Notícias Notícias

Voltar

Pós-Graduação em Ciência da Computação promove defesa de dissertação de mestrado

Defesa da aluna Mariana Barros ocorrerá nesta quarta-feira (22), às 10h

O Programa de Pós-Graduação em Ciência da Computação da UFPE promove defesa de dissertação de mestrado da aluna Mariana da Silva Barros. A apresentação ocorrerá nesta quarta-feira (22), às 10h, de forma virtual. Interessados em assistir devem entrar em contato com a aluna através do e-mail msb4@cin.ufpe.br para receber o link de acesso da defesa.

Com o título “Development of a Deep-Learning based System for Disease Symptoms Detection over Crop Leaves Images”, a tese possui orientação do professor Stefan Michael Blawid, da UFPE. Além dele, a banca examinadora conta com a participação do professor Adriano Lorena Inacio de Olivera, do Centro de Informática da UFPE, e da professora Mylene Christine Queiroz de Farias, do Departamento de Engenharia Elétrica da Universidade de Brasília (UnB).

Resumo
Agricultura familiar representa um segmento crítico da agricultura brasileira, envolvendo mais de 5 milhões de propriedades e gerando 74% dos empregos rurais no país. As perdas de rendimento causadas por pragas e doenças na colheita podem ser devastadoras para os pequenos produtores. No entanto, o controle de doenças bem-sucedido requer uma classificação correta, o que desafia os pequenos proprietários, que muitas vezes carecem de assistência técnica.

O presente trabalho propõe um sistema que alerta pequenos produtores e especialistas em fitopatologia sobre possíveis surtos de doenças em plantas, permitindo um diagnóstico e intervenção mais rápidos. Nesse sentido, detectamos sintomas de doenças em imagens de folhas de plantas tiradas diretamente por agricultores no campo usando um aplicativo de celular desenvolvido com esse propósito. O módulo implementado é parte de uma plataforma de serviços que conecta produtores e especialistas, projetado em parceria com profissionais de fitopatologia da Universidade Federal Rural de Pernambuco (UFRPE).

O trabalho usa aprendizagem profunda (“deep learning”) e redes neurais convolucionais (CNNs) para realizar a classificação das imagens. Os experimentos de classificação foram aplicados sobre um conjunto de dados composto por imagens de folhas de videira cultivadas no estado de Pernambuco, cuja coleta também foi parte do presente trabalho. Por isso, algumas imagens coletadas sob as condições do campo apresentam baixa qualidade, o que diminui o desempenho da classificação. Assim, também classificamos as imagens com relação à sua qualidade, para excluir imagens desafiadoras da detecção de doenças e reduzir o número de fotos classificadas erroneamente entrando na base de dados.

A técnica de “multi-label” é aplicada neste cenário, permitindo a um único modelo classificar se as imagens mostram sintomas e se elas apresentam qualidade suficiente para que isso seja feito de maneira confiável. O mecanismo “multi-label” também é uma abordagem promissora para incluir futuramente propriedades adicionais da imagem, como agentes causadores de doenças. O sistema de classificação desenvolvido alcança um valor de “recall” de 95% para detecção de sintomas e um valor de precisão de 92% para classificação de qualidade das imagens.

Data da última modificação: 20/12/2021, 19:03