Análise de Redes Neurais Convolucionais para a classificação de doenças em folhas de soja / Analysis of Convolutional Neural Networks for diseases classification in soybean leaves
DOI:
https://doi.org/10.34117/bjdv8n6-339Keywords:
Redes Neurais Convolucionais, aprendizado profundo, doenças de soja.Abstract
A soja se tornou a principal cultura do agronegócio brasileiro, provocando impactos sociais e econômicos significativos em diversas regiões do país, apresentando uma evolução de 75,3 milhões de toneladas produzidas na safra 2010/2011 para 124,8 milhões de toneladas na safra de 2019/2020. Com base em estudos dos últimos anos, diversas tecnologias foram aplicadas na tentativa´ de realizar a detecção de doenças nessa cultura utilizando como base imagens˜ de suas folhas. Dentre as técnicas utilizadas pode-se citar o uso dos classificadores Support Vector Machines (SVMs) e K-Nearest Neighbours em conjunto com técnicas tradicionais de extração de características de imagens. Esse estudo aborda esse desafio utilizando Redes Neurais Convolucionais, uma técnica que tem como base o aprendizado profundo. Com este foco, foram experimentadas cinco arquiteturas de redes convolucionais (VGG16, ResNet50, DenseNet121, InceptionV3 e EfficientNetB7) e quatro diferentes otimizadores (SGD, Adam, RMSProp e Adadelta). Essas combinações foram treinadas usando transferência de aprendizado e ajuste fino de toda a arquitetura em questão. Ao final dos experimentos foi poss´ıvel analisar que arquitetura ResNet50 se destacou entre as demais, apresentando resultados significativos, além de apresentar a maior acurácia, dentre todos os modelos, atingindo o valor de 98.09%.
References
Araujo, J. M. M. e Peixoto, Z. M. A. (2019). A new proposal for automatic identification of multiple soybean diseases. Computers and Electronics in Agriculture, 167:105060.
Brownlee, J. (2019). Deep learning for computer vision: image classification, object detection, and face recognition in python. Machine Learning Mastery.
Dandawate, Y. and Kokare, R. (2015). An automated approach for classification of plant diseases towards development of futuristic decision support system in indian perspective. In 2015 International conference on advances in computing, communications and informatics (ICACCI), pages 794–799. IEEE. de Melo Reis, E. and Casa, R. T. (2012). Doenças da Soja. Berthier.
FERREIRA, L. P., LEHMAN, P. S., e ALMEIDA, A. M. R. (1979). Doenças da soja no brasil.
Hirakuri, M. H. (2021). Perdas econômicas geradas por estresses bióticos e abióticos na produção brasileira de soja no período 2016-2020.
Jadhav, S., Udupi, V., and Patil, S. (2020). Efficient framework for identification of soybean disease using machine learning algorithms. In International Conference on Image Processing and Capsule Networks, pages 718–729. Springer.
Kaur, S., Pandey, S., and Goel, S. (2018). A semi-automatic leaf disease detection and classification system for soybean culture. IET Image Processing, 12.
Pires, R. D. L., Goncalves, D. N., Orue, J. P. M., Kanashiro, W. E. S., Rodrigues Jr, J. F., Machado, B. B., and Gonçalves, W. N. (2016). Local descriptors for soybean disease recognition. Computers and Electronics in Agriculture, 125:48–55.
Sahu, S. K., Pandey, M., and Geete, K. (2021). Classification of soybean leaf disease from environment effect using fine tuning transfer learning. Annals of the Romanian Society for Cell Biology, pages 2188–2201.
Shrivastava, S. and Hooda, D. S. (2014). Automatic brown spot and frog eye detection from the image captured in the field. Am. J. Intell. Syst, 4(4):131–134.
Stafford, J. V. (2000). Implementing precision agriculture in the 21st century. Journal of Agricultural Engineering Research, 76(3):267–275.
Stanford (2021). Convolutional neural networks for visual recognition. https:// cs231n.github.io/convolutional-networks/#conv. Acesso em: 17 de Nov. de 2021.
Tetila, E. C. (2019). Detecção e classificação de doenças e pragas da soja usando imagens˜ de veículos aéreos não tripulados e técnicas de visão computacional.
Zhang, K., Wu, Q., and Chen, Y. (2021). Detecting soybean leaf disease from synthetic image using multi-feature fusion faster r-cnn. Computers and Electronics in Agriculture, 183:106064.
