Inteligência artificial para a identificação e quantificação de ferrugem e bicho mineiro na cultura do café

ÁLVARO LEANDRO CAVALCANTE CARNEIRO¹; LUCAS DE SILVA BRITO²; MARISA SILVEIRA ALMEIDA RENAUD FAULIN³; JOÃO RICARDO FAVAN³.

¹ Discente em Big Data no Agronegócio na FATEC Pompéia “Shunji Nishimura”, Pompéia-SP, Fone: (14) 996254788, leandro0807@live.com'

² Discente em Big Data no Agronegócio na FATEC Pompéia “Shunji Nishimura”, Pompéia-SP, Fone: (14) 997270606, lucasbsilva29@gmail.com'

³ Docentes do curso Big Data no Agronegócio, FATEC Pompéia, Pompéia-SP.

RESUMO: O controle de pragas e doenças desempenham um papel fundamental na agricultura, anualmente milhões de reais são gastos devido aos danos causados por esses agentes. Porém, diversos avanços estão sendo feitos nas áreas de visão computacional e deep learning, devido a criação de novos algoritmos e ao aumento do poder de processamento dos computadores modernos. Partindo desse pressuposto, o objetivo da pesquisa foi I) criar um algoritmo capaz de identificar e localizar diferentes problemas fitossanitários nas folhas do café (Coffea arabica) e II) quantificar a severidade de ferrugem do cafeeiro presente na folha. Para isso foram utilizados diferentes arquiteturas de redes neurais convolucionais, linguagem de programação Python, a biblioteca OpenCV e o algoritmo k-means (K-médias). Os resultados mostram uma precisão média de 81% no acerto da classificação e localização das fitossanidades nas folhas, considerando um threshold de união sobre intersecção de 50%. Em relação à quantificação da severidade, foi obtido um acerto médio de 38,9% com baixa diferença significativa em relação aos sistemas de cores e software testados, segundo comparação com teste de Tukey a 5% de probabilidade, levando em conta a acuidade visual, a partir de uma escala diagramática.

Palavras-chave: deep learning. detecção de objetos. visão computacional. entomologia. fitopatologia.

ABSTRACT: Pest and disease control play a key role in agriculture, millions of dollars are spent annually due to the damage caused by these agents. However, several advances are being made in the areas of computer vision and deep learning, due to the creation of new algorithms and the increased processing power of modern computers. Based on this assumption, the aim of this research was to I) create an algorithm capable of identifying and locating different phytosanitary problems in coffee leaves (Coffea arabica) and II) quantifying the severity of coffee leaf rust. Different convolutional neural network architectures, Python programming language, OpenCV library and k-means algorithm were used. The results show an average accuracy of 81% in the classification and localization of the leaves phytosanitary, considering 50% of union over intersection threshold. Regarding the quantification of severity, an average level of 38.9% was reached, with a significant low difference with the core systems and software tested compared to Tukey test at 5% probability, considering visual acuity as of a diagrammatic scale.

key-words: deep learning. object detection. computer vision. entomology. phytopathology.

Funcionamento e Exemplo da Aplicação

Repositório do Aplicativo

• https://github.com/Lucs1590/Coffee_Recognize

Repositório da API

• https://github.com/AlvaroCavalcante/CoffeeRecognizeAPI