Estudo e análise de Redes Neurais Convolucionais Profundas na identificação de doenças em plantas por imagens

Abstract

Rede Neurais Convolucionais (CNNs), demonstram um potencial para tarefas relacionadas à Visão Computacional. A característica de maior destaque das CNNs é sua capacidade de explorar a correlação espacial ou temporal nos dados. Assim, várias melhorias na metodologia e arquitetura de aprendizagem das redes foram realizadas para tornar as CNNs escaláveis para problemas grandes, heterogêneos, complexos e multiclasses. A agricultura delimita um escopo de problemas desafiadores, que carecem de tecnologias para proporcionar maior incremento na produção agrícola, principalmente em relação ao enfrentamento de doenças. As doenças de plantas são consideradas um dos principais fatores que influenciam a produção de alimentos, e a sua identificação é primordialmente realizada por técnicas manuais ou por microscopia, oque aumenta o tempo de diagnóstico e as possibilidades de erro. Soluções automatizadas de identificação de doenças de plantas, usando imagens e aprendizado de máquina, em especial as CNNs, têm proporcionado avanços significativos. Entretanto, a maioria das abordagens possui baixa capacidade de classificação, tendo como agravante as infestações simultâneas por diferentes patógenos e as confusões sintomáticas causadas por fatores abióticos. Assim, o objetivo deste trabalho é analisar e avaliar as arquiteturas CNNs, explorando potencialidades e prospectando novos arranjos de arquitetura para classificar doenças de plantas e identificar patógenos. A abordagem fez uso de uma estratégia de customização, na qual redes operativas independentes ou blocos convolucionais são integradas em um único modelo para capturar um conjunto mais variado de características. A NEMANeté um resultado relevante desta abordagem de customização de CNNs para classificação de fitonematoides em imagens microscópicas. O mo-delo alcançou a melhor taxa de acurácia atingindo 99,35%, possibilitando melhorias gerais de precisão superiores a 6,83% e 4,1%, para treinamento com inicialização dos pesos e para transferência de aprendizagem, em comparação com outras arquiteturas avaliadas. Os resultados demonstraram que a customização de arquiteturas CNNs é uma abordagem promissora para o aumento de ganhos em termo de acurácia, convergência das redes e tamanho dos modelos.