Um Comparativo de Abordagens com Redes Neurais Artificiais para Detecção Inteligente de Patologias na Folha do Café
Resumo
Este artigo considera duas abordagens para utilização de Redes Neurais Artificiais perante o problema de classificação automática de patologias foliares do café a partir de uma base de dados realística disponível na literatura. Os resultados obtidos através de experimentos computacionais demonstraram a eficácia e eficiência das arquiteturas oriundas da abordagem baseada em Deep Learning, na qual o modelo ShuffleNet obteve F1-Score médio igual a 99,88%, desempenho equiparável ao estado da arte, mas com significativamente menos parâmetros e exposto a menos exemplos, o que enseja sua viabilidade prática enquanto contribuição para Agricultura Digital.
Referências
ABIC (2021). Associação Brasileira da Indústria de Café, estatistícas da exportação brasileira de café. Disponível em https://estatisticas.abic.com.br. Acesso em 25 de maio de 2023.
Aufar, Y., Abdillah, M. H., and Romadoni, J. (2023). Web-based CNN application for Arabica Coffee leaf disease prediction in smart agriculture. J. RESTI (Rekayasa Sist. Dan Teknol. Inf.), 7(1):71–79.
Carvalho, V., Guedes, E., and Salame, M. (2019). Classificação de ervas daninhas em culturas agrícolas com comitês de redes neurais convolucionais. Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), pages 60–71. Disponível em: https://doi.org/10.5753/eniac.2019.9272.
de Mesquita, C. M., de Rezende, J. E., Carvalho, J. S., Júnior, M. A. F., Moraes, N. C., Dias, P. T., de Carvalho, R. M., and de Araújo, W. G. (2016). MANUAL DO CAFÉ – DISTÚRBIOS FISIOLÓGICOS, PRAGAS E DOENÇAS DO CAFEEIRO. EMATER, Belo Horizonte, 1 edition.
Dias, J. and Saito, J. (2021). Coffee plant image segmentation and disease detection using jseg algorithm. In Anais do XVII Workshop de Visão Computacional, pages 42–47, Porto Alegre, RS, Brasil. SBC.
Embrapa (2014). Visão 2014–2034 – O Futuro do Desenvolvimento Tecnológico da Agricultura Brasileira (Síntese). Embrapa, Distrito Federal, Brasil.
Faceli, K., Lorena, A. C., Gama, J., and de Carvalho, A. C. P. L. F. (2021). Inteligência Artificial – Uma abordagem de aprendizado de máquina. Editora LTC, Rio de Janeiro, 2 edition.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. The MIT Press, Cambridge.
Haralick, R. M., Shanmugam, K., and Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6):610–621.
Haykin, S. (2008). Neural Networks and Learning Machines. Pearson Prentice-Hall, Estados Unidos, 3 edition.
Howard, A., Sandler, M., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobilenetv2: Inverted Residuals and Linear Bottlenecks. The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 4510–4520. Disponível em: https://arxiv.org/abs/1801.04381.
Işik, A. H. and Eskicioglu, Ö. C. (2022). Classification of coffee leaf diseases through image processing techniques. In Artificial Intelligence and Smart Agriculture Applications, pages 233–252. Auerbach Publications, Estados Unidos.
Jepkoech, J., Mugo, D. M., Kenduiywo, B. K., and Too, E. C. (2021). Arabica coffee leaf images dataset for coffee leaf disease detection and classification. Data in Brief, 36:107–142.
Kamilaris, A. and Prenafeta-Boldú, F. X. (2018). Deep Learning in Agriculture: A Survey. Computers and Electronics in Agriculture, 147:70–90.
Khan, S., Rahmani, H., Shah, S. A. A., and Bennamoun, M. (2018). A Guide to Convolutional Neural Networks for Computer Vision. Synthesis Lectures on Computer Vision. Morgan & Claypool, San Rafael, California, USA, 1a edition.
MAPA (2019). Ministério da Agricultura, Pecuária e Abastecimento, Panorama do Agronegócio Brasileiro. Disponível em http://www.agricultura.gov.br. Acesso em 25 de maio de 2023.
MAPA (2021). Ministério da Agricultura, Pecuária e Abastecimento, Panorama do Agronegócio Brasileiro, café no Brasil e Ementário do Café. Disponível em [link]. Acesso em 25 de maio de 2023.
Palit, A. K. and Popovic, D. (2005). Computational Intelligence in Time Series Forecasting. Springer-Verlag, Londres.
Parraga-Alava, J., Cusme, K., Loor, A., and Santander, E. (2019). RoCoLe: A robusta coffee leaf images dataset for evaluation of machine learning based methods in plant diseases recognition. Data in Brief, 25(104414).
Prince, S. (2012). Computer Vision: Models, Learning, and Inference. Cambridge University Press, Cambridge.
Santos, F., Canuto, A., Bedregal, B., Palmeira, E., and Silva, I. (2019). Supervised methods applied to the construction of a vision system for the classification of cocoa beans in the cut-test. In Anais do XVI Encontro Nacional de Inteligência Artificial e Computacional, pages 72–83, Porto Alegre, RS, Brasil. SBC. Disponível em http://dx.doi.org/10.5753/eniac.2019.9273. Acesso em 25 de maio de 2023.
Sharma, A., Jain, A., Gupta, P., and Chowdary, V. (2021). Machine learning applications for precision agriculture: A comprehensive review. IEEE Access, 9:4843–4873.
Simonyan, K. and Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. Disponível em https://arxiv.org/abs/1409.1556. Acesso em 25 de maio de 2023.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, volume 1, pages 1–9, Massachusetts, Estados Unidos. IEEE.
Tan, M. and Le, Q. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. In Proceedings of the 36th International Conference on Machine Learning, volume 97, pages 6105–6114.
Tang, S., Zhu, Q., Zhou, X., Liu, S., and Wu, M. (2002). A Conception of Digital Agriculture. In IEEE International Geoscience and Remote Sensing Symposium, pages 3026–3028, Canada. IEEE.
Zhang, X., Zhou, X., Lin, M., and Sun, J. (2018). Shufflenet: An extremely efficient convolutional neural network for mobile devices. In 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 6848–6856, Estados Unidos. IEEE.
Aufar, Y., Abdillah, M. H., and Romadoni, J. (2023). Web-based CNN application for Arabica Coffee leaf disease prediction in smart agriculture. J. RESTI (Rekayasa Sist. Dan Teknol. Inf.), 7(1):71–79.
Carvalho, V., Guedes, E., and Salame, M. (2019). Classificação de ervas daninhas em culturas agrícolas com comitês de redes neurais convolucionais. Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), pages 60–71. Disponível em: https://doi.org/10.5753/eniac.2019.9272.
de Mesquita, C. M., de Rezende, J. E., Carvalho, J. S., Júnior, M. A. F., Moraes, N. C., Dias, P. T., de Carvalho, R. M., and de Araújo, W. G. (2016). MANUAL DO CAFÉ – DISTÚRBIOS FISIOLÓGICOS, PRAGAS E DOENÇAS DO CAFEEIRO. EMATER, Belo Horizonte, 1 edition.
Dias, J. and Saito, J. (2021). Coffee plant image segmentation and disease detection using jseg algorithm. In Anais do XVII Workshop de Visão Computacional, pages 42–47, Porto Alegre, RS, Brasil. SBC.
Embrapa (2014). Visão 2014–2034 – O Futuro do Desenvolvimento Tecnológico da Agricultura Brasileira (Síntese). Embrapa, Distrito Federal, Brasil.
Faceli, K., Lorena, A. C., Gama, J., and de Carvalho, A. C. P. L. F. (2021). Inteligência Artificial – Uma abordagem de aprendizado de máquina. Editora LTC, Rio de Janeiro, 2 edition.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. The MIT Press, Cambridge.
Haralick, R. M., Shanmugam, K., and Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6):610–621.
Haykin, S. (2008). Neural Networks and Learning Machines. Pearson Prentice-Hall, Estados Unidos, 3 edition.
Howard, A., Sandler, M., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobilenetv2: Inverted Residuals and Linear Bottlenecks. The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 4510–4520. Disponível em: https://arxiv.org/abs/1801.04381.
Işik, A. H. and Eskicioglu, Ö. C. (2022). Classification of coffee leaf diseases through image processing techniques. In Artificial Intelligence and Smart Agriculture Applications, pages 233–252. Auerbach Publications, Estados Unidos.
Jepkoech, J., Mugo, D. M., Kenduiywo, B. K., and Too, E. C. (2021). Arabica coffee leaf images dataset for coffee leaf disease detection and classification. Data in Brief, 36:107–142.
Kamilaris, A. and Prenafeta-Boldú, F. X. (2018). Deep Learning in Agriculture: A Survey. Computers and Electronics in Agriculture, 147:70–90.
Khan, S., Rahmani, H., Shah, S. A. A., and Bennamoun, M. (2018). A Guide to Convolutional Neural Networks for Computer Vision. Synthesis Lectures on Computer Vision. Morgan & Claypool, San Rafael, California, USA, 1a edition.
MAPA (2019). Ministério da Agricultura, Pecuária e Abastecimento, Panorama do Agronegócio Brasileiro. Disponível em http://www.agricultura.gov.br. Acesso em 25 de maio de 2023.
MAPA (2021). Ministério da Agricultura, Pecuária e Abastecimento, Panorama do Agronegócio Brasileiro, café no Brasil e Ementário do Café. Disponível em [link]. Acesso em 25 de maio de 2023.
Palit, A. K. and Popovic, D. (2005). Computational Intelligence in Time Series Forecasting. Springer-Verlag, Londres.
Parraga-Alava, J., Cusme, K., Loor, A., and Santander, E. (2019). RoCoLe: A robusta coffee leaf images dataset for evaluation of machine learning based methods in plant diseases recognition. Data in Brief, 25(104414).
Prince, S. (2012). Computer Vision: Models, Learning, and Inference. Cambridge University Press, Cambridge.
Santos, F., Canuto, A., Bedregal, B., Palmeira, E., and Silva, I. (2019). Supervised methods applied to the construction of a vision system for the classification of cocoa beans in the cut-test. In Anais do XVI Encontro Nacional de Inteligência Artificial e Computacional, pages 72–83, Porto Alegre, RS, Brasil. SBC. Disponível em http://dx.doi.org/10.5753/eniac.2019.9273. Acesso em 25 de maio de 2023.
Sharma, A., Jain, A., Gupta, P., and Chowdary, V. (2021). Machine learning applications for precision agriculture: A comprehensive review. IEEE Access, 9:4843–4873.
Simonyan, K. and Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. Disponível em https://arxiv.org/abs/1409.1556. Acesso em 25 de maio de 2023.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, volume 1, pages 1–9, Massachusetts, Estados Unidos. IEEE.
Tan, M. and Le, Q. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. In Proceedings of the 36th International Conference on Machine Learning, volume 97, pages 6105–6114.
Tang, S., Zhu, Q., Zhou, X., Liu, S., and Wu, M. (2002). A Conception of Digital Agriculture. In IEEE International Geoscience and Remote Sensing Symposium, pages 3026–3028, Canada. IEEE.
Zhang, X., Zhou, X., Lin, M., and Sun, J. (2018). Shufflenet: An extremely efficient convolutional neural network for mobile devices. In 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 6848–6856, Estados Unidos. IEEE.
Publicado
06/08/2023
Como Citar
ALBUQUERQUE, Laís Dib; GUEDES, Elloá B..
Um Comparativo de Abordagens com Redes Neurais Artificiais para Detecção Inteligente de Patologias na Folha do Café. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 14. , 2023, João Pessoa/PB.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 131-140.
ISSN 2595-6124.
DOI: https://doi.org/10.5753/wcama.2023.229712.
