Development of a Convolutional Neural Network Architecture for Classifying Foliar Diseases in Plants
Resumo
Este estudo tem como objetivo construir e testar uma arquitetura de RNC em um banco de dados extraído da plataforma PlantVillage. O banco de dados contém 54.305 imagens, divididas em 39 classes, sendo 38 classes relacionadas a doenças foliares e uma classe para imagens de fundo. Devido à pequena quantidade de imagens em cada classe, técnicas de Data Augmentation foram utilizadas para gerar imagens sintéticas adicionais durante o processo de treinamento da rede. Os resultados alcançados foram uma acurácia de 99,55%, precisão de 94,25%, AUC de 99,81% e F1-Score de 90,86%.
Palavras-chave:
Foliar Disease, Classification, Deep Learning
Referências
Afonso, S. (2019). Utilização de algoritmos de visão computacional para diagnóstico de doenças da vinha. Dissertação de Mestrado, Universidade do Porto.
Buslaev, A., Iglovikov, V. I., Khvedchenya, E., Parinov, A., Druzhinin, M., e Kalinin, A. A. (2020). Albumentations: augmentações rápidas e flexíveis de imagens. Information, 11(2):125.
Chollet, F. et al. (2015). Keras. https://keras.io.
Funck, F. C. (2019). Detectando a ferrugem asiática na folha da soja utilizando redes neurais convolucionais. Monografia de Graduação, Universidade Tecnológica Federal do Paraná.
Gavrikov, P. (2020). visualkeras. https://github.com/paulgavrikov/visualkeras.
Goodfellow, I., Bengio, Y., e Courville, A. (2016). Deep learning. MIT Press.
Hasan, R. I., Yusuf, S. M., e Alzubaidi, L. (2020). Revisão do estado da arte de aprendizado profundo para doenças de plantas: uma análise abrangente e discussão. Plants, 9(10):1302.
Hunter, J. D. (2007). Matplotlib: um ambiente gráfico 2D. Computing in Science & Engineering, 9(3):90–95.
Li, Z., Liu, F., Yang, W., Peng, S., e Zhou, J. (2021). Uma pesquisa sobre redes neurais convolucionais: análise, aplicações e perspectivas. IEEE Transactions on Neural Networks and Learning Systems.
Marques, E. A. L. (2016). Estudo sobre redes neurais de aprendizado profundo com aplicações em classificação de imagens. Biblioteca Digital da Produção Discente UNB.
Marques Junior, L. C. (2019). Classificação de plantas daninhas em banco de imagens utilizando redes neurais convolucionais. Universidade Estadual Paulista (Unesp).
Riedmiller, M. e Braun, H. (1993). Um método adaptativo direto para aprendizado mais rápido de retropropagação: o algoritmo RPROP. Em IEEE International Conference on Neural Networks, páginas 586–591. IEEE.
Shorten, C. e Khoshgoftaar, T. M. (2019). Uma pesquisa sobre aumento de dados de imagem para aprendizado profundo. Em Journal of Big Data, volume 6, página 60. Springer.
Silva, M. J. e Schimiguel, J. (2020). Identificação de doenças em plantas por meio de processamento de imagens: redes neurais convolucionais como auxílio à agricultura. Revista de Ubiquidade, 3(1):91–111.
Souza, V., Silva, L., Santos, A., e Araújo, L. (2020). Análise comparativa de redes neurais convolucionais no reconhecimento de cenas. Anais do Computer on the Beach, 11(1):419–426.
Van Rossum, G. e Drake, F. L. (2009). Manual de Referência Python 3. CreateSpace, Scotts Valley, CA.
Zhang, Z. e Sabuncu, M. (2018). Perda de entropia cruzada generalizada para treinamento de redes neurais profundas com rótulos ruidosos. Avanços em Sistemas de Informação Neural, 31.
Buslaev, A., Iglovikov, V. I., Khvedchenya, E., Parinov, A., Druzhinin, M., e Kalinin, A. A. (2020). Albumentations: augmentações rápidas e flexíveis de imagens. Information, 11(2):125.
Chollet, F. et al. (2015). Keras. https://keras.io.
Funck, F. C. (2019). Detectando a ferrugem asiática na folha da soja utilizando redes neurais convolucionais. Monografia de Graduação, Universidade Tecnológica Federal do Paraná.
Gavrikov, P. (2020). visualkeras. https://github.com/paulgavrikov/visualkeras.
Goodfellow, I., Bengio, Y., e Courville, A. (2016). Deep learning. MIT Press.
Hasan, R. I., Yusuf, S. M., e Alzubaidi, L. (2020). Revisão do estado da arte de aprendizado profundo para doenças de plantas: uma análise abrangente e discussão. Plants, 9(10):1302.
Hunter, J. D. (2007). Matplotlib: um ambiente gráfico 2D. Computing in Science & Engineering, 9(3):90–95.
Li, Z., Liu, F., Yang, W., Peng, S., e Zhou, J. (2021). Uma pesquisa sobre redes neurais convolucionais: análise, aplicações e perspectivas. IEEE Transactions on Neural Networks and Learning Systems.
Marques, E. A. L. (2016). Estudo sobre redes neurais de aprendizado profundo com aplicações em classificação de imagens. Biblioteca Digital da Produção Discente UNB.
Marques Junior, L. C. (2019). Classificação de plantas daninhas em banco de imagens utilizando redes neurais convolucionais. Universidade Estadual Paulista (Unesp).
Riedmiller, M. e Braun, H. (1993). Um método adaptativo direto para aprendizado mais rápido de retropropagação: o algoritmo RPROP. Em IEEE International Conference on Neural Networks, páginas 586–591. IEEE.
Shorten, C. e Khoshgoftaar, T. M. (2019). Uma pesquisa sobre aumento de dados de imagem para aprendizado profundo. Em Journal of Big Data, volume 6, página 60. Springer.
Silva, M. J. e Schimiguel, J. (2020). Identificação de doenças em plantas por meio de processamento de imagens: redes neurais convolucionais como auxílio à agricultura. Revista de Ubiquidade, 3(1):91–111.
Souza, V., Silva, L., Santos, A., e Araújo, L. (2020). Análise comparativa de redes neurais convolucionais no reconhecimento de cenas. Anais do Computer on the Beach, 11(1):419–426.
Van Rossum, G. e Drake, F. L. (2009). Manual de Referência Python 3. CreateSpace, Scotts Valley, CA.
Zhang, Z. e Sabuncu, M. (2018). Perda de entropia cruzada generalizada para treinamento de redes neurais profundas com rótulos ruidosos. Avanços em Sistemas de Informação Neural, 31.
Publicado
19/10/2023
Como Citar
SOUSA, Roney Nogueira de; SOUSA, Ronieri Nogueira de.
Development of a Convolutional Neural Network Architecture for Classifying Foliar Diseases in Plants. In: ENCONTRO UNIFICADO DE COMPUTAÇÃO DO PIAUÍ (ENUCOMPI), 16. , 2023, Piripiri/PI.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 1-8.
DOI: https://doi.org/10.5753/enucompi.2023.26610.
