Desenvolvimento de um Modelo Convolucional Leve para Identificação de Doenças Foliares
Resumo
A produção agrícola enfrenta perdas significativas anualmente devido a doenças de plantas, com impactos econômicos superiores a 40 milhões de dólares e contribuindo para a fome aguda que afeta mais de 281,6 milhões de pessoas em 2023. A identificação de doenças de plantas por meio da análise de imagens de folhas é crucial para mitigar essas perdas. Este estudo propõe um modelo de Rede Neural Convolucional leve, inspirado na arquitetura MobileNet, para classificar diversas doenças em folhas de plantas. Utilizando um conjunto de dados público, esta pesquisa visa desenvolver um modelo que equilibre desempenho e eficiência computacional. O modelo proposto alcançou uma acurácia de 98,94%, com métricas de precisão, recall, F1-Score e AUC de 98,48%, 98,38%, 98,41% e 99,99%, respectivamente. A análise comparativa foi realizada com o MobileNetV2 e um modelo de referência de pesquisas anteriores, demonstrando a eficácia da arquitetura proposta em manter um alto desempenho com um número reduzido de parâmetros.
Referências
O. D. N. Unidas, “Risco de fome generalizada aumenta pelo quinto ano consecutivo,” [link], 2024.
S. D. Khirade and A. B. Patil, “Plant disease detection using image processing,” in 2015 International conference on computing communication control and automation. IEEE, 2015, pp. 768–771. 457
K. P. Ferentinos, “Deep learning models for plant disease detection and diagnosis,” Computers and electronics in agriculture, vol. 145, pp. 311–318, 2018.
A. A. Bharate and M. S. Shirdhonkar, “A review on plant disease detection using image processing,” in 2017 International Conference on Intelligent Sustainable Systems (ICISS), 2017, pp. 103–109.
I. Goodfellow, Y. Bengio, and A. Courville, Deep learning. MIT press, 2016.
F. C. Funck, “Detectando a ferrugem asiática na folha da soja utilizando redes neurais convolucionais,” B.S. thesis, Universidade Tecnológica Federal do Paraná, 2019.
Y. Lu, S. Yi, N. Zeng, Y. Liu, and Y. Zhang, “Identification of rice diseases using deep convolutional neural networks,” Neurocomputing, vol. 267, pp. 378–384, 2017.
A. Krizhevsky, I. Sutskever, and G. E. Hinton, “Imagenet classification with deep convolutional neural networks,” Communications of the ACM, vol. 60, no. 6, pp. 84–90, 2017.
C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich, “Going deeper with convolutions,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2015, pp. 1–9.
Z. Li, Y. Yang, Y. Li, R. Guo, J. Yang, and J. Yue, “A solanaceae disease recognition model based on se-inception,” Computers and Electronics in Agriculture, vol. 178, p. 105792, 2020. [Online]. Available: [link]
A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto, and H. Adam, “Mobilenets: Efficient convolutional neural networks for mobile vision applications,” CoRR, vol. abs/1704.04861, 2017. [Online]. Available: [link]
G. Geetharamani and A. Pandian, “Identification of plant leaf diseases using a nine-layer deep convolutional neural network,” Computers & Electrical Engineering, vol. 76, pp. 323–338, 2019.
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen, “Mobilenetv2: Inverted residuals and linear bottlenecks,” Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 4510–4520, 2018.
F. Zhuang, Z. Qi, K. Duan, D. Xi, Y. Zhu, H. Zhu, H. Xiong, and Q. He, “A comprehensive survey on transfer learning,” Proceedings of the IEEE, vol. 109, no. 1, pp. 43–76, 2020.
C. Tan, F. Sun, T. Kong, W. Zhang, C. Yang, and C. Liu, “A survey on deep transfer learning,” in Artificial Neural Networks and Machine Learning – ICANN 2018, V. Kůrková, Y. Manolopoulos, B. Hammer, L. Iliadis, and I. Maglogiannis, Eds. Cham: Springer International Publishing, 2018, pp. 270–279.
