IDENTIFICAÇÃO DE BICHO-MINEIRO E DE FERRUGEM NO CAFEEIRO UTILIZANDO PROCESSAMENTO DIGITAL DE IMAGENS E REDES NEURAIS CONVOLUCIONAIS

Visualizações: 163

Autores

DOI:

https://doi.org/10.56579/rei.v6i3.972

Palavras-chave:

Deep Learning, Visão Computacional, Rede Neural Convolucional, Leucoptera Coffeella, Hemileia Vastatrix

Resumo

A demanda do mundo por café aumenta a cada ano, e o Brasil é um dos maiores produtores globais. Com o elevado volume de produção, há uma necessidade crescente de melhoria da qualidade do produto devido às exigências dos mercados nacional e internacional. Porém, pragas como o bicho mineiro (Leucoptera coffeella) e a ferrugem (Hemileia vastatrix) causam grandes danos em plantações de café, resultando em perdas da cultura anualmente. Vários métodos e técnicas vêm sendo desenvolvidas e aplicadas para avaliação do nível de infestação e controle destas pragas. Entre essas técnicas estão o uso de visão computacional e rede neural convolucional (CNN). Assim, o objetivo deste trabalho foi o desenvolvimento de uma ferramenta computacional para identificar corretamente a presença de pragas, reduzindo o tempo de avaliação, o erro do avaliador e os gastos com mão de obra. A acurácia dos métodos desenvolvidos ficou entre 99,67% e 97,00%.

Downloads

Não há dados estatísticos.

Biografia do Autor

CHARLY BRAGA VENTURA , Universidade Federal de Itajubá

Aluno do Programa de Pós-graduação em Ciência e Tecnologia da Computação da Universidade Federal de Itajubá.

ÉRICK OLIVEIRA RODRIGUES, Universidade Tecnológica Federal do Paraná

Professor adjunto de ciência da computação na Universidade Tecnológica Federal do Paraná (UTFPR) e professor permanente no programa de Pós-Graduação em Engenharia de Produção e Sistemas (PPGEPS) do campus Pato Branco, ex professor adjunto da Universidade Federal de Itajubá (UNIFEI). Tem doutorado em ciência da computação pela Universidade Federal Fluminense, com período de 6 meses no Instituto do Petróleo na Khalifa University em Abu Dhabi (foco: computação visual e aprendizado de máquina), onde trabalhou como pesquisador assistente. Recebeu menção honrosa da CAPES na tese de doutorado (uma das 3 melhores teses do Brasil em ciência da computação). Também ganhou prêmio de excelência de melhor tese de doutorado da UFF em ciência e tecnologia. Possui título de mestre em computação também pela Universidade Federal Fluminense e graduação em Sistemas de Computação, também na UFF. Na ocasião, também recebeu prêmio de melhor dissertação de mestrado nas ciências exatas e tecnológicas pela UFF. Possui publicações nas melhores revistas internacionais de sua área de atuação. Já trabalhou com várias linguagens de programação ao longo dos mais de 15 anos de experiência com o tema. Já liderou e ajudou na criação de diversos projetos incluindo jogos, bibliotecas de imagens, software de inteligência artificial, processamento de imagens médicas, etc. As principais áreas de interesse são: processamento de imagens, reconhecimento de padrões, aprendizado de máquina, data mining, bioinformática, programação paralela em placas de video, aplicação da computação na saúde (diagnóstico, sistemas de suporte, etc), simuladores, otimização, jogos e engines e aplicações multiplataforma (incluindo mobile, web e desktop). As principais linguagens de programação são Java, C/C++, CUDA, Javascript, PHP, CSS, GPU Shaders, etc.

VANESSA ANDALÓ MENDES DE CARVALHO, Universidade Federal de Uberlândia

Possui graduação em Agronomia pela Universidade de Brasília (2000), mestrado em Agronomia (Entomologia) pela Universidade Federal de Lavras (2003) e doutorado em Agronomia (Entomologia) pela Universidade Federal de Lavras (2006). Atualmente é professora na Universidade Federal de Uberlândia. Tem experiência na área de Entomologia, com ênfase em controle biológico de insetos, atuando principalmente nos seguintes temas: controle microbiano, praga subterrânea e nematoides e fungos entomopatogênicos. (Texto informado pelo autor).

SANDRO CARVALHO IZIDORO, Universidade Federal de Itajubá

Possui graduação em Tecnologia em Processamento de Dados pela Universidade José do Rosário Vellano (1993), graduação em Bacharelado em Ciência da Computação pela Universidade José do Rosário Vellano (1994), mestrado em Engenharia Elétrica pela Universidade Federal de Itajubá (2001) e doutorado em Bioinformática pela Universidade Federal de Minas Gerais (2015) com período sanduíche no Centre Nacional de Séquençage Genoscope (CEA - França). Atualmente é professor adjunto da Universidade Federal de Itajubá (Campus de Itabira). Tem experiência na área de Bioinformática Estrutural e Ciência da Computação, com ênfase em Inteligência Artificial, Algoritmos Genéticos e Predição de Função de Proteínas.

Referências

BARBEDO, J. G. A. Plant disease identification from individual lesions and spots using deep learning. Biosystems Engineering, v. 180, p. 96–107, 2019. DOI: https://doi.org/10.1016/j.biosystemseng.2019.02.002

CABALLERO, E. M. T.; DUKE, A. M. R. Implementation of artificial neural networks using nvidia digits and opencv for coffee rust detection. In: 2020 5th International Conference on Control and Robotics Engineering (ICCRE). [S.l.: s.n.], 2020. p. 246–251. DOI: https://doi.org/10.1109/ICCRE49379.2020.9096435

CARNEIRO, A. L. C.; SILVA, L. de B.; FAULIN, M. S. A. R. Artificial intelligence for detection and quantification of rust and leaf miner in coffee crop. 2021.

CASTILLO, G. O bicho mineiro e os métodos de controle dessa praga tão devastadora. 2016. Disponível em: https://3rlab.wordpress.com/2016/06/ 01/o-bicho-mineiro-e-os-metodos-decontrole-dessa-praga-tao-devastadora/. Acesso em 05/11/2023.

CASTRO, W. et al. Evaluation of expert systems techniques for classifying different stages of coffee rust infection in hyperspectral images. International Journal of Computational Intelligence Systems, v. 11, p. 86–100, 2018. ISSN 1875-6883. Disponível em: <https://doi.org/10.2991/ijcis.11.1.8>. Acesso em:131/11/2023. DOI: https://doi.org/10.2991/ijcis.11.1.8

CHEMURA, A.; MUTANGA, O.; SIBANDA, M. e. a. Machine learning prediction of coffee rust severity on leaves using spectroradiometer data. Int J Biometeorol 64, 671–688, 2018.

CHOLLET, F. Xception: Deep learning with depthwise separable convolutions. In: Proceedings of the IEEE conference on computer vision and pattern recognition. [S.l.: s.n.], 2017. p. 1251–1258. DOI: https://doi.org/10.1109/CVPR.2017.195

CHOLLET, F. The Sequential Model. 2020. Keras Documentation. Acesso em :

/10/2023. CONCEIÇÃO, C. H. C.; GUERREIRO-FILHO, O.; GONÇALVES, W. Flutuação populacional do bicho-mineiro em cultivares. Bragantia, v. 64, n. 4, p. 625–631, DOI: https://doi.org/10.1590/S0006-87052005000400012

Disponível em: https://keras.io/guides/sequential_model. Acesso em: 11/11/2023.

DANTAS, J. et al. A comprehensive review of the coffee leaf miner leucoptera coffeella (lepidoptera: Lyonetiidae), with special regard to neotropical impacts, pest management and control. Preprints, v. 2020100629, 2020. DOI: https://doi.org/10.20944/preprints202010.0629.v1

DONG, S.; WANG, P.; ABBAS, K. A survey on deep learning and its applications. Computer Science Review, v. 40, p. 100379, 2021. ISSN 1574-0137. Disponível em: https://www.sciencedirect.com/science/article/pii/S1574013721000198>. Acesso em: 16/10/2023. DOI: https://doi.org/10.1016/j.cosrev.2021.100379

EMBRAPA. Relatório mensal - dezembro 2020. 2021.. Cecafe - Conselho dos Exportadores de Café. Anísio José Diniz, Lucas Tadeu Ferreira. Embrapa Café. Disponível em: https://www.embrapa.br/busca-de-noticias/-/noticia/58841714/exportacoes-dos-cafes-do-brasil-somam-445-milhoes-de-sacas-em-2020-e-batem-recorde-historico. Acesso em: 11/01/2022.

EMBRAPA. Relatório sobre o mercado de café - abril 2023. 2023. Cecafe - Conselho dos Exportadores de Café. Anísio José Diniz, Lucas Tadeu Ferreira. Embrapa Café. Disponível em: Https://www.embrapa.br/busca-de-noticias/-/noticia/80815479/producao-mundial-de-cafe-foi-estimada-em-1713-milhoes-de-sacas-de-60kg-para-safra-2022-2023. Acesso em: 12/09/2023.

ESGARIO, J. G.; KROHLING, R. A.; VENTURA, J. A. Base de dados de folhas de Café. 2018. Ano de Criação: 2018, Acesso em: 2023. Disponível em: https://github.com/esgario/lara2018/tree/master/classification/dataset>. Acesso em: 01/04/2021.

ESGARIO, J. G.; KROHLING, R. A.; VENTURA, J. A. Deep learning for classification and severity estimation of coffee leaf biotic stress. Computers and Electronics in Agriculture, v. 169, p. 105162, 2020. ISSN 0168-1699. Disponível em: https://www.sciencedirect.com/science/article/pii/S0168169919313225>. Acesso em: 01/04/2021. DOI: https://doi.org/10.1016/j.compag.2019.105162

ESGARIO, J. G. et al. An app to assist farmers in the identification of diseases and pests of coffee leaves using deep learning. Information Processing in Agriculture, 2021. ISSN 2214-3173. Disponível em: . Acesso em: 020/03/2021.

FACELI, K. et al. Inteligência artificial: uma abordagem de aprendizado de máquina.

[S.l.]: LTC, 2021.

HE, K. et al. Deep residual learning for image recognition. In: Proceedings of the IEEE conference on computer vision and pattern recognition. [S.l.:s.n.], 2016. p. 770–778. DOI: https://doi.org/10.1109/CVPR.2016.90

KUMAR, M. et al. Disease detection in coffee plants using convolutional neural network. In: 2020 5th International Conference on Communication and Electronics Systems (ICCES). [S.l.: s.n.], 2020. p. 755–760. DOI: https://doi.org/10.1109/ICCES48766.2020.9138000

MANSO, G. L. et al. A smartphone application to detection and classification of coffee leaf miner and coffee leaf rust. CoRR, abs/1904.00742, 2019. Disponível em: <http://arxiv.org/abs/1904.00742>. Acesso em: 01/03/2021.

MARCOS, A. P.; RODOVALHO, N. L. S.; BACKES, A. R. Coffee leaf rust detection using convolutional neural network. In: 2019 XV Workshop de Visão Computacional (WVC). [S.l.: s.n.], 2019. p. 38–42. DOI: https://doi.org/10.1109/WVC.2019.8876931

MENDONÇA, T. F. N. de. Controle de Bicho-Mineiro com Nematoides Entomopatogênicos e Uso de Imagens para Detecção de Minas. Dissertação (Mestrado) — Universidade Federal de Uberlândia, Monte Carmelo, MG, Brazil, 2021.

MONTALBO, F. J.; HERNANDEZ, A. An optimized classification model for coffea liberica disease using deep convolutional neural networks. In: Proceedings of the Conference Name. [S.l.: s.n.], 2020. p. 213–218. DOI: https://doi.org/10.1109/CSPA48992.2020.9068683

MOURA, K. E.; AL. et. Desenvolvimento de um sistema especialista para o diagnóstico de doenças e pragas do cafeeiro. In: X Simpósio de Pesquisa dos Cafés do Brasil. Vitória, ES: [s.n.], 2019. Acesso em: 22 de maio 2020. Disponível em: http://www.consorciopesquisacafe.com.br/ojs/index.php/SimposioCafe2019/article/view/439/307>. Acesso em: 03/02/2021.

OLIVEIRA, C. et al. Crop losses and the economic impact of insect pests on Brazilian agriculture. Crop Protection, v. 56, p. 50–54, 02 2014. DOI: https://doi.org/10.1016/j.cropro.2013.10.022

SIMONYAN, K.; ZISSERMAN, A. Very deep convolutional networks for large-scale

image recognition. arXiv preprint arXiv:1409.1556, 2014.

SOARES, W. L. et al. Qualidade do café arábica por diferentes granulometrias. [S.l.]: Revista Ciência Agrícola, 2019. v. 17. 31-35 p. Disponível em:<https://www.seer.ufal.br/index.php/revistacienciaagricola/article/view/6495/5894>. Acesso em: 15/02/2021. DOI: https://doi.org/10.28998/rca.v17i1.6495

Stanford Vision Lab. ImageNet: An image database organized according to the WordNet hierarchy. 2021. Online. Acesso em: 20/10/2023. Disponível em: <https://www.image-net.org/>.

VENTURA, C. B. Pre-processed diseases coffee leaves images. [S.l.]: GitHub, 2023. Disponível em: <https://github.com/charlyBraga/pre-processed-diseases-coffee-leaves-images/tree/main>. Acesso em: 11/11/2023.

VENTURA, J. A. et al. Manejo das doenças do cafeeiro conilon. in café conilon. p.

–474, 2017.

VIDAL, L. A. et al. Obtenção de rna de bicho-mineiro (leucoptera coffeella) para transcritômica e silenciamento gênico. In: X Simpósio de Pesquisa dos Cafés do Brasil. Vitória, ES: [s.n.], 2019. Disponível em: . Acesso em: 05/02/2023.

ZAMBOLIM, L. Current status and management of coffee leaf rust in brazil. Tropical Plant Pathology, v. 41, n. 1, p. 1–8, 2016. ISSN 1983-2052. Disponível em: <https://doi.org/10.1007/s40858-016-0065-9>. Acesso em: 05/05/2023. DOI: https://doi.org/10.1007/s40858-016-0065-9

Downloads

Publicado

2024-10-21

Como Citar

VENTURA , C. B., RODRIGUES, ÉRICK O., CARVALHO, V. A. M. D., & IZIDORO, S. C. (2024). IDENTIFICAÇÃO DE BICHO-MINEIRO E DE FERRUGEM NO CAFEEIRO UTILIZANDO PROCESSAMENTO DIGITAL DE IMAGENS E REDES NEURAIS CONVOLUCIONAIS. Revista De Estudos Interdisciplinares , 6(3), 01–27. https://doi.org/10.56579/rei.v6i3.972

Artigos Semelhantes

1 2 3 4 5 6 7 8 9 10 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.