Monitoramento da maturação dos frutos e de doenças do cafeeiro utilizando modelos de deep learning

• Ano de defesa: 2021
• Autor(a) principal: Oliveira, Carolina Tavares de
• Orientador(a): Valente, Domingos Sarvio Magalhães
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa
• Programa de Pós-Graduação: Engenharia Agrícola
• Área do conhecimento CNPq: Máquinas e Implementos Agrícolas
• Link de acesso: https://locus.ufv.br//handle/123456789/29933; https://doi.org/10.47328/ufvbbt.2022.136

O valor da safra do café está relacionado à vários fatores entre eles: a oferta e a demanda, a quantidade produzida, o armazenamento, a qualidade dos frutos, dentre outros. A qualidade do café, por sua vez, é afetada por vários fatores, entre eles radiação solar, nutrição das plantas, altitude, presença ou ausência de pragas e doenças. Dentre as principais doenças que infestam a cultura do café estão: ferrugem, cercosporiose e mancha de phoma. A ferrugem (Hemileia vastatrix Berk. & Br.) ataca as folhas do cafeeiro o que gera queda prematura das mesmas e redução da fotossíntese. De forma semelhante, a cercosporiose causa danos, principalmente, em lavouras sem fertilização adequada, atingindo folhas e frutos. Já mancha de phoma é favorecida por diferentes eventos climáticos como: ventos fortes e frios, granizo e geada. Além das doenças, outro fator determinante que impacta diretamente na qualidade da bebida é o grau de maturação dos frutos no momento da colheita. Sabe- se que frutos maduros, no estádio denominado cereja, geram cafés de qualidade superior. Normalmente, a avaliação do grau de maturação é realizada por métodos destrutivos, com colheitas de algumas plantas no talhão, que podem ou não representar o talhão a ser colhido. Neste contexto, tecnologias computacionais, tais como: técnicas de inteligência artificial podem ser úteis para monitoramento do cafeeiro. A inteligência artificial tem tido um papel importante no desenvolvimento da agricultura, por meio dela é possível estimar a produtividade das safras, identificar pragas e doenças nas lavouras, definir de forma mais assertiva o momento adequado para realizar a colheita. Dessa forma, esse trabalho teve como objetivos: (1) Desenvolver modelo de detecção, classificação e segmentação de frutos a partir de imagens obtidas em ambientes não controlados (2) Desenvolver um classificador para classificar imagens entre: presença e ausência da doença no cafeeiro, e desenvolver um classificador para identificar as três espécies de doenças comuns que atacam o cafeeiro, a saber, cercosporiose, mancha de phoma e ferrugem. Para atender o primeiro objetivo foram coletadas 78 imagens com frutos em diferentes graus de maturação. As imagens foram rotuladas para identificação dos locais com frutos verde, cereja e passa e fundo. A rotulagem foi realizada de forma manual/visual com auxílio de uma ferramenta desenvolvida por meio da linguagem de programação Python. A partir dos rótulos foi possível treinar um modelo de segmentação de instâncias com arquitetura Mask-RCNN. Para atender o segundo foram coletadas imagens de plantas contaminadas pelas doenças do cafeeiro, a saber, cercospora, mancha de phoma e ferrugem e imagens de plantas sem contaminação na região da Zona da Mata mineira. As mesmas imagens foram utilizadas para classificar somente as três doenças do cafeeiro. Em ambas as análises as imagens serviram de entradas para o treinamento dos modelos de classificação utilizando redes neurais convolucionais. Os resultados foram avaliados pelas métricas da matriz de confusão, a saber, a precisão, recall e f1-score. A precisão do modelo é a relação entre verdadeiros positivos (detecções corretas) sobre a soma de todas as detecções. As abordagens mostraram que o modelo de segmentação de frutos alcançou precisões de 0,897; 0,900; 0,891 para as classes: cereja, verde e passa, respectivamente. Os valores de recall para as mesmas classes respectivamente foram: 0,759; 0,700; 0,813, respectivamente. Já os valores de f1-score para as mesmas classes foram:0,7336; 0,6802; 0,7692. Desta forma, o modelo foi mais eficiente na detecção, segmentação de classificação de frutos passas. Quando foi aplicado o mesmo modelo nas imagens geradas por janela deslizante os valores de precisão foram: 0,974; 0,906; 0,878; recall foram: 0,753; 0,740; 0,813; e f1-score foram: 0,844; 0,8105; 0,8427 para as classes: cereja, verde e passa, respectivamente. No modelo de classificação de doenças as precisões, recall e f1-score foram: 0,933 para ambas as classes: presença e ausência de doença. Já o modelo que classificou as três espécies de doenças apresentou valores de precisão: 0,900, 0,850 e 0,900, recall de 0,900, 0,850 e 0,900 e f1-score de 0,900, 0,850 e 0,900 para as classes ferrugem, cercospora e mancha de phoma, respectivamente. Palavras-chave: Processamento de Imagens. Segmentação de instâncias. Deep Learning. Colheita do café. Inteligência artificial. Maturação do café.