Desenvolvimento de uma Aplicação Móvel ´Aplicada a Identificação de Doenças Foliares em Culturas Agrícolas

Marcos Vinicius Oliveira Silva; Crescencio Lima

doi:10.22481/recic.v8i1.18520

Autores

Marcos Vinicius Oliveira Silva Instituto Federal de Educação, Ciência e Tecnologia da Bahia https://orcid.org/0009-0009-6793-1110
Crescencio Lima Instituto Federal de Educação, Ciência e Tecnologia da Bahia https://orcid.org/0000-0002-0286-2056

DOI:

https://doi.org/10.22481/recic.v8i1.18520

Palavras-chave:

Aprendizado de Máquina (Machine Learning), Doenças Foliares em Plantas, Redes Neurais Artificiais, Visão Computacional, APIs, Aplicações Mobile

Resumo

A crescente necessidade de combater as perdas agrícolas causadas por pragas e doenças, aliado ao aumento da demanda por alimentos, gera a necessidade pela busca por novas técnicas e tecnologias que possam auxiliar os agricultores. Motivado pela necessidade de auxiliar pequenos agricultores no processo de identificação rápida e precisa de doenças foliares em plantas, foi desenvolvido um aplicativo, chamado KAWARI , utilizando Visão Computacional e Redes Neurais Artificiais para diagnosticar doenças foliares em plantas. O aplicativo utiliza Visão Computacional e Redes Neurais Artificiais para analisar imagens capturadas pelo usuário e fornecer um diagnóstico, além de informações adicionais sobre a doença, pontos de focos
próximos, produtos para o tratamento e fornecedores locais. Para o treinamento do modelo, foi utilizado o dataset do PlantVillage contendo imagens de folhas doentes da macieira e videira. Para dar maior robustez a este, foram utilizadas técnicas de pré-processamento de imagens, como ajustes de brilho e contraste, rotação e zoom, para aumento do conjunto de dados. Em paralelo, foi desenvolvida uma API em Node.js, responsável pela comunicação entre a aplicativo e a RNA, e a aplicação mobile em React Native. A comunicação entre aplicativo, API e rede neural se mostrou eficiente, onde esta apresentou uma eficiência de 98,63% no diagnostico das imagens. O trabalho expõe o potencial da Visão Computacional como ferramenta de apoio a agricultura, permitindo a detecção precisa e rápida de doenças em plantas.

Downloads

Não há dados estatísticos.

Biografia do Autor

Marcos Vinicius Oliveira Silva, Instituto Federal de Educação, Ciência e Tecnologia da Bahia

Possui graduação em Sistemas de Informação pelo Instituto Federal de Educação, Ciência e Tecnologia da Bahia (IFBA - Campus Vitória da Conquista). Tem experiência na área de Ciência da Computação, com ênfase em Desenvolvimento de Software e Banco de Dados. Atuou como Analista no Hospital São Vicente de Paula, com foco na implantação e gestão do sistema hospitalar Tasy e administração de banco de dados. Atualmente, é programador no Hospital Samur, desenvolvendo soluções tecnológicas web e mobile utilizando frameworks modernos como FastAPI (Python), Laravel (PHP), Vue.js e React Native.

Crescencio Lima, Instituto Federal de Educação, Ciência e Tecnologia da Bahia

É professor e pesquisador do Instituto Federal de Educação, Ciência e Tecnologia da Bahia (IFBA), campus Vitória da Conquista, coordenador do Grupo de Pesquisa Sistemas de Hardware e Software (SHS), membro do Grupo de Inovação e Pesquisa em Automação e Robótica (GIPAR), professor do curso de pós-graduação lato sensu em desenvolvimento web (PGDW) e professor colaborador do Programa de Pós-Graduação stricto sensu em Engenharia de Sistemas e Produtos (PPGESP). Possui graduação em Ciência da Computação pela Universidade Estadual do Sudoeste da Bahia (2005), mestrado em Ciência da Computação pela Universidade Federal de Pernambuco (2011) e doutorado em Ciência da Computação pela Universidade Federal da Bahia (UFBA).

Referências

FAO Frear as pragas e as doenças das plantas, FAO, 2015.

C. M. OLIVEIRA, A. M. AUADA, S. M. MENDES, e M. R. FRIZZAS. "Crop losses and the economic impact of insect pests on brazilian agriculture," Crop Protection, vol. 56, pp. 50-54, 2014.

OECD/FAO perspectivas agrícolas 2023-2032.," OECD/FAO, p. 391, 2023.

S. M. FONSECA, S. MASSRUHÁ, A. de Andrade LEITE, e Édson Luis BOLFE, AGRO 4.0. Rio de Janeiro: Autografia, 2023.

K. SCHWAB, A QUARTA REVOLUÇÃO INDUSTRIAL. Edipro, 1 ed., 2018.

D. C. ROSE e J. CHILVERS, "Agriculture 4.0," Frontiers in Sustainable Food Systems, vol. 2, 2018.

J. B. SACOMANO, R. F. GONÇALVES, M. T. da SILVA, S. H. BONILLA, e V. C. SATYRO, INDUSTRIA 4.0. São Paulo: Edgard Blucher, I ed., 2018.

M. R. BORTH, J. C. IACIA, H. PISTORI, e C. F. RUVIARO, "A visão computacional do agronegócio," 7º Encontro Científico de Administração, Economia e Contabilidade (ECAECO), 2014.

T. M. MITCHELL, MACHINE LEARNING. New York: McGraw-Hill Education, 1 ed., 1997.

K. FACELI, A. C. LORENA, J. GAMA, e A. C. P. L. F. CARVALHO, INTELIGÊNCIA ARTIFICIAL. Rio de Janeiro: LTC, 2011.

J. R. JANG, C. SUN, e E. MIZUTANI, NEURO-FUZZY AND SOFT COMPUTING. Londres: Prentice-Hall, 1997.

S. HAYKIN, REDES NEURAIS. São Paulo: Bookman, 2 ed., 2001.

W. S. MCCULLOCH e W. PITTS, "A logical calculus of the ideas immanent in nervous activity." Bulletin of Mathematical Biophysics, vol. 5, no. 4, pp. 115-133, 1943.

L. N. d. Silva, D. H. Spatti, e R. A. Flauzino, Redes neurais artificiais para engenharia e ciências aplicadas. São Paulo: Artliber Editora, 2010.

L. SHAPIRO e G. STOCKMAN, COMPUTER VISION. Londres: Prentice Hall, 1 ed., 2001.

S. RUSSELL e P. NORVIG, INTELIGÊNCIA ARTIFICIAL. Rio de Janeiro: Elsevier, 1 ed., 2004.

E. N. Rosa, "Utilização de redes neurais para reconhecimento de doenças foliares em culturas agrícolas," Universidade Federal de Santa Catarina, 2022.

T. d. M. Leite, "Deep learning em dois estágios para detecção e classificação de doenças em folhas de plantas com aplicação em dispositivos móveis," Dissertação de Mestrado, Universidade de São Paulo, 2021.

V. R. Ferreira e A. M. de Paula Canuto, "Potencializando a classificação de imagens com eficiência e robustez através da fibernet.." Revista de Ciência de Computação, vol. 5, no. 1, pp. 7-20, 2023.

R. G. Carvalho e L. T. Zoby, "Convolutional neural networks for leaf disease classification," em Anais do XV Encontro Nacional de Inteligência Artificial e Computacional, pp. 332-342, SBC, 2018.

F. Funck, "Detectando a ferrugem asiática na folha da soja utilizando redes neurais convolucionais," Monografia de Graduação, Universidade Tecnológica Federal do Paraná, 2019.

M. J. Silva e J. Schimiguel, "Identificação de doenças em plantas por meio de processamento de imagens: redes neurais convolucionais como auxílio à agricultura," Revista de Ubiquidade, vol. 3, no. 1, pp. 91-111, 2020.

A. C. Gil, Métodos e técnicas de pesquisa social. São Paulo: 6. ed. Editora Atlas SA, 2008.

P. Raghav, "Understanding of convolutional neural network (cnn)," 2018.