Jornal de Ciências Agrícolas e Pesquisa de Alimentos
Acesso livre

Abstrato

Detecção de doenças de plantas usando redes neuronais convolucionais avançadas com reconhecimento de regiões de interesse

Aprendizagem de máquina; Aprendizagem profunda; Detecção de doenças das plantas; CNN profunda; Região de interesse

O advento da aprendizagem profunda abriu caminho para aplicações de visão computacional mais eficientes. Na monitorização das culturas agrícolas com abordagens baseadas na tecnologia, é indispensável a identificação de doenças nas plantas. Pesquisas recentes revelam que a Rede Neural Convolucional (CNN) é o método de aprendizagem profunda mais adequado para processar imagens de folhas para deteção de doenças. Como os sintomas de doenças foliares aparecem em áreas específicas, considerar a folha inteira para processamento incorre em mais custo e tempo computacional, além de deteriorar o desempenho devido à qualidade inadequada do treino. Para ultrapassar este problema, propusemos uma estrutura que considera a extração de regiões de interesse (ROI) utilizando CNN profunda antes da previsão de modelos de aprendizagem profunda pré-treinados, como o VGG13, ResNet34, DenseNet19, AlexNet, Sqeezenet1_1 e Inception_v3. É definido um algoritmo denominado ROI Feature Map Creation (ROI-FMC) para extrair o ROI para uma determinada imagem de entrada. Este será dado como entrada para outro algoritmo proposto, nomeadamente Deep CNN baseado em ROI com aprendizagem de transferência para previsão de doenças foliares (ROIDCNN-LDP). Este último é utilizado para prever doenças foliares. O conjunto de dados Plant Village é utilizado para estudo empírico. Os resultados experimentais revelaram que, com o reconhecimento do ROI, todos os modelos poderiam ter um bom desempenho. No entanto, o Inception_v3 é o modelo CNN profundo que supera outros modelos.