Uso de deep learning para reconhecimento de doenças em bananicultura no município de Paragominas/pa
Resumo
O estado do Pará vem se destacando desde a década de 1990 entre os cinco maiores produtores nacionais de banana. Na região norte, o estado paraense se destaca por ser o que mais produz banana em nível regional. Em 2020 Paragominas produziu 416 toneladas da fruta, em área destinada à colheita e área colhida de 32 ha, com rendimento médio de 13.000 kg/ha. Contudo, a ocorrência de muitas doenças nocivas aos plantios acaba interferindo negativamente na produção. O objetivo desta pesquisa é desenvolver uma solução computacional baseada na técnica de aprendizado de máquina, usando o processamento digital de imagens para realizar o diagnóstico automático de doenças da bananicultura. As imagens foram capturadas em solo paragominenses em pomares de bananas infectados pela Sigatoka Negra e pela Sigatoka Amarela. Aplicou-se a técnica conhecida como data augmentation, ou aumento de dados, para gerar automaticamente mais imagens das classes. Uma Rede Neural Convolucional foi treinada e submetida aos dados de teste e validação. Os resultados mostraram que a Rede Neural Convolucional foi uma estratégia robusta e facilmente implantável para detecção de doenças da bananeira. No passado recente, esperava trazer uma espécie de revolução na agricultura e hoje essas comprovações estão sendo constatadas com as inúmeras tecnologias disponíveis na atualidade. Essa alta taxa de sucesso significativa torna o modelo uma ferramenta útil de detecção precoce de doenças na bananicultura, e essa pesquisa pode ser estendida ainda mais para desenvolver um aplicativo móvel totalmente automatizado para ajudar os produtores de banana locais, nacionais e internacionalmente.
Downloads
Referências
COSTA, Maria Rosa Travassos da Rosa et al. Atividade agropecuária no estado do Pará. Embrapa Amazônia Oriental. 174 p. (Documentos / Embrapa Amazônia Oriental, ISSN 1983-0513; 432). Belém, 2017.
CRUVINEL, Paulo E. Gerenciamento de risco decorrente de doenças fúngicas em cultura da banana baseado em automação e aprendizado de máquinas. In: Embrapa Instrumentação-Resumo em anais de congresso (ALICE). In: CONGRESSO BRASILEIRO DE ENGENHARIA AGRÍCOLA-CONBEA. Campinas. 2019.
HOLANDA, Maria Eliana da Silva. et al. Aplicação de aprendizado de máquina profundo para detecção por imagens de doenças em frutos do cacaueiro. International Journal of Development Research, v. 11, n. 05, p. 47378-47384. 2021.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA - IBGE. Paragominas (PA), 2017. Disponível em: http://www.cidades.ibge.gov.br/painel/historico.php?codmun=150550. Acesso em: 26 de maio de 2022.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA - IBGE, Produção Agrícola Municipal 2020. Rio de Janeiro: IBGE, 2021
JOGEKAR, Ravindra Namdeorao; TIWARI, Nandita. A review of deep learning techniques for identification and diagnosis of plant leaf disease. Smart Trends in Computing and Communications: Proceedings of SmartCom 2020, p. 435-441, 2021.
LIMA, Paulo Victor Cunha. et al. Use of Convolutional Neural Networks in the Diagnosis of Corn Diseases. Disponível em: https://sbic.org.br/wp-content/uploads/2021/09/pdf/CBIC_202 1_paper_27.pdf. Acesso em: 26 de maio de 2022.
PANTAZI, Xanthoula Eirini; MOSHOU, Dimitrios; TAMOURIDOU, Alexandra A. Automated leaf disease detection in different crop species through image features analysis and One Class Classifiers. Computers and electronics in agriculture, v. 156, p. 96-104, 2019.
SANGA, Sophia et al. Mobile-Based Deep Learning Models for Banana Diseases Detection. arXiv preprint arXiv:2004.03718, 2020.
SELVARAJ, Michael Gomez et al. Detection of banana plants and their major diseases through aerial images and machine learning methods: A case study in DR Congo and Republic of Benin. ISPRS Journal of Photogrammetry and Remote Sensing, v. 169, p. 110-124, 2020.
TRINDADE, Dinaldo Rodrigues et al. Doenças da bananeira no estado do Pará. Embrapa Amazônia Oriental-Circular Técnica (INFOTECA-E), 2002.
WAGHMARE, Harshal; KOKARE, Radha; DANDAWATE, Yogesh. Detection and classification of diseases of grape plant using opposite colour local binary pattern feature and machine learning for automated decision support system. In: 2016 3rd international conference on signal processing and integrated networks (SPIN). IEEE, 2016. p. 513-518.
ZHANG, Shanwen et al. Leaf image based cucumber disease recognition using sparse representation classification. Computers and electronics in agriculture, v. 134, p. 135-141, 2017.
Copyright (c) 2024 Edson Magalhães da Costa, Maria Eliana da Silva Holanda, Gustavo Antonio Ruffeil Alves, Carlos Douglas de Sousa Oliveira, Fabrício Almeida Araújo, Gilberto Nerino de Souza Junior, Marcus de Barros Braga
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Os autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação. Os autores têm permissão e são estimulados a publicar e distribuir seu trabalho em repositório institucional ou como capítulo de livro, desde que citem a Revista. Como o acesso aos artigos da Revista é gratuito, estes não poderão ser utilizados para fins comerciais. Os conteúdos publicados são de inteira e exclusiva responsabilidade de seus autores. No entanto, os editores poderão proceder a ajustes textuais, de adequação às normas da Revista e à ajustes ortográfico e gramatical, visando manter o padrão culto da língua e do periódico. A não observância deste compromisso submeterá o infrator a sanções e penas previstas na Lei de Proteção de Direitos Autorias (Nº 9.610, de 19 de fevereiro de 1998).