Detecção de Planococcus citri em cafeeiro por imagens multiespectrais

• Ano de defesa: 2022
• Autor(a) principal: Rossati, Kamila Fernanda
• Orientador(a): Carvalho, Vanessa Andalo Mendes de
• Banca de defesa: Fernandes, Flávio Lemes
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Uberlândia
• Programa de Pós-Graduação: Programa de Pós-graduação em Agricultura e Informações Geoespaciais
• País: Brasil
• Palavras-chave em Português: aprendizado de máquina; cafeicultura; cochonilha-da-roseta; detecção de pragas; imgens multiespectrais; machine learning; coffee growing; rosette mealybug; pest detection; multiespectral imaging
• Área do conhecimento CNPq: CNPQ::CIENCIAS AGRARIAS::AGRONOMIA::FITOSSANIDADE::ENTOMOLOGIA AGRICOLA
• Link de acesso: https://repositorio.ufu.br/handle/123456789/36077; http://doi.org/10.14393/ufu.di.2022.425

A cultura do cafeeiro proporciona cerca de 125 milhões de empregos. No cafeeiro a cochonilha Planoccous citri é encontrada em reboleiras, e podem infestar ramos, folhas, botões florais e frutos, chegando a infestar todas as rosetas da planta e levando ao chochamento parcial ou perda total destes ramos. A amostragem não é realizada em função do custo e do tempo demandado para essa prática, por isso as aplicações ocorrem em área total. Dessa forma se faz necessário a introdução de tecnologias que possibilitem o fornecimento de informações para a melhor tomada de decisão no seu manejo. O estudo teve-se como objetivo verificar o potencial de uso de imagens multiespectrais de baixo custo na discriminação de plantas de cafeeiro infestadas por P. citri. Foram utilizadas três áreas de estudo, sendo a primeira no município de Coromandel, MG, uma com alta infestação de cochonilha e a segunda com ausência de cochonilha e uma área no município de Monte Carmelo, MG, com presença e ausência de cochonilha nas plantas avaliadas. Em cada área de estudo foram amostradas aleatoriamente 50 plantas, com distância mínima de 10 metros entre plantas, avaliando a quantidade de cochonilhas presentes em 2 ramos plagiotrópicos localizados no terço médio das plantas. As imagens foram obtidas utilizando um drone acoplado a uma câmera Mapir Survey 3W a uma altura de 100 metros. As classificações foram feitas utilizando os algoritmos Redes Neurais Artificiais (RNA), Support Vector Machine (SMO) e Florestas Aleatórias. Os resultados confirmaram a possibilidade de discriminação entre plantas sadias e infestadas por P. citri utilizando algoritmos baseados em aprendizado de máquina. Com relação à discriminação de plantas sadias e infestadas, o algoritmo Random Forest apresentou o melhor resultado em áreas com variabilidade de infestação (EG=90% e K=0,80), seguido pelo SMO (EG=83,34% e K=0,67) e RNA (EG=73,34% e K= 0,47).