Identificação de doenças em folhas de soja utilizando redes neurais convolucionais

Abstract

Atualmente, um dos maiores problemas da agricultura mundial está interligado ao con trole de doenças, sendo responsável por grandes prejuízos. A detecção das doenças nas culturas agrícolas é um fator essencial para seu controle, dessa forma, é importante uma rápida tomada de decisão, para os prejuízos serem os mínimos possíveis. Neste contexto, este trabalho investigou métodos para classificação das doenças utilizando uma área da inteligência artificial conhecida como redes neurais convolucionais. Foram utilizados qua tro repositórios de imagens diferentes para compor um banco de imagem, contendo 815 imagens com seis classes, sendo cinco classes com as cinco principais doenças foliares presentes na soja e uma classe com a folha saudável. As bibliotecas TensorFlow e Keras foram utilizadas para o pré-processamento de imagem, elaboração e treinamento das duas redes neurais presentes no projeto, sendo uma rede neural convolucional chamada de Mo bileNetV2 e outra desenvolvida pelo autor. Mediante ao software Weka foram treinados algoritmos tradicionais com dados obtidos através de extração de features pelo descritor GIST, a fim de comparação dos resultados alcançados pelas redes neurais convolucionais. As 815 imagens foram divididas em três conjuntos de dados, estes sendo treinamento, validação e teste. Os resultados demonstraram que a rede neural MobileNetV2 alcançou um desempenho de 11,3% melhor do que a rede neural desenvolvida e 18,3% melhor do que métodos baseados em extração de features.

Currently, one of the biggest problems in world agriculture is related to disease control, which is responsible for large-scale losses. The detection of diseases in agricultural crops is an essential factor for their control, therefore, it is important that decisions are made quickly and efficiently so that losses are drastically minimized. In this context, the present work investigated methods for classifying diseases using an area of artificial intelligence known as convolutional neural networks. Four different image repositories were used to compose an image bank, containing 815 images with six classes, five classes with the five main foliar diseases present in soybeans, and one class with a healthy leaf. The TensorFlow and Keras libraries were used for image pre-processing, elaboration and training of the two neural networks present in the project, one convolutional neural network called Mobile NetV2 and another developed by the author. Using the Weka software, trained traditional algorithms were trained with data obtained through feature extraction by the descriptor GIST, in order to compare the results achieved by convolutional neural networks. The 815 images were divided into three sets of data, these being training, validation and testing. The results demonstrated that the MobileNetV2 neural network achieved a performance of 11,3% better than the developed neural network, and 18,3% better than methods based on feature extraction.