na estimativa da severidade de doenças foliares. Entretanto, a combinação de fatores como exatidão, precisão, aplicabilidade em uma gama de condições e rapidez, faz com que as estimativas visuais continuem sendo o método mais usado, tanto em ambiente controlado, como em campo. Os objetivos deste estudo foram: (1) avaliar o aprendizado profundo, mais especificamente, as redes neurais convolucionais (CNNs) na segmentação semântica de imagens digitais para estimativa de severidade de doenças e pragas foliares; e (2) investigar os fatores que afetam os desempenhos dos modelos de CNNs na segmentação semântica de imagens digitais. O conjunto de dados de imagem deste estudo reuniu 766 imagens compostas por uma única folha com sintomas cloróticos e necróticos causados por duas doenças fúngicas (ferrugem da soja e mancha bronzeada do trigo) e um inseto-praga (bicho-mineiro do café). As imagens foliares com sintomas de ferrugem da soja e mancha bronzeada do trigo foram capturadas em laboratório, com a iluminação homogênea e o plano de fundo padronizado. Diferentemente, as imagens foliares com sintomas do inseto- praga bicho-mineiro do café foram capturadas em condição de campo, com iluminação irregular e fundo complexo. Três classes semântica foram anotadas manualmente em cada imagem: fundo da imagem, área foliar saudável e área foliar lesionada. Os fatores investigados que poderiam afetar o desempenho dos modelos de CNN foram: plano de fundo da imagem, aumento de dados, resolução da imagem, backbone, número de dobras K na validação cruzada k-fold, algoritmo de otimização e aprendizado por transferência. O modelo de Rede de Pirâmides Características (FPN) tendeu a apresentar o melhor desempenho na segmentação do conjunto de imagens de teste, atingindo uma Interseção-sobre-União (IoU) de 98,9% para o fundo da imagem, 94,1% para área foliar saudável e 79,4% para a área lesionada. Quando previsões em nível de pixel foram usadas para calcular a severidade das folhas, o modelo FPN superou o software Assess, referência para os fitopatologistas, em todas as doenças e pragas analisadas, com coeficientes de concordância de 0,97, 0,98 e 0,98 para ferrugem da soja, mancha bronzeada do trigo e bicho-mineiro do café, respectivamente. Apresentando um método totalmente automático de segmentação, o tempo de inferência e estimativa da severidade dos modelos de CNNs não ultrapassou os 6s, tempo aproximadamente 20 vezes menor que o obtido pelo usuário no modo manual de segmentação do Assess. Os experimentos computacionais mostraram que os fatores analisados tenderam a impactar o desempenho do modelo FPN na segmentação semântica de imagens foliares. Os resultados se mostraram promissores, principalmente pela capacidade dos modelos de segmentar imagens em condições desafiadoras de iluminação e fundo complexo de forma precisa e automática. Palavras-chave: Redes neurais convolucionais. Segmentação semântica. Processamento de imagens.