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.
8. Requeima
• Danifica totalmente a lavoura em um intervalo
pequeno de dias.
• Manchas grandes escuras na folha, dando aspecto
de folha queimada por geada.
12. Redes Neurais Artificiais
• Simular o funcionamento do cérebro humano.
• Facilidade no reconhecimento de padrões e
aprendizado.
• Aplicações em várias áreas do conhecimento
humano.
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.
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.
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)
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.
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.
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.
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
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.
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.
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.