A Identificação de Pragas em uma Plantação

[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:

1. Lagarta da soja
2. Percevejo marrom
3. Percevejo pequeno
4. 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:

1. Construção do banco de dados
2. Pré-processamento dos dados coletados
3. Aumento dos dados coletados
4. Construção do modelo de rede neural
5. Treinamento do modelo
6. Carregamento de novas imagens
7.  Predição das novas imagens
8. Classificação das pragas

Para a construção do modelo, foram utilizadas as seguintes ferramentas:

1. Linguagem de programação Python
2. IDE do Google Colab
3. Google Imagens para a coleta dos dados
4. Google Drive para o armazenamento dos dados
5. 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.