Aplicação de machine learning para detecção de pragas em plantas

Abstract

Métodos de aprendizado de máquina são cada vez mais utilizados para soluções tecnológicas e inventivas para problemas enfrentados na indústria moderna. Combinados com visão computacional, esses métodos melhoram a capacidade dos sistemas de inspeção em diferentes campos. Os sistemas de detecção automática podem ser utilizados para identificar pragas e doenças nas culturas, permitindo a detecção precoce e a rápida implementação de técnicas de contingência, tais como medicamentos e pesticidas. Nestes casos, a correta identificação da planta doente permite o tratamento individualizado, reduzindo significativamente o uso de agrotóxicos a uma região limitada da cultura. A utilização de redes neurais permite o desenvolvimento de modelos robustos e escaláveis, que podem ser aplicados em diversos contextos. Este trabalho propõe um modelo de aprendizagem profunda para identificar duas pragas (lagarta e Diabrotica speciosa) em folhas de soja. Os métodos foram avaliados utilizando bancos de dados com imagens reais, e testes de modelos foram realizados para validar e melhorar o desempenho. Os modelos desenvolvidos obtiveram precisões de teste de até 98,55%.

Machine learning methods are increasingly used for technological and inventive solutions to problems experienced in modern industry. Combined with computer vision, these methods improve inspection systems capabilities in different fields. Automatic detection systems can be used for identifying crop pests and diseases, allowing early detection and fast implementation of contingency techniques such as medicine and pesticides. In those cases, the correct identification of the ill plant allows individual treatment, significantly reducing the use of pesticides to a limited region of the crop. Using neural networks enables the development of robust and scalable models, which can be applied in diverse contexts. This work proposes a deep learning model to identify two pests (caterpillar and Diabrotica speciosa) in soybean leaves. The methods were evaluated using databases with real images, and model tests were carried out to validate and improve the performance. The developed models obtained test accuracies of up to 98,55%.