Diagnóstico de doenças em tomateiros com Deep Learning.

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.