Detecção de patógenos foliares do morango com Deep Learning e CNNS: um projeto de uma escola técnica

Abstract

Este trabalho tem como objetivo integrar o reconhecimento computacional sobre a detecção de doenças foliares utilizando técnicas de aprendizado profundo e redes neurais artificiais. A justificativa para desenvolver o presente experimento deve se à necessidade de soluções eficientes para o diagnóstico precoce de doenças em plantas, reduzindo perdas agrícolas e otimizando o manejo fitossanitário. O reconhecimento de doenças foliares consiste em identificar padrões visuais característicos em folhas, como manchas, mudanças fisiológicas ou de padrões de cor, que indicam a presença de agentes patogênicos. A metodologia desse trabalho seguiu as seguintes etapas: em primeiro lugar, apresentam-se os testes sobre arquitetura Haarcascade para outra baseada em Redes Neurais Artificiais (RNAs), mais especificamente a ResNet50, pré-treinada no ImageNet. Em seguida, aborda-se o uso da ResNet50 como extrator de características, complementado por técnicas de manipulação de dados para melhorar a generalização. Finalmente, trata-se da implementação de um classificador SVM treinado com os vetores extraídos da rede. Os dados indicam que a abordagem híbrida (CNN+SVM) apresenta alta acurácia na classificação de exemplares utilizados, entretanto, há perda de precisão em alterações de angulação, iluminação e contraste. Como resultado geral, destaca-se a robustez e a eficácia de sua aplicação em sistemas automatizados de diagnóstico agrícola. Em síntese, conclui-se que o uso de aprendizado por transferência aliado ao SVM constitui uma solução promissora para o reconhecimento eficiente de doenças foliares por meio de computadores, possibilitando novas ideias e integrações.