Uso de redes neurais profundas na avaliação do ataque de mosca minadora ao tomateiro

Abstract

Um dos maiores problemas da agricultura mundial é com relação às pragas e doenças. Dentre as culturas, a cultura do tomate é uma das mais susceptíveis ao ataque de pragas e doenças. No tomateiro, uma das principais pragas são as moscas minadoras de folha do gênero Liriomyza, especialmente da espécie sativae. A detecção e quantificação da severidade da infestação é importante para definir o momento de controle e definir eficácia dos sistemas de controle. A quantificação da severidade é realizado via amostragem de campo de forma manual por técnicos treinados. No entanto, a avaliação manual exige técnicos treinados, e mesmo assim poderá levar a erros de estimativa devido a subjetividade do processo de avaliação. Dessa forma, o objetivo desse trabalho foi o desenvolvimento de um modelo de inteligência artificial para detecção e estimativa automática da severidade dos sintomas do ataque da mosca-minadora em folhas do tomate. O conjunto de dados para este estudo reuniu 1932 imagens capturadas nas condições de campo contendo uma folha com o sintoma da praga em evidência. Fez-se a anotação manual das três classes presentes em todas as imagens, sendo elas, o plano de fundo, a folha do tomate e o sintoma foliar da mosca minadora. Foi comparado três arquiteturas e quatro diferentes espinhas dorsais (backbone) para tarefa de segmentação semântica multiclasse utilizando-se das métricas acurácia, precisão, revogação e IoU. Sequencialmente, fez-se a estimativa da severidade do sintoma na máscara predita pelo modelo utilizando-se a máscara anotada manualmente para quantificação. Comparando-se todos os modelos e espinhas dorsais utilizadas, o modelo U-Net com espinha dorsal Inceptionv3 alcançou melhor resultado de IoU médio atingindo 77,71%, seguido do modelo FPN com espinha dorsal DenseNet121, atingindo o IoU médio de 76,62%. Analisando-se o IoU separadamente para classe do sintoma em estudo, o modelo FPN com espinha dorsal DenseNet121 alcançou resultado de 61,02%, seguido do modelo LinkNet também com espinha dorsal DenseNet121 com resultado de IoU de 60,99%. Para estimativa da severidade o modelo FPN obteve melhor resultado quando comparado aos demais, sendo as espinhas dorsais ResNet34 e DenseNet121 as que apresentaram menor valor de RSME, o que confirma ainda os valores de IoU encontrados para estes modelos. Os experimentos computacionais demonstrados nesta pesquisa se mostraram promissores, principalmente pela capacidade dos modelos em segmentar automaticamente objetos pequenos em imagens com condições desafiadoras de iluminação e fundo complexo, principalmente com a utilização de um banco de dados com desbalanceamento das classes. Palavras-chave: Pragas agrícolas. Inteligência artificial. Redes neurais convolucionais. Segmentação semântica.

One of the biggest problems of global agriculture is with regard to pests and diseases. Among crops, tomato culture is one of the most susceptible to the attack of pests and diseases. In tomato, one of the main pests are the leaf minadora flies of the genus Liriomyza, especially of the species sativae. The detection and quantification of the severity of the infestation is important to define the moment of control and define the effectiveness of the control systems. Severity quantification is performed by field sampling manually by trained technicians. However, manual evaluation requires trained technicians, and even then, can lead to estimation errors due to the subjectivity of the evaluation process. Thus, the objective of this work was the development of an artificial intelligence model for detection and automatic estimation of the severity of symptoms of the attack of the minadora fly in tomato leaves. The data set for this study gathered 1932 images captured in field conditions containing a leaf with the pest symptom in evidence. The three classes were manually annotated in all images, the background, tomato leaf and leaf symptom of the minadora fly. Three architectures and four different backbones were compared for multiclass semantic segmentation tasks using accuracy, precision, recall and IoU metrics. Sequentially, the severity of the symptom in the mask predicted by the model was estimated using the manually annotated mask for quantification. Comparing all models and dorsal spines used, the U-Net model with Inceptionv3 backbone achieved a better average IoU result reaching 77.71%, followed by the FPN model with Densenet121 as backbone, reaching the mean IoU of 76.62%. Analyzing the IoU separately for the class of the symptom under study, the FPN model with densenet121 backbone achieved a result of 61.02%, followed by the LinkNet model also with Densenet121 as backbone with a result of IoU of 60.99%. To estimate the severity, the FPN model obtained a better result when compared to the others, with the dorsal spines ResNet34 and DenseNet121 being the ones that presented the lowest RSME value, which also confirms the UOU values found for these models. The computational experiments demonstrated in this research were promising, mainly due to the ability of models to automatically segment small objects in images with desharping lighting and complex background conditions, mainly with the use of a database with class unbalance. Keywords: Agricultural pests. Artificial intelligence. Convolutional neural networks. Semantic segmentation.