Detecção e classificação de doenças e pragas da soja usando imagens de veículos aéreos não tripulados e técnicas de visão computacional (Atena Editora)

Abstract

Olá, seja muito bem-vindo! O texto deste livro é originário de uma tese de doutorado, organizada em uma coletânea de cinco artigos científicos publicados em revistas nacionais e internacionais de alto impacto, disponível no endereço eletrônico: http:// repositorio.ufgd.edu.br/jspui/handle/prefix/2385. O artigo apresentado no Capítulo 6 foi vencedor do Prêmio Mercosul de Ciência e Tecnologia, Edição 2018, na categoria pesquisador sênior. Neste livro, estudaremos os conceitos fundamentais necessários para criar uma abordagem de visão computacional que seja capaz de identificar doenças e pragas da soja em um ambiente de campo real, sob diferentes condições de iluminação, tamanho de objeto e variações de fundo. Para tal propósito, serão implementadas e avaliadas diferentes técnicas rasas (SVM, k-NN, Naive Bayes, J48, AdaBoost e Random Forest) e profundas (Inception-V3, Resnet-50, VGG- 16, VGG-19, Xception, Inception-Resnet-v2 e DenseNet-201) de aprendizagem de máquina. As imagens capturadas pelo VANT serão submetidas à tarefa de classificação de doenças foliares e espécies de insetos encontrados na soja. Diferentes métricas, como taxa de classificação correta (TCC), medida-F, área sob a curva ROC e tempo para criar o modelo de classificação serão usadas para avaliar o desempenho dos classificadores e verificar se os algoritmos testados diferem estatisticamente em relação ao desempenho. Este livro está organizado em sete capítulos com os seguintes objetivos: • Determinar os parâmetros tecnológicos de voo do VANT, como a altura ideal recomendada para a identificação de doenças da soja e o limite de altura mais baixo; • Verificar se ao catalogar novas doenças da soja e aumentar a quantidade de classes ao dobro existe evidência de diferença significativa da taxa de classificação correta em relação aos classificadores comparados; • Definir o melhor classificador para o reconhecimento de doenças e quais atributos visuais levam a maiores taxas de classificação correta; • Avaliar modelos de aprendizagem profunda reconhecidos da literatura, usando imagens capturadas pelo VANT com a altura ideal recomendada para a identificação de doenças. Em seguida, comparar os resultados de desempenho dos modelos de aprendizagem profunda com outras técnicas tradicionais da área; • Avaliar diferentes estratégias de treinamento para os modelos de aprendizagem profunda, como ajuste fino, transferência de aprendizagem e inicialização de pesos aleatórios, apropriadas para os proPREFÁCIO blemas abordados; • Avaliar modelos de aprendizagem profunda reconhecidos da literatura, treinados com diferentes parâmetros de ajuste fino e transferência de aprendizagem, para as tarefas de classificação e contagem de insetos-praga da soja. Para mais detalhes, vocês podem consultar o meu currículo na plataforma Lattes do CNPq disponível em: http://lattes.cnpq.br/4761324267689856 Boa leitura!