Avaliação de modelo de machine learning para classificação da severidade da ferrugem (Hemileia vastatrix) em cafeeiro (Coffea sp.)

Abstract

O cafeeiro possui relevância econômica para o Brasil e para seus produtores, e com a grande possibilidade de contaminação pela ferrugem (Hemileia vastatrix) que pode chegar a 95% e pode acarretar a perda na produção de até 50% da cultura, os métodos de machine learning se tornaram relevantes para o auxílio no monitoramento das lavouras e na detecção das doenças e seus níveis de contaminação. O objetivo da presente pesquisa é avaliar a performance dos algoritmos Neural Network e Logistic Regression através do modelo cross-validation em cinco repartições e compará-las com a avaliação dos 11 avaliadores não treinados na classificação da severidade da ferrugem no cafeeiro, a fim de identificar o algoritmo com melhores resultados. Os modelos foram treinados com 304 imagens de folhas de café (Coffea sp.) com as divisões nos grupos de controle, leve, moderado e severo, e foram testados com as mesmas 36 imagens dos convidados, já os avaliadores receberam uma escala diagramática com seis níveis de contaminação. Através dos resultados de assertividade obtidos pelo modelo Logistic Regression serem superiores a 70%, o presente projeto recomenda o uso deste modelo para a classificação de doenças em imagens, visto que é possível a utilização de seus resultados para a classificar os níveis de severidade da ferrugem no cafeeiro.