tecnologia portável para o reconhecimento automático da...
TRANSCRIPT
Tecnologia Portável para o Reconhecimento Automático da Severidade do
Oídio da Soja: Um Estudo de Caso
Geisla de Albuquerque Melo1, Ivo Mario Mathias
1, Roberson Júnior Fernandes Alves
1 ,
David de Souza Jaccoud Filho2, Alceu de Souza Britto Júnior
1,
1 Departamento de Informática, Universidade Estadual de Ponta Grossa, Ponta Grossa,
Paraná, Brasil, [email protected], [email protected],
2 Departamento de Agronomia, Universidade Estadual de Ponta Grossa, Ponta Grossa, Paraná,
Brasil, [email protected]
RESUMO
O Brasil é o segundo maior produtor de soja no mundo (EMBRAPA, 2013), entretanto as
doenças da soja são um dos principais fatores limitantes da produção. Entre elas, destaca-se o
oídio, doença que se apresenta nas folhas e é transmitida pelo vento. O processamento digital
de imagens (PDI), tecnologia ligada ao reconhecimento de padrões, está presente na
agricultura, por exemplo, no mapeamento de áreas plantadas (JOHANN et al, 2012) e no
reconhecimento de patologias em culturas (PIRES et al, 2009). As redes neurais artificiais
(RNA’s) vem sendo utilizadas para auxiliar neste processo, visando maior confiabilidade. A
plataforma Android é a mais utilizada em dispositivos móveis no mundo. O objetivo deste
trabalho foi aplicar técnicas e testar sua viabilidade de efetuar o reconhecimento automático
do oídio da soja, utilizando PDI e aprendizado de máquina, em tecnologia móvel. Folhas com
e sem a doença foram fotografadas, passaram por filtros e tiveram características de textura
extraídas. As características foram apresentadas e treinadas em uma RNA, cuja estrutura foi
baseada em testes. Observou-se melhora na taxa de acerto da predição de acordo com as
combinações de características, para a mesma estrutura de rede neural. Concluiu-se, neste
estudo de caso, que quanto mais informações dos atributos da imagem, melhor é o
aprendizado da rede. De mesmo modo, confirmou-se a viabilidade das aplicações das
tecnologias, que apresentam potencial de aplicação em outras doenças visualmente
identificáveis, e abre espaço para a melhoria das técnicas envolvidas.
PALAVRAS-CHAVE: Processamento Digital de Imagem, Redes Neurais Artificiais,
OpenCv.
ABSTRACT
Brazil is the second largest soybean producer in the world (EMBRAPA, 2013), however the
soybean diseases are one of the main limiting factors. Among them, there is powdery mildew,
a disease that appears on the leaves and is transmitted by the wind. The digital image
processing (DIP) technology linked to the patterns recognition, is present in agriculture, for
example, in mapping planted areas (JOHANN et al, 2012) and recognition pathologies in
cultures (PIRES et al, 2009). Artificial neural networks (ANN) has been used to assist in this
process to greater reliability. The Android platform is the most used on mobile devices in the
world. The objective of this study was to apply techniques and test their feasibility to make
the automatic recognition of soybean powdery mildew using DIP and machine learning in
mobile technology. Leaves with and without the disease were photographed, passed through
filters and were extracted texture features. The characteristics were presented and trained in
an ANN, whose structure was based on tests. It observed improvement in prediction accuracy
rate in accordance with the combinations of features, for the same neural network structure. In
conclusion, this case study, how much more information the image attributes, better is the
learning network. Likewise, it confirmed the feasibility of applications of the technologies
that have potential application in other visually identifiable disease, and makes room for the
improvement of the techniques involved.
KEYWORDS: Digital Image Processing, Artificial Neural Networks, OpenCv.
INTRODUÇÃO
Segundo dados da Embrapa (2013), o Brasil é o segundo maior produtor mundial de soja,
atrás apenas dos Estados Unidos da América. Entre os principais fatores que limitam a
produtividade da soja, estão as doenças. O oídio é uma das doenças da soja, que desde 1997
vem sendo incidente em diversos cultivares. É causado por um fungo que produz uma teia
branca acinzentada na face superior da folha da soja, o que prejudica a fotossíntese da planta,
resultando em folhas que caem e secam prematuramente, comprometendo a produção. A
doença se espalha facilmente sendo conduzida pelo vento (SARTORATO & YORINORI,
2001), deste modo, torna-se importante o reconhecimento da doença em seus primeiros
estágios, a fim de evitar maiores perdas.
Avanços tecnológicos vêm resultando em uma maior abrangência do uso de sistemas
computadorizados que realizam o processamento digital de imagens, sendo então aplicados
em várias áreas do conhecimento. Sua confiabilidade vem do fato de tais sistemas
computadorizados substituírem a forma convencional em que humanos realizam o
reconhecimento de padrões, tarefa que por vezes é imprecisa.
Pode-se constatar a presença do Processamento Digital de Imagens (PDI) auxiliando
em questões agrícolas, entre outros, por exemplo, no mapeamento de áreas plantadas
(JOHANN et al, 2012) e no reconhecimento de patologias em culturas (PIRES et al, 2009). O
PDI trata as imagens adquiridas, de modo a aprimorá-las para a interpretação humana e
também prepara-las para a análise automática por computador, ou seja, classificação do
reconhecimento de padrões em si (MARQUES FILHO & VIEIRA NETO, 1999).
Os celulares são dispositivos de comunicação, que com o passar dos anos, passaram a
executar tarefas que auxiliam no dia-a-dia das pessoas. Dados da ONU confirmam que
atualmente a quantidade de celulares em esfera global esteja em torno de seis bilhões de
celulares (ONU, 2013), evidenciando a grande aderência que a população mundial tem em
relação ao dispositivo. De mesmo modo, a plataforma mais vendida nos celulares é a
plataforma Android. O Android é um sistema operacional (SO) de código aberto desenvolvido
para dispositivos móveis, anunciado em 2007 pela empresa Google. Por possuir código
aberto, é possível desenvolver aplicações para esta plataforma, de modo que esta possa ser
executada em qualquer celular que possua este SO.
Problemas no âmbito agrícola também vêm tendo suas resoluções auxiliadas, com
expressiva participação, das Redes Neurais Artificiais (RNA). De modo geral, segundo
Lippman (1987), uma RNA é uma rede de elementos computacionais não lineares,
interconectados, operando em paralelo e organizados semelhantemente a uma rede neural
biológica. Estas redes operam de forma semelhante ao funcionamento do cérebro humano,
sendo capazes de “aprender” através de um treinamento. Na agricultura, encontram-se
aplicadas, entre outros, na análise de dados agrícolas (MATHIAS, 2006), na classificação
automática de cultivares (RAMOS, 2003), no auxílio à tomada de decisão (BRESSAN, 2004).
Nesse contexto, o objetivo deste trabalho foi a identificação dos níveis de severidade
do oídio da soja de forma automatizada através das tecnologias de processamento digital de
imagens e redes neurais artificiais. O desenvolvimento deu-se sob a plataforma Android,
objetivando a extração de características relevantes de imagens, para posterior aplicação em
Redes Neurais Artificiais, fazendo o reconhecimento de padrões, a fim de tornar o
processamento portável, gerando agilidade e rapidez de resposta.
PROCESSAMENTO DIGITAL DE IMAGENS
O processamento digital de imagens possui uma série de etapas que servem como guias para a
correta conclusão do processo. São elas: aquisição (processo de captura da imagem original),
o pré-processamento (responsável por operações para a melhora da qualidade da imagem,
eliminando ruídos e imperfeições), a segmentação (identificar na imagem objetos que
possuam algum significado), a extração de características (talvez a etapa mais importante, que
consiste na extração de informações da área de interesse da imagem, através de descritores
capazes de caracterizar tal região), e a etapa de reconhecimento e interpretação (rotulação e
atribuição de significado aos objetos reconhecidos na etapa anterior) (MARQUES FILHO &
VIEIRA NETO, 1999).
Uma imagem possui vários atributos, como atributos de cor, forma e textura, que são
valores estatísticos que descrevem as características da imagem, utilizados em aplicações de
PDI. O ato de extrair características de uma imagem consiste em descrever os atributos que a
identificam.
Neste trabalho foram extraídas características de cor e textura. Assim, dentre os
atributos mais utilizados na extração de características abordados no presente trabalho,
levando em conta a cor e a textura, estão: média RGB para imagem colorida, que define
quanto determinada região possui de vermelho, verde e azul (MARQUES FILHO & VIEIRA
NETO, 1999); a variância, que representa o valor de desvio dos níveis de cinza da imagem em
relação ao nível de cinza médio (CORREA, 2003) e a matriz de coocorrência, segundo
Haralick (HARALICK et al, 1973), que descreve um método de classificação baseado em
texturas, realizado a partir de cálculos estatísticos de relação entre o pixel de referencia e seu
pixel vizinho, e possui os valores da ocorrência de cores da imagem. São eles: máxima
probabilidade, energia, homogeneidade, contraste, entropia e correlação.
Existem bibliotecas específicas que dão suporte às operações de processamento digital
de imagens, assim, buscou-se o uso deste recurso para a manipulação de tais operações.
REDES NEURAIS ARTIFICIAIS
Redes Neurais Artificiais fazem parte de uma variedade de técnicas de Aprendizado de
Máquina (AM), e são utilizadas para resolver problemas de Inteligência Artificial (IA). Uma
técnica de AM visa “adquirir” um conhecimento para aplica-lo posteriormente.
O aprendizado de uma rede neural se dá pela propagação de pesos sinápticos ajustados
passando por cada camada de neurônio, processo semelhante à transmissão dos sinais em um
neurônio biológico.
A rede deve ter uma arquitetura definida, com uma camada de neurônios de entrada,
onde são apresentados os valores à rede, uma ou mais camadas intermediárias, onde os
valores são passados para acontecer o aprendizado, e uma camada com neurônios de saída,
onde os valores resultantes são expostos. A quantidade de vezes que os valores passam da
camada de entrada para a de saída é chamada de época.
O treinamento da rede ocorre pela apresentação de dados à mesma e então seu
treinamento propriamente dito, através de algum algoritmo escolhido que melhor se adapte ao
problema em questão. O treinamento normalmente é feito através de programas simuladores,
como o JavaNNS (JAVANNS, 2013) e o Weka (WEKA, 2013).
MATERIAL E MÉTODOS
Para atingir o objetivo do trabalho, após o aprofundamento teórico no assunto, o kit de
desenvolvimento de software (SDK) da biblioteca OpenCv (Versão 2.4.5) (ANDROID,
2013), foi integrado ao ambiente de desenvolvimento para a plataforma móvel Android
(Android Developer Tools para a ferramenta de desenvolvimento Java Eclipse)
(DEVELOPER ANDROID, 2013). A OpenCV (Open Source Computer Vision Library) é
uma biblioteca projetada para aplicações de visão computacional, fornecendo a infraestrutura
adequada para o tratamento e análise de imagens (OPENCV, 2013). Esta biblioteca pode ser
instalada e utilizada nas linguagens de programação Java, C, C++ e Phytom.
Foi realizada uma coleta de folhas de soja sadias e infectadas com oídio da soja em
vários níveis de severidade, na Fazenda Escola da Universidade Estadual de Ponta Grossa,
localizada a cerca de 3 quilômetros do Campus do bairro Uvaranas da universidade. Das 157
amostras de folhas coletadas aleatoriamente, aproveitou-se 151, das quais foram reservadas 38
para testes (aproximadamente 25%). Adotou-se a escala diagramática dos níveis de
severidade do oídio sugerida por Mattiazzi (MATTIAZZI, 2003), ilustrada na Figura 1. Vale
ressaltar que as amostras englobavam todos os níveis de severidade da escala adotada.
Além dos oito níveis da escala, foi adicionado o nível 0 correspondente à 0% de
severidade, ou seja, uma folha sadia, e ainda um décimo nível, na lacuna entre 43,65% e 60%,
por existirem folhas dentro deste nível. Assim, a totalidade dos níveis foi nomeada como
sendo de 0 a 9.
Figura 1 – Escala diagramática para severidade do oídio da soja.
Fonte: (MATTIAZZI, 2003)
Aquisição
Após a coleta, as folhas foram fotografadas com uma câmera de celular de cinco megapixels,
com resolução 2592x1944 sobre uma superfície branca, com duas lâmpadas fluorescentes
incidentes sobre a folha, salvas no formato original de captura (.jpeg1). O smartphone
utilizado foi um Samsung Galaxy S3 Mini, com processador dual core e 1 gigabyte de
memória RAM.
Pré-processamento e segmentação
Após a aquisição, os arquivos jpeg primeiramente tiveram sua resolução reduzida para
640x480, pois no tamanho original, demandaria mais tempo de processamento. Após isto,
foram submetidos a vários filtros de PDI e operações para a eliminação de ruídos. No que diz
respeito à segmentação, o objetivo foi eliminar o fundo, deixando apenas a área de interesse,
que era a folha de soja. O objetivo destas etapas era se chegar à uma figura com suas
1 JPEG: Sigla de Joint Photographic Experts Group, comitê que originou o padrão que foi projetado para
comprimir imagens naturais coloridas ou monocromáticas (MARQUES FILHO & VIEIRA NETO, 1999).
características originais preservadas, cuja posterior extração de características não fosse
prejudicada por áreas que não representavam a folha da soja na imagem. Assim, chegou-se à
seguinte combinação de processos: para suavização e retirada de ruídos usou-se o filtro
MedianBlur e filtro GaussianBlur, após foi feita a conversão para escala de cinza, depois
usou-se o detector de bordas Canny, então foi realizada a operação morfológica de dilatação
aplicada duas vezes, após isto find e drawcontours para encontrar e desenhar os contornos, e
por fim o recorte da área de interesse (OPENCV DOCUMENTATION, 2013).
Extração de Características
Posteriormente, foram extraídas também via aplicação, as características relevantes da
imagem onde se optou por trabalhar com atributos de cor e textura, utilizando os descritores
de Haralick (HARALICK et al, 1973). Optou-se também por estabelecer um comparativo no
estudo, extraindo primeiramente as médias RGB e variância, e extraindo em separado os
atributos máxima probabilidade, entropia, homogeneidade, contraste, e correlação da matriz
de coocorrência, no intuito de encontrar os melhores descritores das características da imagem
no processo de classificação.
Treinamento da RNA
Após a extração de tais características, foram gerados dois arquivos com as características
extraídas no formato .arff2, que é o formato de entrada na ferramenta para mineração de dados
Weka, utilizada para treinamento da rede neural e identificação dos graus de severidade. O
conteúdo de um deles era as médias RGB e variância de todas as folhas do treinamento, e o
outro continha as médias RGB e os demais valores da matriz de coocorrência. Estes arquivos
foram treinados em uma RNA, cujo tipo de aprendizado escolhido foi o supervisionado, isto
é, quando já os valores de saída são conhecidos, e algoritmo de treinamento escolhido foi
baseado em backpropagation. Todo o processamento foi realizado no sistema Android, via
smartphone. A rede neural foi treinada pela ferramenta Weka. Foi utilizada uma camada
intermediária com 15 neurônios, e uma de saída com 10 neurônios, isto é, 10 possíveis níveis
de severidade, sendo ativado apenas um para cada folha.
2 ARFF: Sigla de Attribute-Relation File Format. É um arquivo de texto ASCII que descreve uma lista de
instâncias que compartilham de um mesmo conjunto de atributos. Foram desenvolvidas pela Universidade de
Waikato para uso com o software de aprendizado de máquina Weka (WEKA, 2014).
RESULTADOS E DISCUSSÃO
Como resultados dos processos em que as imagens das folhas de soja do estudo de caso foram
submetidas através da aplicação de procedimentos com OpenCv na plataforma Android, na
Tabela 1 a seguir, apresenta-se passo a passo os efeitos das transformações sofridas em
sequência:
Tabela 1 – Etapas do Processamento de Imagem
1. Imagem Original – Folha com Oídio 2. Filtro MedianBlur
3. Filtro GaussianBlur 4. Conversão para escala de cinza
5. Detector de bordas Canny 6. Dilatação (aplicada duas vezes)
7. Find e DrawContours 8. Folha Recortada – Versão Final
Os dois primeiros filtros utilizados tem o objetivo de suavizar e/ou borrar a imagem,
fazendo com que ruídos, como por exemplo, pequenos pontos, fiquem menos perceptíveis.
Assim, o resultado após todos os filtros e operações é uma imagem sem ruídos e sem fundo,
preparada para a extração de características.
Assim, as características escolhidas foram extraídas da imagem final, gerando dois
arquivos .arff. Estes foram submetidos ao treinamento da RNA. Após vários testes com
estruturas de rede neural, a Figura 2 exibe a estrutura utilizada.
Figura 2 – Estrutura da RNA utilizada
Fonte: A autora.
Após o treinamento dos dois arquivos de características com a mesma estrutura de
rede neural, obteve-se uma acurácia nos dados de treinamento de 90,75% e de 83.33% nos
dados de teste, para descrição com médias RGB e matriz de coocorrência. Em contrapartida,
esta acurácia caiu para 68,90% nos dados de treinamento e 62,77% com dados de teste para a
descrição com médias RGB e variância.
CONCLUSÕES
O reconhecimento automático da doença oídio da soja mostrou-se viável através de
processamento de imagens digitais, sendo este um importante passo para o auxílio real no
monitoramento para diagnóstico precoce da doença, provendo assim tempo hábil para tomada
de decisões em campo, objetivando a diminuição de perdas na lavoura.
As técnicas empregadas no estudo, isto é, a plataforma Android como meio para o
desenvolvimento e uso de aplicações que realizam operações de processamento digital de
imagens, bem como o emprego da biblioteca OpenCv também na plataforma para auxílio nas
tarefas de PDI demonstradas neste trabalho, mostraram-se viáveis e eficazes, tornando-se uma
tecnologia que traz várias possibilidades de aplicações práticas, como por exemplo, a
aplicação apresentada como estudo de caso.
Quanto à aplicação do aprendizado de máquina através de redes neurais artificiais para
o reconhecimento de padrões em imagens, pode-se concluir que as RNA’s são eficazes para
tal finalidade, entretanto, é necessário escolher de forma adequada os atributos que irão
descrever a imagem, sendo este, um passo fundamental para uma rede com uma boa acurácia
de aprendizado.
É possível adaptar as técnicas empregadas demonstradas no trabalho, para que possam
ser utilizadas também com outras doenças, desde que sejam visualmente identificáveis.
A proposta prevê o treinamento da rede neural artificial à parte, isto é, a rede neural é
inserida já treinada no smartphone, fazendo com que seja exigido do aparelho apenas o
processamento das imagens. Esta prática ajuda a não sobrecarregar o mesmo. Atualmente, os
smartphones mais simples existentes no mercado já possuem capacidade de processamento
suficiente para realizar com sucesso o processo. De mesmo modo, existem técnicas de
processamento de imagens capazes de realizar tarefas complexas exigindo relativamente
pouco do dispositivo, assim, esta é uma das vertentes a serem estudadas para o
aprimoramento do processo.
Neste estudo de caso, conclui-se, baseado na acurácia da rede, que a matriz de
coocorrência é um melhor descritor de textura, pois possui mais variáveis referentes às
características da imagem.
Este trabalho é parte de um estudo maior, sendo os passos seguintes destinados ao
aumento do número de amostras e o melhoramento das técnicas empregadas, bem como toda
a execução e processo de reconhecimento serem realizados via smartphone.
AGRADECIMENTOS
Agradeço ao professor Ivo Mario Mathias por todo o auxílio constante no desenvolvimento do
trabalho, ao professor David Jaccoud e o Grupo de Fitopatologia Aplicada da UEPG pela
disponibilização das plantas de soja e por todo o apoio especialista, ao amigo Roberson pelo
auxílio no desenvolvimento do estudo, e aos professores Ariângelo Hauer Dias, Alaine
Margarete Guimarães e José Carlos Rocha pelas orientações.
REFERÊNCIAS
ANDROID. Conheça o Android. 2013. Available in: < http://www.android.com/meet-
android/>. Access on 12 Jul. 2013.
BRESSAN, A. A. Tomada de decisão em futuros agropecuários com modelos de previsão de
séries temporais. RAE Eletronica, v.3, n.1, p. 2-20, 2004.
CORREA, S. M. B. B. Probabilidade e estatística – 2ª ed. - Belo Horizonte: PUC Minas
Virtual, 116 p, 2003.
DEVELOPER ANDROID. Developer Tools. 2013. Available in: <http://developer.android.
com/tools /index.html>. Access on 12 Jul. 2013.
EMBRAPA. A soja. 2013. Available in: <http://www.cnpso.embrapa.br/index.php?op_page=
22&cod_pai=16>. Access on 13 Jul. 2013.
HARALICK R.; SHANMUGAN K DINSTEIN I. Textural features for image classification,
IEEE Transactions on Systems, Man and Cybernetics, vol. SMC-3, n. 6, pp. 610–621, 1973.
JAVANNS. Java Neural Network Simulator. 2013Available in: < http://www.ra.cs.uni-
tuebingen.de/ software/JavaNNS/welcome_e.html>. Access on 13 Jul. 2013.
JOHANN, J. A. et al. Estimativa de áreas com culturas de verão no Paraná, por meio de
imagens multitemporais EVI/Modis. Pesquisa Agropecuária Brasileira, Brasília, v. 47, n. 9,
2012.
LIPPMANN, R.P. An introduction to computing with neural nets. IEEE Acoustics Speech
and Signal Processing Magazine, v.2, n.4, p.4-22, 1987.
MARQUES FILHO, O.; VIEIRA NETO, H. Processamento Digital de Imagens. Brasport,
Rio de Janeiro, 1999.
MATHIAS, I. M. Aplicação de redes neurais artificiais na análise de dados de molhamento
foliar por orvalho. 120 f. Tese de Doutorado. Universidade Estadual Paulista, Faculdade de
Ciências Agronômicas. Botucatu, São Paulo, 2006.
MATTIAZZI, P. Efeito do oídio (Microsphaera diffusa Cooke & Peck) na produção e duração
da área foliar sadia da soja. Dissertação (Mestrado)–Escola Superior de Agricultura “Luiz de
Queiroz”, Piracicaba, 2003.
ONU. Dos 7 bilhões de habitantes do mundo, 6 bi têm celulares, mas 2,5 bi não têm
banheiros. 2013. Available in: http://www.onu.org.br/onu-dos-7-bilhoes-de-habitantes-do-
mundo-6-bi-tem-celulares-mas-25-bi-nao-tem-banheiros/. Access on 06 Jul. 2013.
OPENCV DOCUMENTATION. Documentation. 2013. Available in: <http://docs.opencv.org
/>. Access on 12 Jul. 2013.
PIRES, P. C.; FERNANDES, J. M. C.; NICOLAU, M. Modelagem do progresso temporal e
do padrão espacial de lesões de ferrugem da folha em trigo. Tropical Plant Pathology,
Brasília, v. 34, n. 2, 2009.
RAMOS, J. P. S. Redes neurais artificiais na classificação de frutos: cenário bidimensional.
Ciência e Agrotecnologia, v.27, n.2, p.356-362, 2003.
SARTORATO, A.; YORINORI, J. T. Oídios de leguminosas: feijoeiro e soja. In:
STANDNICK, M. J.; RIVERA, M. C. Oídios. Jaguariúna: Embrapa Meio Ambiente, p. 255-
284, 2001.
WEKA. Attribute-Relation File Format (arff). 2014. Available in: < http://www.cs.waikato.
ac.nz/ml/weka/arff.html>. Access on 10 Apr. 2014.
WEKA. Weka 3: Data Mining Software in Java. 2013. Available in: <http://www.cs.waikato.
ac.nz/ml/weka/>. Access on 13 Jul. 2013.