Detecção e classificação de patologias nas folhas de erva-mate usando métodos de inteligência artificial e descritores espectrais e de textura derivados de imagens

Abstract

Resumo: Nos últimos anos, a detecção e diagnóstico de doenças em plantas tornou-se uma grande preocupação na agricultura, impulsionando o interesse por soluções baseadas em inteligência artificial. Algoritmos de aprendizado profundo, destacaramse na detecção de doenças a partir de imagens foliares, superando abordagens tradicionais. No entanto, a maioria das pesquisas concentram-se na classificação binária de imagens com manchas patológicas visíveis, resultando em modelos com baixa precisão e propensos a superajuste, devido à ênfase exclusiva em características texturais. Além disso, o uso de bancos de dados em condições reais de campo apresenta desafios, associados à fatores como, variações de iluminação, sombras, sobreposição entre folhas, oclusão e fundos complexos. Esta pesquisa visa desenvolver um sistema de visão computacional para detecção e diagnóstico automático de patologias em folhas de erva-mate, incluindo mapeamento espacial. A abordagem integra técnicas de segmentação, descritores de extração de características (cor, textura e forma) e aplicação da rede neural profunda do tipo CNN. Os modelos foram treinados com um banco de dados específico, contendo 4.660 imagens fotografadas em condições reais de campo, abrangendo 4 classes. A abordagem resultou numa precisão satisfatória em comparação com o uso de apenas um descritor, alcançando uma precisão global de 97,8% e uma acurácia de 97,6%, superando algoritmos de aprendizado de máquina, incluindo o classificador RF, que obteve acurácia de 86,4%. Os resultados são promissores e com potencial de serem ampliados no desenvolvimento de um sistema robusto de detecção e diagnóstico de patologias em plantas, apto em operar em ambientes reais de cultivo para suporte aos produtores rurais.

Abstract: In recent years, the detection and diagnosis of plant diseases has become a major concern in agriculture, driving interest in solutions based on artificial intelligence. Deep learning algorithms have excelled in detecting diseases from leaf images, surpassing traditional approaches. However, research has focused on binary classification of images with visible pathological spots, resulting in models with low accuracy and prone to overfitting, due to the exclusive emphasis on textural features. In addition, the utilization of databases in real-field conditions presents challenges associated with factors such as lighting variations, shadows, leaf overlap, occlusion, and complex backgrounds. The study aims to develop a computer vision system for automatic detection and diagnosis of pathologies in yerba mate leaves, including spatial mapping. The approach integrates segmentation techniques, feature extraction descriptors (color, texture, and shape), and the application of a deep neural network, specifically a CNN (Convolutional Neural Network). The models were trained using a specific database, consisting of 4.660 images captured under real-field conditions, covering 4 classes. The approach resulted in satisfactory accuracy compared to the use of a single descriptor alone, achieving an overall accuracy of 97.8% and an precision of 97.6%, outperforming machine learning algorithms, including the RF classifier, which achieved an accuracy of 86.4%. The results are promising and have the potential to be expanded in the development of a robust system for detecting and diagnosing plant pathologies, capable of operating real growing environments to support rural producers.