Identificação de doenças na cultura da soja utilizando aprendizado de máquina

Abstract

As doenças são um dos principais fatores de impacto na produtividade agrícola, afetando diretamente seu rendimento e qualidade. Este estudo apresenta uma proposta para identificação de doenças na cultura da soja por meio do Aprendizado de Máquina e técnicas de classificação de imagens, baseado em um modelo de Redes Neurais Convolucionais (CNNs) que é capaz de classificar imagens de plantas de soja de acordo com características e padrões que determinem a que classe ou categoria ela se enquadre, comparando dois frameworks (TensorFlow e Pytorch) de implementação de CNN diferentes a fim de validar qual a melhor abordagem para este tipo de problema. Utilizando um conjunto de dados de aproximadamente 7 mil imagens de folhas de soja, previamente rotuladas de acordo com seu estado (saudável ou doente), o presente estudo busca implementar e treinar um modelo de CNN que possa classificar tais imagens com eficiência e agilidade, provendo uma forma automatizada de identificação de doenças nesta cultura. Dois frameworks amplamente utilizados pela comunidade cientificam para a implantação do modelo de CNN foram considerados e comparados o desempenho dado em acurácia apresentada e tempo de execução de inferência. Como inferência foi adotado o método k-fold Cross-Validation com 20% do Dataset nos folds de validação. Os resultados apresentados se mostram promissores, sobressaindo um dos frameworks nas duas métricas avaliadas.

Diseases are one of the main factors that impact agriculture productivity, which directly affects yield and quality. This study presents a solution to identify soybean diseases using Machine Learning and image classification techniques, based on a Convolutional Neural Network (CNN) model capable of classifying soybean plant according to the features and patterns that determine which class its belong to, by comparing two different frameworks (TensorFlow and Pytorch) with the proposal of evaluate which one is the best approach for this kind of problem. Using a dataset with about 7.000 soybean leaf images, previously labeled according to their condition (healthy or sick), this study aims to implement and train a Convolutional Neural Network that can classify these imagens efficiently and quickly, providing an automated method for disease identification in this agricultural culture. Two widely used frameworks by the scientific community for CNN implementations were evaluated and compared based on their performance in terms of accuracy and inference execution time. The k-fold Cross-Validation was adopted, with 20% of the dataset to each fold for validation. The presented results are promisors, with one of the frameworks achieving better results in the two evaluate metrics.