Identificación de Bicho-Mineiro y de Oxidación en el Cafeto Utilizando Procesamiento Digital de Imágenes y Redes Neuronales Convolucionales
Visualizações: 399DOI:
https://doi.org/10.56579/rei.v6i3.972Palabras clave:
Aprendizaje profundo, Visión por computador, Red Neuronal Convolucional, Leucoptera Coffeella, Hemileia VastatrixResumen
La demanda mundial de café aumenta cada año, y Brasil es uno de los mayores productores globales. Con el elevado volumen de producción, existe una creciente necesidad de mejorar la calidad del producto debido a los requisitos de los mercados nacional e internacional. Sin embargo, plagas como el bicho mineiro (Leucoptera coffeella) y la roya (Hemileia vastatrix) causan grandes daños en las plantaciones de café, lo que resulta en pérdidas de la cosecha anualmente. Se han desarrollado y aplicado varios métodos y técnicas para evaluar el nivel de infestación y controlar estas plagas. Entre estas técnicas se encuentran el uso de visión computacional y redes neuronales convolucionales (CNN). Así, el objetivo de este trabajo fue el desarrollo de una herramienta computacional para identificar correctamente la presencia de plagas, reduciendo el tiempo de evaluación, el error del evaluador y los gastos con mano de obra. La precisión de los métodos desarrollados estuvo entre el 99,67% y el 97,00%.
Descargas
Citas
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
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Revista de Estudios Interdisciplinarios
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
La Revista de Estudios Interdisciplinares adopta la Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0), que permite compartir y adaptar el trabajo, incluso con fines comerciales, siempre que se otorgue la atribución adecuada y se reconozca la publicación original en esta revista.
La licencia Creative Commons 4.0 Internacional permite que los autores compartan sus obras con flexibilidad, garantizando los derechos de autor mientras autorizan usos específicos, como reproducción, distribución y adaptación, siempre que se cumplan las condiciones establecidas, como la atribución de crédito al autor original.