Usando um Dataset para Criação de um Aplicativo para Detecção de Problemas na Cultura do Morango a partir da Análise de Imagens
Resumo
Este trabalho descreve um modelo de classificação de imagens gerado para ser usado em um protótipo de aplicativo para detecção de problemas na cultura do morango. Para geração do modelo foi usado um dataset com imagens de sete tipos diferentes de doenças na cultura do morango obtido na plataforma Kaggle. A implementação do modelo foi feita no aplicativo de análise Ultralytics HUB, que oferece a detecção de objetos e reconhecimento de imagens em tempo real, otimizando o treinamento do modelo de Machine Learning com o uso de GPUs. O trabalho emprega ainda a arquitetura YOLOv8. A proposta visa estudar e analisar formas de detectar problemas nas plantas, reduzindo a necessidade de análises por pessoas.
Referências
Afzaal, U. et al. (2021) An instance segmentation model for strawberry diseases based on mask r-cnn. Sensors, MDPI, v. 21, n. 19.
Jocher, G. et al (2023) YOLO by Ultralytics. Disponível em: [link]
Mahmud, M. S., et al (2020) Real-time detection of strawberry powdery mildew disease using a mobile machine vision system. Agronomy, 10(7), 1027.
Tripathi, M. K., & Maktedar, D. D. (2020). A role of computer vision in fruits and vegetables among various horticulture products of agriculture fields: A survey. Information Processing in Agriculture, 7(2), 183-203.
Wang, J., Yu, L., Yang, J., & Dong, H. (2021). Dba_ssd: A novel end-to-end object detection algorithm applied to plant disease detection. Information, 12(11), 474.
Zhao, S., Liu, J., & Wu, S. (2022). Multiple disease detection method for greenhouse-cultivated strawberry based on multiscale feature fusion Faster R_CNN. Computers and Electronics in Agriculture, 199, 107176.