Apresentação do TCC (2011) Sistema Informatizado para Diagnosticar Doenças Fúngicas na Cultura do Tomate

1. Sistema Informatizado para
Diagnosticar Doenças Fúngicas
na Cultura do Tomate
Felipe dos Santos Vieira
Rafael Paz
Orientador: Prof. Clávison Martinelli Zapelini

2. Objetivo Geral
• Diagnosticar doenças da cultura do tomate
através do desenvolvimento de um sistema
informatizado que utilize o reconhecimento de
padrões de imagens.

3. Justificativa
• Falta de preparo dos tomaticultores em
diagnosticar doenças.
• Uso desnecessário de agrotóxicos de maneira
preventiva.
• Redução no tempo de diagnóstico da doença.

4. Justificativa
• Processamento digital de imagens aliado a
técnicas de reconhecimento de padrões.
• Facilitar a tomada de decisão do especialista
agrônomo.

5. Doenças Fúngicas
• Papel de destaque na diminuição da
rentabilidade.
• Em caso de infecção, o uso do agrotóxico é
essencial.
• Região Sul possui maior incidência de pinta preta,
requeima e septoriose.

6. Pinta Preta
• Uma das principais doenças do tomateiro.
• Manchas circulares de cor marrom na folha.

7. Pinta Preta

8. Requeima
• Danifica totalmente a lavoura em um intervalo
pequeno de dias.
• Manchas grandes escuras na folha, dando aspecto
de folha queimada por geada.

9. Requeima

10. Septoriose
• Reduz a produtividade.
• Pequenas manchas mais ou menos circulares.

11. Septoriose

12. Redes Neurais Artificiais
• Simular o funcionamento do cérebro humano.
• Facilidade no reconhecimento de padrões e
aprendizado.
• Aplicações em várias áreas do conhecimento
humano.

13. Algoritmos de Aprendizado
• Supervisionado.
• Não supervisionado.
• Híbrida.

14. Arquitetura da Rede Neural
• Feedforward.
o Neurônios posteriores.
• Feedback.
o Neurônios recorrentes.
• Auto organizáveis.
o Auto adaptação.

15. Tipos de Redes Neurais Artificiais
• Perceptron.
• Perceptron multicamada.

16. Perceptron
• Considerado o primeiro modelo de rede neural.
• Rede do tipo feedforward.
• Aprendizado supervisionado.

17. Perceptron Multicamada
• Utiliza o modelo perceptron com camadas
intermediárias.
• Capaz de solucionar problemas complexos.
• Algoritmo de retropropagação é o mais utilizado
para o treinamento da rede.

18. Perceptron Multicamada

19. Algoritmo de Retropropagação
• Duas etapas sequenciais: propagação e
retropropagação.
o Propagação: Efeito produzido de camada em camada até ser
produzida a resposta da rede pela camada de saída.

20. Algoritmo de Retropropagação
o Cálculo do erro subtraindo a resposta da rede pela resposta desejada.
o Retropropagação: Com o resultado do erro, é feito os ajustes dos pesos
da camada de saída até a camada de entrada.

21. Imagens Digitais
• Matriz de pontos: pixel.
• Imagem f (x, y).

22. Pixel
• Menor componente de uma imagem digital.
• Contém informações que determinam suas
características.
• Seu número é dado pela
multiplicação da base
pela altura.

23. RGB
• Sistema de cores primárias: Vermelho (Red), Verde
(Green), Azul (Blue).
• Modelo aditivo.
• Escala de 0 a 255.
• Criadas conforme a sua intensidade de luz.

24. Tratamento de Imagens
• Forma de modificar ou manipular objetos gráficos.
• Utiliza funções matemáticas que modificam uma
imagem original.
• Alguns tipos de filtros:
o
o
o
o
o
Mumford & Shah.
Cinza ponderado.
Negativa.
Limiarização.
Dilatação.

25. Mumford & Shah
• Segmentação da imagem.
• Produz os melhores resultados entre os algoritmos
de crescimento de regiões.

26. Cinza Ponderado
• Cada pixel pode assumir 256 níveis de cinza.
• Variam do branco total ao preto total.
• Média ponderadas dos valores RGB.
o 0.299 para os pixels vermelhos (R)
o 0.587 para os pixels verdes (G)
o 0.114 para os pixels azuis (B)

27. Negativa
• Inversão da ordem do preto e do branco.

28. Limiarização
• Binariza imagem.
o Com um valor limiar pré-definido, os pixels com valor inferior a esse valor
são convertidos em preto, e os pixels com valor superior são convertidos
em branco.

29. Dilatação
• Causa o alongamento/dilatação de regiões da
imagem conforme o parâmetro escolhido.

30. Solução Desenvolvida

31. Solução Desenvolvida
• Etapa 1: Coleta das amostras.
• Etapa 2: Processamento de amostra no sistema.
• Etapa 3: Treinamento.
• Etapa 4: Análise do treinamento.
• Etapa 5: Análise do resultado pelo usuário.

32. Solução Desenvolvida
• Características da imagem que podem ser
extraídas (Papel do especialista).
• Utilizar imagens de tamanhos variados, sem
restringir sua área.
• Como extrair essas características no sistema.

33. Solução Desenvolvida
• Problema ao diferenciar o marrom do verde.
• Trabalho manual necessário, marcação da área
afetada pelo usuário.
• Utilização de filtros para guardar as coordenadas
da área afetada.

34. Processamento da Imagem
• Separação da área da imagem – Mumford & Shah.
o Objetivo: Separar a área da folha do fundo branco da imagem.

35. Processamento da Imagem
•
Marcação das manchas mais relevantes.

36. Processamento da Imagem
• Segunda segmentação.
o Objetivo: Simplificar a imagem e tornar o processamento mais rápido.

37. Processamento da Imagem
• Cinza ponderado.
o Objetivo: Permitir a limiarização mais precisa.

38. Processamento da Imagem
• Negativa.
o Objetivo: Preparar a imagem para ser limiarizada.

39. Processamento da Imagem
• Limiarização.
o Objetivo: Deixar o fundo da imagem com a cor preta e as manchas com
a cor branca.

40. Processamento da Imagem
• Dilatação.
o Objetivo: Preencher eventuais falhas na marcação da imagem.

41. Processamento da Imagem
• Identificar o branco.

42. Processamento da Imagem
• Após o processamento têm-se os valores de
entrada da rede neural:
o Área da folha.
o Quantidade de pintas na folha.
o Área total dos pixels que foram identificados como pinta.
o Percentual das pintas em relação à folha.
o Média dos pixels RGB de cada pinta.

43. Dados Extraídos da Imagem
• Legenda do arquivo:
o Quantidade de pintas; tamanho médio das pintas; total da área das
pintas; percentual em relação a folha; média R; média G; Média B;
Doença.

44. Arquitetura da Rede Neural

45. Treinamento da Rede Neural
• Criado conjunto de treinamento com 20 amostras
de cada categoria.
• Padronização dos dados.
• Configuração da rede neural:
o
o
o
o
o
Número de neurônios na camada de entrada: 7
Número de neurônios na camada de saída: 2
Taxa de aprendizado (%): 0,6
Camadas intermediárias: 4
Período de treinamento: 800

46. Resultados
• Teste cruzado.
o Teste realizado com as amostras que também foram utilizadas no
treinamento.

47. Resultados
• Teste generalizado.
o Teste realizado com as amostras que não foram utilizadas no
treinamento.
• Quantidade de amostras utilizadas nos testes:
o Pinta Preta: 32.
o Requeima: 9.
o Septoriose: 24.

48. Resultados

49. Conclusões
• Através de técnicas computacionais é possível
construir um sistema composto de neurônios capaz
de tomar novas decisões e fazer classificações de
dados.
• O
projeto
desenvolveu
técnicas
identificação das doenças propostas.
para
a
• Semelhanças entre duas doenças: pinta preta e
septoriose.

50. Conclusões
• O processamento digital
fundamental para o projeto.
de
imagens
foi
• As características extraídas foram definidas em
conjunto com o Eng. Agrônomo Lorildo Pereira
Rocha que nos auxiliou no projeto.
• Utilizamos o MLP por ser o mais utilizado de acordo
com o estudo realizado.

51. Conclusões
• Os resultados mostram que as redes neurais
artificiais aliadas às técnicas de processamento de
imagens são capazes de resolver problemas de
diversas áreas.
• Com a identificação correta das doenças, têm-se
a melhoria da produtividade, qualidade e redução
de custos.

52. Dificuldades Encontradas
• Quantidade de amostras.
• Tempo de processamento: Uma melhora no
algoritmo utilizado para a verificação das
manchas.

53. Trabalhos Futuros
•
Pesquisa das técnicas de identificação da cor
marrom e da cor verde no padrão RGB.
• Outras bibliotecas para a manipulação de imagens
no JAVA.
o Biblioteca JAI.
• Utilizar um maior número de amostras .

54. Agradecimentos
• A todos que de alguma maneira contribuíram para
tornar possível a elaboração deste projeto.
• As nossas famílias, amores e amigos
compreenderam a nossa ausência e
incentivaram em todos os momentos.
que
nos
• Ao Eng. Agrônomo Lorildo Pereira Rocha que se
colocou sempre a disposição para nos auxiliar.

55. Agradecimentos
• Agradecimento em especial ao Professor e
Orientador Clávison Martinelli Zapelini que muito
colaborou e dedicou seu tempo para nos orientar
e ensinar, tornando possível que o objetivo do
projeto fosse alcançado.

56. Contribuições da Banca