METODOLOGIA PARA A CLASSIFICAÇÃO AUTOMÁTICA DE DOENÇAS EM PLANTAS UTILIZANDO REDES NEURAIS CONVOLUCIONAIS
Redes neurais convolucionais, Doenças em Plantas, Base de dados, Treinamento
As redes neurais convolucionais são uma das técnicas de aprendizado profundo que, devido ao avanço computacional dos últimos anos, alavancaram a área de visão computacional ao possibilitar ganhos substanciais nos mais variados problemas de classificação, principalmente aqueles que envolvem imagens digitais. Tendo em vista as vantagens na utilização dessas redes, diversas aplicações para a identificação automática de doenças de plantas foram desenvolvidas com o objetivo de fornecer uma base para o desenvolvimento de assistência especializada ou ferramentas de triagem automática, contribuindo para práticas agrícolas mais sustentáveis e maior segurança na produção de alimentos. Nesse contexto, este trabalho tem como objetivo propor uma metodologia para a classificação de múltiplas patologias referentes a diversas espécies de plantas tendo como insumo uma base de dados composta de imagens digitais de doenças em plantas. Inicialmente, essa metodologia envolveu etapas de tratamento das imagens da base de dados de doenças em plantas para possibilitar que estivessem aptas a serem entradas nos modelos de redes convolucionais selecionados (VGG16, RestNet101v1, ResNet101v2, ResNetXt50 e DenseNet169), assim como a geração de dez novas bases, a partir da base de referência, com dimensões de 32×32, 40×40, 48×48, 56×56 e 64×64, variando entre as 50 e 66 classes com maior representatividade, com o intuito de submeter os modelos a situações diversas. Após o treinamento dos modelos, um estudo comparativo foi conduzido com base em métricas de classificação amplamente utilizadas na área de aprendizagem profunda, como a acurácia no teste, f1-score e área sob a curva. A fim de atestar a significância dos resultados obtidos, foi realizado o teste estatístico nãoparamétrico de Friedman e dois procedimentos post-hoc, que demonstraram que a ResNetXt50 e a DenseNet169 obtiveram resultados superiores quando comparadas a VGG16 e as ResNets de 101 camadas. Em suma, a metodologia proposta neste estudo se mostrou eficiente no que tange a criação de um método para a identificação automática de patologias em plantas, podendo ser útil no que tange o diagnóstico precoce das doenças.