Please use this identifier to cite or link to this item: http://www.monografias.ufop.br/handle/35400000/6074
Title: Diagnóstico de doenças em tomateiros com Deep Learning.
Authors: Viana, Ramon Fernandes
metadata.dc.contributor.advisor: Leite, Sarah Negreiros de Carvalho
metadata.dc.contributor.referee: Eras Herrera, Wendy Yadira
Assis, Gilda Aparecida de
Leite, Sarah Negreiros de Carvalho
Keywords: Aprendizado do computador
Processamento de imagens - técnicas digitais
Redes neurais - computação
Tomate - doenças - diagnóstico
Transferência de aprendizagem
Issue Date: 2023
Citation: VIANA, Ramon Fernandes. Diagnóstico de doenças em tomateiros com Deep Learning. 2023. 77 f. Monografia (Graduação em Engenharia Elétrica) - Instituto de Ciências Extas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2023.
Abstract: As doenças foliares podem prejudicar o cultivo de plantas, levando à perda significativa de alimentos e impactos negativos na economia, sociedade e meio ambiente. A detecção manual dessas doenças é demorada e desafiadora. No entanto, as redes neurais convolucionais (CNNs), uma técnica de análise de imagens, provaram ser eficazes para essa finalidade. Nesse contexto, são propostas duas abordagens para o diagnóstico de doenças em folhas de tomate. A primeira abordagem emprega um modelo de CNN baseado em transfer learning com a arquitetura MobileNetV2. A segunda abordagem utiliza um sistema de pré-processamento de imagens, combinando técnicas de suavização, segmentação por cor e segmentação adaptativa. Essa abordagem visa padronizar imagens adquiridas em ambientes reais, onde os padrões de aquisição podem variar. A validação das abordagens é conduzida por meio de experimentos com conjuntos de imagens PlantVillage e PlantDoc, ambos contendo amostras foliares de tomate com e sem doenças. Esses conjuntos apresentam particularidades de aquisição, sendo um produzido em laboratório e o outro em ambiente de cultivo. Os resultados da combinação das abordagens e dos conjuntos de dados são analisados, o modelo CNN, quando testado com o conjunto PlantVillage é capaz de alcançar uma precisão de 98.56%; no caso do conjunto PlantDoc, o desempenho médio é de 26.72%. A abordagem de pré-processamento de imagens alcança 97.21% e 42.31% de precisão, respectivamente. A detecção precoce de doenças foliares é fundamental para reduzir a necessidade de pesticidas e aumentar a produtividade das plantas. O uso de CNNs com transfer learning, em conjunto com um sistema de pré-processamento de imagens, mostra-se promissor para essa finalidade. Essas abordagens podem ser aprimoradas e adaptadas para diversos contextos, incentivando pesquisas futuras nesse campo.
metadata.dc.description.abstracten: Leaf diseases can harm plant cultivation, leading to a significant loss of food and negative impacts on the economy, society, and the environment. Manual detection of these diseases is time-consuming and challenging. However, Convolutional Neural Networks (CNNs), an image analysis technique, have proven to be effective for this purpose. In this context, two approaches are proposed for diagnosing diseases in tomato leaves. The first approach employs a CNN model based on transfer learning using the MobileNetV2 architecture. The second approach utilizes an image preprocessing system that combines techniques such as smoothing, color segmentation, and adaptive segmentation. This approach aims to standardize images acquired in real environments where acquisition patterns can vary. Validation of the approaches is conducted through experiments with image datasets PlantVillage and PlantDoc, both containing tomato leaf samples with and without diseases. These datasets have acquisition peculiarities, with one produced in a laboratory and the other in a cultivation environment. The results of combining the approaches and datasets are analyzed. The CNN model, when tested with the PlantVillage dataset, achieves an accuracy of 98.56%; for the PlantDoc dataset, the average performance is 26.72%. The image preprocessing approach achieves accuracy of 97.21% and 42.31%, respectively. Early detection of leaf diseases is essential to reduce the need for pesticides and increase plant productivity. The use of CNNs with transfer learning, along with an image preprocessing system, proves promising for this purpose. These approaches can be enhanced and adapted for various contexts, encouraging future research in this field.
URI: http://www.monografias.ufop.br/handle/35400000/6074
Appears in Collections:Engenharia Elétrica - JMV

Files in This Item:
File Description SizeFormat 
MONOGRAFIA_DiagnósticoDoençasTomateiros.pdf4,54 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons