Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/32354| Título: | Detecção de doenças foliares em imagens com Aprendizado Profundo: estudos de caso para míldio em soja e ácaro em lichieira |
| Título(s) alternativo(s): | Detection of leaf diseases in images with Deep Learning: case studies for mildew in soybean and mite in lychee tree |
| Autor(es): | Weber, Nathan Patrike da Luz |
| Orientador(es): | Ortoncelli, André Roberto |
| Palavras-chave: | Fitopatologia Aprendizado do computador Redes neurais (Computação) Plant diseases Machine learning Neural networks (Computer science) |
| Data do documento: | 24-Jun-2022 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Dois Vizinhos |
| Citação: | WEBER, Nathan Patrike da Luz. Detecção de doenças foliares em imagens com Aprendizado Profundo: estudos de caso para míldio em soja e ácaro em lichieira. 2022. Trabalho de Conclusão de Curso (Engenharia de Software) – Universidade Tecnológica Federal do Paraná, Dois Vizinhos, 2022. |
| Resumo: | A detecção de doenças foliares é uma tarefa importante, pois quanto mais eficiente e eficaz for a realização dessa atividade, maiores são as chances de sucesso no tratamento da planta. Nesse contexto é relevante o desenvolvimento de técnicas que automatizem essa atividade. Este trabalho tem o objetivo de analisar o desempenho de técnicas de Aprendizado Profundo na classificação automática de doenças em imagens de folhas de Lichieira e de Soja. A soja foi escolhida em virtude de exercer um papel fundamental para o desenvolvimento social e econômico de várias regiões do Brasil, o qual é um dos maiores produtores mundiais deste grão. A Lichieira foi selecionada por se tratar de uma planta cultivada principalmente no Brasil, sendo uma árvore para qual existe escassez de alternativas para o controle e manejo de pragas e doenças. A metodologia utilizada pra execução deste trabalho pode ser resumida em duas atividades principais: i) Produção da base de dados experimental; e ii) Condução de estudos de casos com Redes Neurais Convolucionais. A nova base de dados produzida para o projeto é composta por 2288 imagens: 268 folhas de soja com míldio (doença causada pelo fungo Peronospora Manshurica), 1000 fotos de folhas de lichia com injúrias provocadas pelo ácaro da erinose (Aceria Litchii) e 1020 imagens de folhas de lichia sem o efeito desse ácaro. Destaca-se que a quantidade de imagens de soja é menor devido aos índices baixos pluviométricos na região de Dois Vizinhos (no final de 2021 e início de 2022), que impactaram em percas de produtividade e na baixa proliferação de doenças que precisam de alta umidade. Após a coleta desses dados, as imagens foram rotuladas por uma especialista com doutorado em Fitopatologia. Analisando a revisão de literatura conduzida, foi possível identificar que a base de dados PlantVillage (que possui 54305 imagens, divididas em 38 classes) é a principal base explorada em trabalhos relacionados a detecção de doenças em imagens com característicos similares as coletadas neste trabalho: fotos tiradas individualmente para cada folha com um fundo uniforme. Também foi possível identificar cinco Redes Neurais Convolucionais (AlexNet, DenseNet169, Inceptionv3, ResNet34 e VGG13) que apresentam acurácia superiores a 99.2% com a base de dados PlantVillage. Esses cinco modelos foram selecionados para o estudo de caso deste trabalho, que também foi conduzido com outras três Redes Neurais Convolucionais mais recentes: EfficientNetB7, MobilenetV2 e SqueezeNet. Para cada uma das oito rede neurais selecionadas foram realizados experimentos com três estratégias de treinamento: i) Ajuste fino (atualiza apenas as camadas totalmente conectadas de uma CNN pré-treinada); ii) Treinamento do zero (aplica o ajuste fino em todas as camadas da rede e inicia a otimização de retro-propagação a partir da rede pré-treinada); e iii) Treinamento profundo (consiste em treinar a rede do zero a partir de uma configuração aleatória de pesos, não utilizando transferência de aprendizado). Os experimentos deste trabalho foram realizados em três etapas, cada uma com uma instância diferente da base de dados. Em todas as etapas, 80% das imagens compuseram o conjunto de treinamento e 20% delas fizeram parte do conjunto de teste. Na primeira etapa, as oito RNCs foram treinadas com o conjunto composto por 57308 imagens: 2288 fotos de folha de Soja e Lichia coletadas para este trabalho, 54305 da PlantVillage, e 715 fotos com fundos aleatórios (que é uma estratégia utilizada em trabalhos relacionados para obter uma acurácia mais precisa em uma rede neural profunda). Para cada umas das estratégias de treinamento aplicadas na primeira etapa dos experimentos, foi selecionada a RNC que obteve a melhor acurácia, que foi aplicada nos estudos de casos subsequentes. No segundo estudo de caso as RNCs foram treinadas com as 2020 imagens de folhas de Lichia coletadas para este projeto. Já no terceiro estudo de caso, se utilizou um conjunto de 5358 imagens: 5090 folhas de sojas saudáveis da PlantVillage, e 268 folhas de soja com míldio coletadas para este estudo. Na primeira etapa, a melhor resultado foi obtido com a DenseNet169 (com a estratégia de treinamento profundo) que obteve uma acurácia de 99.75%. Para a classificação de apenas folhas de Lichia (com e sem Ácaro), a melhor acurácia foi de 94.80%, alcançada também com a DenseNet169 (com a estratégia de treinamento ajuste fino). Já para o terceiro estudo de caso, realizado apenas com folhas de soja, se obteve uma acurácia de 100% também com a DenseNet169 (em duas estratégias de treinamento: ajuste fino e treinamento profundo). Com os resultados obtidos foi possível analisar pontos positivos e limitações do estudo de caso, e propor temas de trabalhos futuros que podem contribuir para melhorar os resultados obtidos. |
| Abstract: | The detection of foliar diseases is an important task, because the more efficient and effective this activity is, the greater the chances of success in the treatment of the plant. In this context, the development of techniques that automate this activity is relevant. This work aims to analyze the performance of Deep Learning techniques in the automatic classification of diseases in images of Lichieira and Soybean leaves. Soybean was chosen because it plays a fundamental role in the social and economic development of several regions of Brazil, which is one of the world’s largest producers of this grain. Lichieira was selected because it is a plant grown mainly in Brazil, being a tree for which there is a shortage of alternatives for the control and management of pests and diseases. The methodology used to carry out this work can be summarized in two main activities: i) production of the experimental database, and ii) Conducting a case study with Convolutional Neural Networks. The database produced is composed of 2288 images: 268 soybean leaves with mildew (a disease caused by the fungus Peronospora Manshurica), 1000 photos of lychee leaves with injuries caused by the Ehinosis mite (Aceria Litchii) and 1020 images of lychee leaves without the effect of this mite. It is noteworthy that the amount of soybean images is lower due to the low rainfall in the Dois Vizinhos region (at the end of 2021), which impacted productivity losses and the low proliferation of diseases that require moisture. After collecting these data, the images were labeled by a specialist with a doctorate in Phytopathology. With the literature review carried out, it was possible to identify that the PlantVillage database (which has 54305 images, divided into 38 classes) is the main base explored in works related to the detection of diseases in images with similar characteristics to those collected in this work – photos taken individually for each sheet with a uniform background. It was also possible to identify five Convolutional Neural Networks (AlexNet, DenseNet169, Inceptionv3, ResNet34 and VGG13) that present greater than 99.2% accuracy with the PlantVillage database. These five models were selected for the case study of this work, which was also conducted with three other more recent Convolutional Neural Networks: EfficientNetB7, MobilenetV2, and SqueezeNet. For each of the eight selected neural networks, experiments were carried out with three training strategies: i) fine-tuning (updating only the fully connected layers of a pre-trained CNN); ii) training from scratch (applies fine-tuning to all layers of the network and starts optimization back propagation from the pre-trained network); and iii) deep training (consists of training the network from scratch using a random configuration of weights, not using transfer learning). The experiments of this work were carried out in three stages, each with a different instance of the database. At all stages, 80% of the images made up the training set, and 20% of them were part of the test set. In the first stage, the eight RNCs were trained with a set of 57308 images: 2288 photos of Soybean and Lychee leaves collected for this work, 54305 from PlantVillage, and 715 photos with random backgrounds (which is a strategy used in related works to obtain more accurate accuracy in a deep neural network). For each of the training strategies applied in the first stage of the experiments, the RNC that obtained the best accuracy was selected, which was applied in subsequent case studies. In the second case study, the RNCs were trained with the 2020 images of Lychee leaves collected for this project. In the third case study, a set of 5358 images was used: 5090 healthy soybean leaves from PlantVillage, and 268 soybean leaves with mildew collected for this study. In the first stage, the best result was obtained with DenseNet169 (with the deep training strategy) which obtained an accuracy of 99.75%. For the classification of only Lychee leaves (with and without mite), the best accuracy was 94.80%, achieved with DenseNet169 (with the fine-tuning training strategy). As for the third case study, carried out only with soybean leaves, an accuracy of 100% was also obtained with DenseNet169 (in two training strategies: fine-tuning and deep training). With the results obtained, it was possible to analyze positive points and limitations of the case study and to propose themes for future work that can contribute to improving the results obtained. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/32354 |
| Aparece nas coleções: | DV - Engenharia de Software |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| doencasfoliaresimagenssojalichieira.pdf | 5,47 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
