Metodologia para a classificação automática de doenças em plantas utilizando redes neurais convolucionais.

As redes neurais convolucionais (CNNs) são uma das técnicas de aprendizado profundo que, devido ao avanço computacional dos últimos anos, alavancaram a área de visão computacional ao possibilitar ganhos substanciais nos mais variados problemas de classificação, principalmente aqueles que envolvem imagens digitais. Tendo em vista as vantagens na utilização dessas redes, diversas aplicações para a identificação automática de doenças de plantas foram desenvolvidas para assistência especializada ou ferramentas de triagem automática, contribuindo para práticas agrícolas mais sustentáveis e maior segurança na produção de alimentos. Nesse contexto, este trabalho tem como objetivo propor uma metodologia para a classificação de múltiplas patologias referentes a diversas espécies de plantas tendo como insumo uma base de dados composta de imagens digitais de doenças em plantas. Inicialmente, esta metodologia envolveu etapas de tratamento das imagens da base de dados de doenças em plantas para possibilitar que estivessem aptas a serem entradas dos modelos de CNNs selecionados (VGG16, RestNet101v1, ResNet101v2, ResNetXt50 e DenseNet169), assim como para geração de dez novas bases, variando entre 50 e 66 classes com maior representatividade, com o intuito de submeter os modelos a situações diversas. Após o treinamento dos modelos, um estudo comparativo foi conduzido com base em métricas de classificação amplamente utilizadas, como acurácia no teste, f1-score e área sob a curva. A fim de atestar a significância dos resultados obtidos, foi realizado o teste estatístico não-paramétrico de Friedman e dois procedimentos post-hoc, que demonstraram que ResNetXt50 e DenseNet169 obtiveram resultados superiores quando comparadas com VGG16 e ResNets.