A Identificação de Pragas em uma Plantação
Por: Marcelo Brito de Sousa • 16/4/2021 • Trabalho acadêmico • 1.188 Palavras (5 Páginas) • 181 Visualizações
[pic 1]
Universidade Federal de Mato Grosso
Instituto de Computação
Tópicos Especiais em Inteligência Artificial
Relatório Final TEIA: Identificação de Pragas em uma Plantação
Discente:Marcelo Brito de Sousa.
Docente: Thiago Meirelles Ventura.
Sumário
1 - Introdução
1.1 Contexto e justificativa
1.2 Descrição da metodologia utilizada
2 - Desenvolvimento
2.1 Criando um dataset
2.2 Pré-processamento e aumento de dados
2.3 Criando o modelo
2.4 Treinamento dos dados
3 - Conclusão
3.1 Nível de acerto e erro
3.2 Mostrando os dados obtidos
3.3 Problemas encontrados durante o projeto
3.4 Conclusão do trabalho
Introdução
1.1 Contexto e justificativa
Para garantir altas produtividades o agricultor está constantemente lidando com diversos desafios, dentre eles o combate às pragas. O estado de Mato Grosso é o maior produtor de soja no Brasil, assim como em outras culturas agrícolas, o cultivo da soja também sofre ataques que podem comprometer a produção, bem como a qualidade final dos produtos. Por isso, é muito importante conhecer quais as principais pragas da soja e estar atento a sua ocorrência.
Do início do cultivo até o momento da colheita, muitas são as pragas que podem prejudicar a produção da soja no campo. Os problemas se iniciam ainda antes do plantio, com a presença de pragas em restos culturais do cultivo anterior e no solo, seguidos pelas pragas que atacam as plântulas e, por fim, as pragas que se alimentam de folhas, flores, vagens e grãos.
As pragas são amplamente conhecidas e, o que falta é um mecanismo rápido de identificação que auxilie o agrônomo na sua tarefa de proteger a lavoura. A ideia deste trabalho é auxiliar o dia a dia do produtor, fornecendo para ele uma ferramenta de reconhecimento visual que o ajude a identificar as pragas.
Neste trabalho, vamos focar somente nas quatro principais pragas que atingem a lavoura de soja, são elas:
- Lagarta da soja
- Percevejo marrom
- Percevejo pequeno
- Percevejo verde
1.2 Descrição da metodologia utilizada
A aplicação foi construída baseada na utilização de rede neural convolucional. Este tipo de aplicação é amplamente usada na classificação de imagens onde é aplicado filtros fazendo com que essas imagens originais tenham imagens resultantes com elementos que facilitem a identificação de padrões por meio da rede neural.
Para desenvolver esse modelo, as seguintes etapas tiveram de ser executadas:
- Construção do banco de dados
- Pré-processamento dos dados coletados
- Aumento dos dados coletados
- Construção do modelo de rede neural
- Treinamento do modelo
- Carregamento de novas imagens
- Predição das novas imagens
- Classificação das pragas
Para a construção do modelo, foram utilizadas as seguintes ferramentas:
- Linguagem de programação Python
- IDE do Google Colab
- Google Imagens para a coleta dos dados
- Google Drive para o armazenamento dos dados
- Bibliotecas utilizadas: Keras, Numpy, Matplotlib, PIL, OS e TensorFlow
Desenvolvimento
2.1 Criando um dataset
No dataset, temos nosso conjunto de imagens coletadas do Google Imagens. Elas serão usadas para treinar a nossa rede neural. Como citado anteriormente, foram escolhidas 4 pragas principais que atacam lavouras de soja (Lagarta da soja, Percevejo marrom, Percevejo pequeno, Percevejo verde).
O diretório do dataset está armazenado no Google Drive e é definido em pastas e subpastas. A pasta principal é o dataset em si, que é dividido em Treino, Validação e Predição.
Treino:Armazena as imagens de cada classe para treinamento da rede neural.
Validação: Armazena algumas imagens de cada classe que servem como parâmetro de desempenho do treinamento.
Predição: Armazena as imagens que a rede neural irá predizer ou classificar as pragas escolhidas.
Foram coletadas um total de 400 imagens para as 4 classes de insetos. As imagens foram padronizadas no formato JPG e divididas em 80% para treino e 20% para validação. Também foram utilizadas mais 60 imagens para a predição dos dados.
2.2 Pré-processamento e aumento de dados
No pré-processamento, é feita a padronização das imagens baixadas. Cada imagem tem tamanhos e formatos diferentes. Sendo assim, vem a necessidade de padronizarmos as imagens em um só formato e tamanho.
A escala de imagem escolhida foi 128x128, o tipo de arquivo JPG e foram sentadas 16 imagens em lote.
O aumento de dados se dá pela necessidade de aumentar a quantidade de imagens que temos em nosso dataset. Em alguns casos, a quantidade de imagens que temos não é suficiente para que tenhamos uma boa acurácia no treinamento do nosso modelo. Com o aumento, conseguimos multiplicar a quantidade de imagens em nosso dataset transformando uma única imagem em várias com alterações de escala, brilho, rotação e zoom.
...