Identificação do percevejo marrom em imagens através da técnica máquina de vetores de suporte (SVM)

Abstract

Resumo : Por conta de sua extensão territorial o Brasil proporciona uma ampla gama de atividades econômicas, sendo uma das mais importantes atividades do setor primário é a produção agrícola, em especial a da soja, que lidera o ranking de produção agrícola. Dentre as pragas da soja as mais importantes são os percevejos fitófagos, os quais afetam seriamente o rendimento e a qualidade da cultura da soja, por se alimentarem dos seus grãos. Atualmente existem diversos métodos para amostragem e quantificação de insetos-praga, entretanto são todos métodos manuais, o que acarreta em custos e também torna o método dependente da capacidade cognitiva humana que pode acarretar na imprecisão da quantificação das pragas. Este trabalho tem como objetivo desenvolver um algoritmo de Identificação do Percevejo marrom em imagens embasado na técnica Support Vector Machine (SVM), com o intuito de fomentar a criação de ferramentas tecnológicas para a detecção do percevejo marrom em lavouras. Para a implementação da base de dados, primeiramente, foram criados diferentes cenários, com o objetivo de obter diferentes planos de fundo e diferentes condições de iluminação, onde o percevejo marrom, foi fotografado com diferentes distâncias, inclinações e rotações. Com o objetivo de obter uma nova solução para o presente projeto, todas as imagens coletadas passaram por um processo de transformação RGB para HSV, das quais foram aproveitadas somente a banda H (Matiz). A banda Matiz foi escolhida por distinguir de maneira mais homogênea todos os objetos presentes na imagem. Após a transformação das fotografias foram selecionadas imagens de treinamento para o algoritmo, nas quais os percevejos foram selecionados com o intuito de extrair suas fotocoordenadas e fornecer amostras classificadas para o algoritmo. Com as amostras dos percevejos e suas respectivas informações RGB e H o algoritmo SVM foi gerado para a detecção dos percevejos. Avaliando os resultados obtidos na etapa de identificação do percevejo, foi possível notar que os resultados utilizando as imagens referentes à banda Matiz foram os melhores.

Abstract : Due to its territorial extension, Brazil provides a wide range of economic activities. One of the most important activities in the primary sector is agricultural production, especially soybean, which leads the ranking of agricultural production. Among the soybean pests, the most important are the phytophagous bedbugs, which seriously affect the yield and the quality of the soybean crop, as they feed on its grains. Currently there are several methods for sampling and quantification of pest insects, however they are all manual methods, which entails costs and also makes the method dependent on human cognitive capacity that may cause inaccuracy in pest quantification. This work aims to develop a brown stink bug identification algorithm based on the Support Vector Machine (SVM) technique, in order to foster the creation of technological tools for the detection of brown stink bug in crops. For the implementation of the database, firstly, different scenarios were created in order to obtain different backgrounds and different lighting conditions, where the brown stink bug was photographed with different inclination, rotation and distances. In order to obtain a new solution for the present paper, all the images collected underwent an RGB to HSV transformation process, from which only the H band (Hue) was used. The band Hue was chosen for distinguishing more homogeneously all the objects present in the image. After the transformation of the photographs, training images were selected for the algorithm, in which the bed bugs were selected in order to extract their photocoordinates and provide classified samples for the algorithm. With the bed bug samples and their respective RGB and H information, the SVM algorithm was generated for bed bug detection. Evaluating the results obtained in the bed bug identification step, it was observed that the results using the images related to the Hue band were the best.