Segmentação de pragas e doenças em folhas de café utilizando redes convolucionais

Abstract

RESUMO: Nos últimos anos, métodos de aprendizado profundo foram introduzidos para segmentação e classificação de lesões em folhas causadas por pragas e outras doenças. Dentre as abordagens comumente utilizadas, as redes neurais convolucionais têm fornecido resultados com alta precisão. Por essa razão, o objetivo deste estudo é apresentar um sistema prático e eficaz que usa redes neurais convolucionais para segmentar e classificar diferentes tipos de lesões em folhas de café e estimar a gravidade do dano causado por agentes bióticos. Neste trabalho é proposto dois frameworks diferentes. O primeiro usa segmentação semântica para identificar cada sintoma e calcular sua gravidade, enquanto o segundo usa duas etapas: segmentação semântica para calcular a gravidade e classificação dos sintomas. O primeiro sistema é cerca de 1,80 vezes mais rápido que o segundo e obteve um índice mIoU de 84,27%. Já o segundo atingiu 95,04% de mIoU e uma acurácia de 97,31% na classificação dos sintomas. Além disso, de acordo com o nosso conhecimento atual, este é o primeiro estudo que sugere a identificação e a avaliação da gravidade de doenças em folhas de café utilizando exclusivamente um modelo de segmentação. Por fim, os resultados são promissores e conseguem segmentar regiões lesionadas com alta precisão.

ABSTRACT: In recent years, deep learning methods have been introduced for segmentation and classification of leaf lesions caused by pests and other diseases. Among the commonly used approaches, convolutional neural networks have provided results with high precision. For this reason, the aim of this study is to present a practical and effective system that uses convolutional neural networks to segment and classify different types of lesions on coffee leaves and estimate the severity of the damage caused by biotic agents. In this work two different frameworks are proposed. The first uses semantic segmentation to identify each symptom and calculate its severity, while the second uses two steps: semantic segmentation to calculate severity and classification of symptoms. The first system is about 1.80 times faster than the second and obtained a mIoU index of 84.27%. The second reached 95.04% of mIoU and an accuracy of 97.31% in the classification of symptoms. Furthermore, according to our current knowledge, this is the first study that suggests the identification and assessment of disease severity in coffee leaves using exclusively a segmentation model. Finally, the results are promising and manage to segment injured regions with high precision. Keywords: Coffee Leafs. Pests and Diseases. Computer Vision.