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

Authors

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

Keywords:

Foliar plant diseases, artificial neural networks, computer vision, APIs, mobile applications

Abstract

The growing need to reduce agricultural losses caused by pests and diseases, combined with the increasing demand for food, has driven the search for new techniques and technologies capable of supporting farmers. To assist smallholder farmers in the rapid and accurate identification of foliar diseases in plants, an application called KAWARI was developed using computer vision and artificial neural networks. The application analyzes images captured by users and provides a diagnosis, along with additional information about the disease, nearby outbreak locations, recommended treatment products, and local suppliers. The model was trained using the PlantVillage dataset, which contains images of diseased apple and grapevine leaves. To enhance the model’s robustness and expand the dataset, image preprocessing techniques were applied, including brightness and contrast adjustments, rotation, and zooming. In parallel, a Node.js API was developed to enable communication between the application and the artificial neural network, while the mobile application was implemented using React Native. Communication among the application, the API, and the neural network proved efficient, and the model achieved a performance rate of 98.63% in image diagnosis. This study demonstrates the potential of computer vision as an agricultural support tool, enabling the rapid and accurate detection of plant diseases.

Downloads

Download data is not yet available.

Author Biographies

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).

References

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.