Detecção de Doenças de Plantas de Maçã Usando Imagens de Folhas Através de Rede Neural Convolucional

Doenças das plantas são uma causa severa de perdas de cultivo na agricultura globalmente. A detecção de doenças em plantas é difícil e desafiadora devido à falta de conhecimento especializado. Modelos baseados em aprendizado profundo oferecem maneiras promissoras de identificar doenças nas plantas usando imagens de folhas. No entanto, a necessidade de conjuntos de treinamento maiores, complexidade computacional e overfitting, entre outros, são as principais questões com essas técnicas que ainda precisam ser abordadas. Neste trabalho, uma rede neural convolucional (CNN) é desenvolvida, que consiste em um número menor de camadas, resultando em menor carga computacional. Algumas técnicas de aumento, como deslocamento, cisalhamento, escala, zoom e inversão, são aplicadas para gerar amostras adicionais, aumentando o conjunto de treinamento sem realmente capturar mais imagens. O modelo de CNN é treinado para a cultura da maçã usando um conjunto de dados publicamente disponível chamado PlantVillage para identificar doenças de escama, apodrecimento negro e ferrugem do cedro nas folhas de maçã. Os rigorosos resultados experimentais revelaram que o modelo proposto é bem adequado para identificar doenças em folhas de maçã e atinge 98% de precisão na classificação. Também é evidente pelos resultados que ele necessita de uma quantidade menor de armazenamento e leva menos tempo de execução do que vários modelos de CNN profundos existentes. Embora existam vários modelos de CNN para detecção de doenças de culturas com precisão comparável, o modelo proposto requer menos armazenamento e recursos computacionais. Portanto, é altamente adequado para implantação em dispositivos portáteis.