JC, MACUÁCUA

Universidade Eduardo Mondlane, Departamento de Engenharia Florestal, Moçambique, Maputo, jcmacuacua82@gmail.com

Resumo

A identificação automática de doenças de plantas a partir de imagens é um problema clássico de pesquisa, dada a sua importância para o sector agrário, especialmente no que diz respeito à melhoria da produção e da produtividade. Entre as técnicas de identificação automática e remota mais conhecidas está o uso de redes neurais convolucionais (CNN). Neste artigo, uma abordagem híbrida que combina uma rede neural convolucional e uma árvore de decisão Random Forest (RF) foi utilizada para extrair características de textura nas imagens, visando a identificação de doenças em folhas de plantas. Os dados consiste em um conjunto de imagens de folhas saudáveis ​​de tomateiro e outras com sintomas visíveis de doenças foliares. O modelo proposto (CNNRF) foi testado com 2.479 imagens e o resultado foi comparado com seis classificadores convencionais de aprendizado de máquina, a saber: Regressão Logística (RL), Análise Discriminante Linear (ADL), KNeighbors (KNN), Naive Bayes (NB), Support Vector Machine (SVM) e Random Forest (RF). O modelo proposto superou os classificadores convencionais em termos de eficácia, atingindo valores de acurácia de 97,8%. No entanto, a eficácia do modelo depende da natureza das imagens coletadas.

Palavras-chave: Redes Neurais Convolucionais; Classificadores Random Forest; Doenças de Plantas; Identificação de Doenças.