Aprendizado de máquina aplicado à identificação de deficiências nutricionais em bananeiras

  • Silvia Helena Modenese Gorla da Silva "Universidade Estadual Paulista Júlio de Mesquita Filho"
  • Liciana de Arruda Vaz Silveira "Universidade Estadual Paulista Júlio de Mesquita Filho"
  • Danilo Eduardo Rozane
  • Juliana Dimingues Lima
  • Eduardo Nardini Gomes
  • Kassiane Lopes Lindner
Palavras-chave: classificação, processamento digital de imagens, diagnóstico visual de plantas, redes neurais artificiais.

Resumo

A avaliação nutricional das plantas é feita por meio de análises químicas ou pela diagnose visual e  é preciso conhecer os padrões característicos de deficiência nutricional de cada elemento. O processamento digital de imagens (PDI) é um exemplo do uso de tecnologia na agricultura. Neste trabalho aplica-se o PDI para identificação da sintomatologia de deficiência em imagens digitais de folhas de bananeiras, induzidas à deficiência dos nutrientes de N, P e K. Realizou-se o experimento em duas etapas:  1) em casa de vegetação, com mudas submetidas ao delineamento experimental em blocos casualizados em esquema fatorial 5x5, com três repetições. Os fatores foram variação nutricional (Solução completa, omissões individuais de N, P, K e um controle com o cultivo em solo), e época de amostragem aos 0, 30, 60, 90 e 120 dias após a aplicação dos tratamentos; 2) experimento com PDI, aplicado em quatro fases: coleta e digitalização das amostras,  extração dos histogramas, seleção de atributos e classificação, executados com uma base de dados para cada época estudada (0, 30, 60, 90 e 120 dias). As maiores taxas de acurácias do experimento foram apresentadas pelos classificadores com redes neurais artificiais (RNA), iguais a 66,7%, 62%, 76,7%, 62,3%, 68,3%, nas épocas 0, 30, 60, 90 e 120, respectivamente. Evidencia-se um bom desempenho encontrado pelos classificadores com RNA, verificado pelas especificidade (90%, 98%, 97%, 97% e 98%)  sensibilidade (93 %, 77%, 93%, 75% e 82%)  nas épocas 0, 30,60,90 e 120, respectivamente,  dos modelos.

Biografia do Autor

Silvia Helena Modenese Gorla da Silva, "Universidade Estadual Paulista Júlio de Mesquita Filho"

Câmpus Experimental de Registro

Aprendizado de Máquina

Danilo Eduardo Rozane
"Universidade Estadual Paulista Júlio de Mesquita Filho"
Juliana Dimingues Lima
"Universidade Estadual Paulista Júlio de Mesquita Filho"
Eduardo Nardini Gomes
"Universidade Estadual Paulista Júlio de Mesquita Filho"

Referências

ABRAHÃO, S. A.; PINTO, F. A. C.; QUEIROZ, D. M.; SANTOS, N. T.; CARNEIROS, J. E. S. Determination of nitrogen and chlorophyll levels in bean-plant leaves by using spectral vegetation bands and indices. Revista Ciência Agronômica, Fortaleza, v.44, n.3, p.464-4173, 2013.

AGRIANUAL. Anuário da Agricultura Brasileira. Banana. São Paulo. FNP. p.161-168. 2016.

BARANAUSKAS, J.A. Extração automática de conhecimento por múltiplos indutores. Tese de Doutorado. Instituto de Ciências Matemáticas e de Computação, USP, 2000.

BREIMAN, L. Random Forests. Machine Learning, v.45, n.2, p.5-32, 2001.

CHAUDHARY, P.; CHAUDHARI, A. K.; CHEERAN, D. A. N.; GODARA, S. Color Transform Based Approach for Disease Spot Detection on Plant Leaf. International Journal of Computer Science and Telecommunications. Pune, Maharashtra, India: Accenture Services Pvt. Ltd., p 65-70. 2012.

DIETTERICH,T.G. Machine Learning Research: Four current directions, 1997. ftp://ftp.cs.orst.edu/pub/tgd/papers.

DUDA, R.; HART, P.; STORK, D. Pattern Classification. Willey Interscience, 2002.

EFRON, B.; GONG, G. A leisurely Look at the bootstrap, the jackknife, and crossvalidation. The American Statistician, Washington, DC, v.37, n.1, p.36-48. 1983.

EFRON, B.; TIBSHIRANI, R. J. An Introduction to the Bootstrap. New York: Chapman & Hall. 436p, 1993.

FACELI, K., LORENA, A. C., GAMA, J., AND CARVALHO, A.. Inteligencia Artificial: Uma ˆ abordagem de aprendizado de maquina, LTC, 2011.

FAO. Statistics Division. Food and Agriculture commodities production [internet]. Roma: Fao; 2014 [acesso em 06 de nov de 2016]. Disponível em: http://faostat3.fao.org/browse/rankings/countries_by_commodity/S.

FAO. Statistics Division. Food and Agriculture commodities production [internet]. Roma: Fao; 2016 [acesso em 12 de fev de 2016]. Disponível em: http://faostat3.fao.org/browse/Q/QC/E

GELMINI, G. A. Controle da Sigatoka Negra na Cultura da Banana: Indicações Básicas. Campinas: Coordenadoria de Defesa Agropecuária. (Manual, 2) 32p, 2004.

GONÇALVEZ, J.S.; PEREZ, L.H. Relevância econômica da Banana em São Paulo e no Brasil. In: NOGUEIRA, E.M.C; ALMEIDA, I.M.G; FERRARI J.T; BERIAM, L.O.S. eds. Bananicultura: manejo fitossanitário e aspectos econômicos e sociais da cultura. São Paulo: Instituto Biológico; 2013. p03-20.

GONZALEZ, R.C.; WOODS, R.E. Digital image processing. 2nded. New York: Prentice Hall, 2002. 793 p.

HAYKIN, S. Neural Networks: A Comprehensive Foundation. New York, US: MacMillan, 1999.

IBGE. Base de dados agregados [internet]. Brasília:Iinstituto Brasieiro de Geografia e Estatística; 2016 [acesso em 06 fev de 2016]. Disponível em: http://www.sidra.ibge.gov.br/bda/prevsaf/default.asp.

JOHNSON, R.A.; WICHERN, D.W. Applied Multivariate Statistical Analysis, 5 ed., New Jersey: Prentice-Hall, 2002, 767p.

LEE, W.S.; ALCHANATIS, V.; YANG, C.; HIRAFUJI, M.; MOSHOU, D.; LI, C.. Sensing technologies for precision specialty crop production. Computers and Electronics in Agriculture. 32p. 2010.

MALAVOLTA, E. Manual de nutrição mineral de plantas. Piracicaba: Ceres, 2006. 631p.

MITCHELL, T. M. Machine learning. Boston: McGraw Hill Companies Inc. 414p., 1997.

MODENESE-GORLA DA SILVA, S. H. Processamento digital de imagens para identificação da sigatoka negra em bananais utilizando análise de componentes principais e redes neurais artificiais. Tese de Doutorado: Energia na Agricultura, FCA, 2008. 83p.

PESTANA, M.; VARENNES, A.; FARIA, E.A. Diagnosis and correction of iron chlorosis in fruit trees: a review. Food Agric. Environ, 1:46-51, 2003.

VAPNIK, V. N. The nature of statistical learning theory. New York: Springer-Verlag, 1995.

WITTEN, I.H.; FRANK, E. Data Mining: Practical Machine Learning Tools and Techniques, Second Edition . Morgan Kaufmann, 2005.

Publicado
29-07-2019