Banca de DEFESA: MARIANA DA SILVA BARROS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : MARIANA DA SILVA BARROS
DATA : 22/12/2021
HORA: 10:00
LOCAL: Google Meet
TÍTULO:

Development of a Deep-Learning based System for Disease Symptoms Detection over Crop Leaves Images.

PALAVRAS-CHAVES:

Deep Learning, CNN, Multi-label, Doenças de plantas, Detecção de sintomas, Agricultura Familiar.

PÁGINAS: 110
RESUMO:

Agricultura familiar representa um segmento crítico da agricultura brasileira, envolvendo mais de 5 milhões de propriedades e gerando 74% dos empregos rurais no país. As perdas de rendimento causadas por pragas e  doenças na colheita podem ser devastadoras para os pequenos produtores. No entanto, o controle de doenças bem-sucedido requer uma classificação correta, o que desafia os pequenos proprietários, que muitas vezes carecem de assistência técnica. O presente trabalho propõe um sistema que alerta pequenos produtores e especialistas em fitopatologia sobre possíveis surtos de doenças em plantas, permitindo um diagnóstico e intervenção mais rápidos. Nesse sentido, nós detectamos sintomas de doenças em imagens de folhas de plantas tiradas diretamente por agricultores no campo usando um aplicativo de celular desenvolvido com esse propósito. O módulo implementado é parte de uma plataforma de serviços que conecta produtores e especialistas, projetado em parceria com profissionais de fitopatologia da Universidade Federal Rural de Pernambuco (UFRPE). O trabalho usa aprendizagem profunda (“deep learning”) e redes neurais convolucionais (CNNs) para realizar a classificação das imagens. Os experimentos de classificação foram aplicados sobre um conjunto de dados composto por imagens de folhas de videira cultivadas no estado de Pernambuco, cuja coleta também foi parte do presente trabalho. Portanto, algumas imagens coletadas sob as condições do campo apresentam baixa qualidade, o que diminui o desempenho da classificação. Assim, nós também classificamos as imagens com relação à sua qualidade, para excluir imagens desafiadoras da detecção de doenças e reduzir o número de fotos classificadas erroneamente entrando na base de dados. A técnica de “multi-label” é aplicada neste cenário, permitindo a um único modelo classificar se as imagens mostram sintomas e se elas apresentam qualidade suficiente para que isso seja feito de maneira confiável. O mecanismo “multi-label” também é uma abordagem promissora para incluir futuramente propriedades adicionais da imagem, como agentes causadores de doenças. O sistema de classificação desenvolvido alcança um valor de “recall” de 95% para detecção de sintomas e um valor de precisão de 92% para classificação de qualidade das imagens.

MEMBROS DA BANCA:
Presidente - 1699034 - ADRIANO LORENA INACIO DE OLIVEIRA
Externa à Instituição - MYLENE CHRISTINE QUEIROZ DE FARIAS - UnB
Interno - 1845999 - STEFAN MICHAEL BLAWID