Resultados - Detecção das doenças Olho de Boi e Mancha de Sarna em maçãs utilizando máquina de

Na Tabela 3 tem-se os parâmetros que apresentaram melhores resultados para cada modelo binário de SVM. Após a definição destes modelos, o classificador final foi construído conforme a Figura 32. A classificação inicial foi feita pelo modelo ”Maçã Sadia x Maçã com Mancha de Sarna” visto que este modelo apresentou melhor assertividade em comparação aos outros 2 modelos.

Tabela 3 – Parâmetros dos modelos SVM

Modelo SVM Sistema de Cores C γ Maçã Sadia x Maçã com Mancha de Sarna LAB 2−2 ₂−7

Maçã Sadia x Maçã com Olho de Boi RGB 2 2−6 Maçã com Olho de Boi x Maçã com Mancha de Sarna RGB 1 2−10

Figura 32 – Modelo DAG Final

5.5. Resultados 61

Neste contexto, foi executada a classificação das imagens da base de dados no classificador final, utilizando o método de validação cruzada de 5 grupos para avaliação deste, o qual ancançou um resultado de 89,26%. Na tabela 4tem-se a matriz de confusão da classificação realizada. Nesta matriz é possível visualizar a relação entre os valores esperados e os valores obtidos na classificação. Destaca-se que os resultados obtidos são próximos aos apresentados em (DUBEY; JALAL, 2012), porém, existe a possibilidade destes resultados diminuírem caso fosse aplicada uma segmentação automatizada.

Tabela 4 – Matriz de confusão

a a a a a a a a a_a Esperada Obtida

Maçã Sadia Olho de Boi Mancha de Sarna

Maçã Sadia 165 7 1

Olho de Boi 0 145 54

6 Considerações

O método SVM foi aplicado para a detecção das doenças Olho de Boi e Mancha de Sarna em maçãs. A base de dados utilizada iniciou-se a partir de imagens obtidas no Trabalho de Conclusão de Curso da aluna Débora Corrêa Rodrigues (RODRIGUES,2016), porém no decorrer do desenvolvimento deste trabalho necessitou-se aumentar esta base. Desta forma, foi gerada uma nova base de dados que poderá ser utilizada em trabalhos futuros.

Para a segmentação das imagens, inicialmente tentou-se aplicar o método K-Means Clustering (KANUNGO et al.,2002) para separar os focos de doença do fundo da imagem.

Porém, este método não proporcionou resultados satisfatórios, os quais podem ter sido prejudicados devido ao fato das imagens da base não possuírem um fundo homogêneo e com uma cor predefinida, como no trabalho desenvolvido por (DUBEY; JALAL, 2012). Desta forma, para que os resultados de classificação não fossem comprometidos, foi realizada a segmentação das imagens de forma manual. Neste contexto, sugere-se o desenvolvimento de um trabalho focado na segmentação das imagens.

A classificação multiclasses foi implementada utilizando um modelo DAG. Este modelo é semelhante a técnica ”one-against-one”, que encontra-se implementada na biblioteca LibSVM, visto que em ambos os métodos necessita-se treinar uma SVM para cada par de classes. A diferença entre eles ocorre na classificação das amostras, onde no método DAG não é necessário classificar a amostra em todos os SVMs criados, como é realizado no método ”one-against-one”, o que acarreta em menor tempo de classificação e menor consumo de recursos computacionais.

Neste contexto, foram criados 3 modelos SVM, onde no modelo ”Maçã Sadia x Maçã com Mancha de Sarna” os melhores resultados foram obtidos com o sistema de cores LAB e com o valor de C igual a 2−2 e o valor de γ igual a 2−7. Já para os modelos ”Maçã Sadia x Olho de Boi” e ”Maçã com Olho de Boi x Maçã com Mancha de Sarna”, o sistema de cores RGB apresentou melhor resultado, tendo C igual a 2 e γ igual a 2−6, para o primeiro modelo, e C igual a 1 e γ igual a 2−10, para o segundo modelo. Desta forma, foi realizada a classificação das imagens da base de dados pelo DAG construído, onde obteve-se uma assertividade de 89,26%. Destaca-se que esta assertividade poderia ser prejudicada caso fosse utilizada uma segmentação automatizada.

64 Capítulo 6. Considerações

Os resultados obtidos neste trabalho foram similares aos resultados obtidos em trabalhos relacionados como (DUBEY; JALAL, 2012) e (ZHANG; WU, 2012). Esta diferença pode estar relacionada ao fato da segmentação ter sido realizada de forma manual, uma vez que o fundo das imagens não possuía cor pre-definida como mencionado anteriormente, e desta forma, não foi possível aplicar o método K-Means Clustering. Além disso, a utilização de uma mesma base de imagens tornaria esta comparação mais adequada, porém, as bases de dados dos trabalhos citados não encontram-se disponíveis para utilização.

Inicialmente, tinha-se como objetivo a criação de uma interface gráfica e a unificação com a aplicação desenvolvida pelo aluno Iago do Passos (PASSOS, 2017). Nesta, foram aplicadas RNAs para a detecção das doenças Olho de Boi e Mancha de Sarna em maçãs. Tendo em vista que não foi possível automatizar completamente o processo, visto que a segmentação foi realizada manualmente, estes objetivos não foram realizados neste momento. Desta forma, sugere-se, como continuação deste trabalho, a automatização do processo de segmentação e, em seguida, a integração entre classificador SVM construído e aplicação de RNAs mencionadas.

Referências

AGROLINK. Sarna da maçã. 2017. Disponível em: <https://www.agrolink.com.br/ culturas/problema/sarna-da-maca_1692.html>. Citado na página 20.

ALBUQUERQUE, M. P. de; ALBUQUERQUE, M. P. de. Processamento de imagens: métodos e análises. Centro Brasileiro de Pesquisas Fısicas MCT, 2000. Citado na página

15.

ANTHONY, M.; HOLDEN, S. B. Cross-validation for binary classification by real-valued functions: theoretical analysis. In: ACM. Proceedings of the eleventh annual conference on Computational learning theory. [S.l.], 1998. p. 218–229. Citado na página 55.

ARAUJO, L. et al. Doenças da macieira e da pereira. Informe Agropecuário, Belo Horizonte, v. 37, n. 291, p. 61–74, 2016. Citado 4 vezes nas páginas 17, 20, 21e 22. BONETI, J.; KATSURAYAMA, Y.; SANHUEZA, R. Manejo da sarna na Produção Integrada de Maçã. [S.l.]: Embrapa Uva e Vinho, 2001. Citado 6 vezes nas páginas 17, 19,

20,21, 22e 23.

BOOCH, G.; RUMBAUGH, J.; JACOBSON, I. UML: guia do usuário. [S.l.]: Elsevier Brasil, 2006. Citado na página 49.

BUAINAIN, A. M. et al. Cadeia produtiva de frutas. [S.l.]: Bib. Orton IICA/CATIE, 2007. v. 7. Citado na página 15.

BYVATOV, E. et al. Comparison of support vector machine and artificial neural network systems for drug/nondrug classification. Journal of chemical information and computer sciences, ACS Publications, v. 43, n. 6, p. 1882–1889, 2003. Citado na página 16. CENCI, S. Boas práticas de pós-colheita de frutas e hortaliças na agricultura familiar. Recomendações Básicas para a Aplicação das Boas Práticas Agropecuárias e de Fabricação na Agricultura Familiar. 1a ed. Brasília: Embrapa Informação Tecnológica, p. 67–80, 2006. Citado na página 25.

CERA, M. C. Uso de redes neurais para o reconhecimento de padrões. UFRGS. Trabalho da disciplina Arquiteturas Especiais de Computadores, 2005. Citado na página 27. CHANG, C.-C.; LIN, C.-J. LIBSVM: A library for support vector machines. ACM Transactions on Intelligent Systems and Technology, v. 2, p. 27:1–27:27, 2011. Software

available at <http://www.csie.ntu.edu.tw/~cjlin/libsvm>. Citado na página 54.

DALAIO, A. L. Dalaio Agropastoril Ltda. 2017. Disponível em: <http://www.dalaio.com. br>. Citado na página 26.

DUBEY, S. R.; JALAL, A. S. Detection and classification of apple fruit diseases using complete local binary patterns. In: IEEE. Computer and Communication Technology (ICCCT), 2012 Third International Conference on. [S.l.], 2012. p. 346–351. Citado 5

66 Referências

DUBEY, S. R.; JALAL, A. S. Adapted approach for fruit disease identification using images. arXiv preprint arXiv:1405.4930, 2014. Citado 3 vezes nas páginas15,17 e 26.

DUBEY, S. R.; JALAL, A. S. Fruit disease recognition using improved sum and difference histogram from images. International Journal of Applied Pattern Recognition, Inderscience Publishers Ltd, v. 1, n. 2, p. 199–220, 2014. Citado na página 15.

ESTATíSTICA, I. I. B. de Geografia e. Previsão de Safra. 2016. Disponível em:

<https://sidra.ibge.gov.br/pesquisa/lspa/tabelas>. Citado na página 15.

FACELI, K. et al. Inteligência artificial: Uma abordagem de aprendizado de máquina. Rio de Janeiro: LTC, v. 2, p. 192, 2011. Citado 5 vezes nas páginas 17, 31, 39, 40 e42.

FANTE, C. A. Caracterização, qualidade e conservação pós-colheita de maçã´ eva´(malus sp.). UNIVERSIDADE FEDERAL DE LAVRAS, 2011. Citado na página 25.

FERREIRA, P. Yes, nós temos maçãs. 2009. Disponível em:<http://www.abpm.org. br/portugues/mensagens/imprensa/2112009/inovacao_em_pauta_5_pag43a47_macas. pdf>. Citado na página 15.

FISCHER, S. A. Fischer S/A - Agroindústria. 2017. Disponível em: <http:

//www.grupofischer.com.br/fischer/fischer/sites/fischer/fraiburgo/home>. Citado na página26.

FRADKIN, D.; MUCHNIK, I. Support vector machines for classification. DIMACS Series in Discrete Mathematics and Theoretical Computer Science, Citeseer, v. 70, p. 13–20, 2006. Citado na página 31.

HIREMATH, P.; TEGNOOR, J. R. Follicle detection and ovarian classification in digital ultrasound images of ovaries. Advancements and Breakthroughs in Ultrasound Imaging, InTechOpen, UK, p. 167–199, 2013. Citado na página 28.

HSU, C.-W. et al. A practical guide to support vector classification. Taipei, Taiwan, 2003. Citado na página55.

HSU, C.-W.; LIN, C.-J. A comparison of methods for multiclass support vector machines. IEEE transactions on Neural Networks, IEEE, v. 13, n. 2, p. 415–425, 2002. Citado na página54.

KALIST, V. et al. Possiblistic-fuzzy c-means clustering approach for the segmentation of satellite images in hsl color space. Procedia Computer Science, n. 57, p. 49–56, 2015. Citado na página53.

KANUNGO, T. et al. An efficient k-means clustering algorithm: Analysis and

implementation. IEEE transactions on pattern analysis and machine intelligence, IEEE, v. 24, n. 7, p. 881–892, 2002. Citado na página 63.

KARUSH, W. Minima of functions of several variables with inequalities as side conditions. Master thesis, University of Chicago, 1939. Citado na página 42.

KITINOJA, L.; KADER, A. A. et al. Small-scale postharvest handling practices: a manual for horticultural crops. [S.l.]: University of California, Davis, Postharvest Technology Research and Information Center, 2002. Citado 2 vezes nas páginas 17e 25.

Referências 67

KOTSIANTIS, S. B.; ZAHARAKIS, I.; PINTELAS, P. Supervised machine learning: A review of classification techniques. 2007. Citado na página 16.

KOWALCZYK, A. SVM Tutorial. 2014. Disponível em: <https://www.svm-tutorial.com/ >. Citado 6 vezes nas páginas 17,33, 34, 36, 37 e39.

KOWALCZYK, A. Support Vector Machines Succinctly. [S.l.]: Syncfusion Inc., 2017. Citado 3 vezes nas páginas 44, 45e 54.

KUHN, H. W.; TUCKER, A. W. Nonlinear programming. In: Proceedings of the Second Berkeley Symposium on Mathematical Statistics and Probability. Berkeley, Calif.: University of California Press, 1951. p. 481–492. Disponível em:

<http://projecteuclid.org/euclid.bsmsp/1200500249>. Citado na página 42.

KUMAR, P. et al. Comparison of support vector machine, artificial neural network, and spectral angle mapper algorithms for crop classification using liss iv data. International Journal of Remote Sensing, Taylor & Francis, v. 36, n. 6, p. 1604–1617, 2015. Citado na página 16.

LORENA, A. C.; CARVALHO, A. C. de. Uma introdução às support vector machines. Revista de Informática Teórica e Aplicada, v. 14, n. 2, p. 43–67, 2007. Citado 4 vezes nas páginas 28, 31, 39e 44.

MAHAJAN, M. S. S.; PATIL, S. Optimization and classification of fruit using machine learning algorithm. International Journal, IJIRST (International Journal for Innovative Research in Science & Technology), v. 3, p. 377–381, 2016. Citado na página 55.

MEYER, D.; WIEN, F. T. Support vector machines. The Interface to libsvm in package e1071, 2015. Citado 2 vezes nas páginas 28 e31.

MITCHELL, T. M.; LEARNING, M. Mcgraw-hill science. Engineering/Math, v. 1, 1997. Citado na página 27.

MOHRI, M.; ROSTAMIZADEH, A.; TALWALKAR, A. Foundations of Machine Learning. MIT Press, 2012. (Adaptive computation and machine learning series). ISBN 9780262018258. Disponível em: <https://books.google.com.br/books?id= maz6AQAAQBAJ>. Citado na página 16.

OECD/FAO. Oecd-fao agricultural outlook 2015. OECD Publishing, 2015. Disponível em: <http://www.oecd-ilibrary.org/agriculture-and-food/ oecd-fao-agricultural-outlook-2015_agr_outlook-2015-en>. Citado na página 15.

PASSOS, I. d. Uso de Redes Neurais Artificiais para a Detecção das Doenças Olho de Boi e Mancha de Sarna em Maçãs. 2017. Monografia (Bacharel em Ciência da Computação), UCS (Universidade da Caxias do Sul), Caxias do Sul, Brasil. Citado na página 64.

PERSEUS, D. Classification (cross-validation and prediction). 2015. Disponível em: <http://www.coxdocs.org/doku.php?id=perseus:user:activities:matrixprocessing: learning:classificationprocessing>. Citado na página 29.

PLATT, J. Sequential minimal optimization: A fast algorithm for training support vector machines. 1998. Citado na página 41.

68 Referências

PLATT, J. C.; CRISTIANINI, N.; SHAWE-TAYLOR, J. Large margin dags for multiclass classification. In: Advances in neural information processing systems. [S.l.: s.n.], 2000. p. 547–553. Citado na página54.

POMAGRI, F. L. Pomagri Frutas Ltda. 2017. Disponível em: <http://www.pomagri.com. br/>. Citado na página 26.

PROTAS, J. d. S.; SANHUEZA, R. V. Produção integrada de frutas: o caso da maçã no Brasil. [S.l.]: Embrapa Uva e Vinho, 2003. Citado na página 19.

PUJARI, J. D.; YAKKUNDIMATH, R.; BYADGI, A. S. Classification of fungal disease symptoms affected on cereals using color texture features. International Journal of Signal Processing, Image Processing and Pattern Recognition, v. 6, n. 6, p. 321–330, 2013. Citado na página16.

PUJARI, J. D.; YAKKUNDIMATH, R. S.; BYADGI, A. S. Statistical methods for quantitatively detecting fungal disease from fruits’ images. International Journal of Intelligent Systems and Applications in Engineering, v. 1, n. 4, p. 60–67, 2013. Citado 2 vezes nas páginas 26e 29.

RODRIGUES, D. C. Detecção e identificação de doenças em imagens de maçãs. 2016. Monografia (Bacharel em Sistemas de Informação), UCS (Universidade da Caxias do Sul), Caxias do Sul, Brasil. Citado 2 vezes nas páginas50 e 63.

SANTOS, E. M. dos. Teoria e aplicação de support vector machines à aprendizagem e reconhecimento de objetos baseado na aparência. Tese (Doutorado) — Universidade

Federal da Paraíba, 2002. Citado na página 28.

SCHUMANN, G. L.; D’ARCY, C. J. Hungry planet: stories of plant diseases. [S.l.]: American phytopathological society, 2012. Citado na página 19.

SEBRAE, S. B. d. A. a. M. e. P. E. MERCADO DE FRUTICULTURA Panorama do setor no Brasil. 2015. Disponível em: <http://www.bibliotecas.sebrae.com.br/chronus/ ARQUIVOS_CHRONUS/bds/bds.nsf/64ab878c176e5103877bfd3f92a2a68f/$File/5791. pdf>. Citado na página 15.

SMITH, B. T. Lagrange multipliers tutorial in the context of support vector machines. Memorial University of Newfoundland St. John’s, Newfoundland, Canada, 2004. Citado na página 17.

STATNIKOV, A. et al. A Gentle Introduction To Support Vector Machines In Biomedicine: Volume 1: Theory and Methods. [S.l.]: World Scientific Publishing Co Inc, 2011. Citado

na página 32.

TEIXEIRA, R. et al. Controle de pragas e doenças, maturação e qualidade de maçãs ‘imperial gala’submetidas ao ensacamento. Revista Brasileira de Fruticultura, Jaboticabal,

SciELO Brasil, v. 33, n. 2, p. 394–401, 2011. Citado na página16.

VALDEBENITO-SANHUEZA, R. Maçã: Fitossanidade, frutas do brasil. Bento Gonçalves: Embrapa Uva e Vinho. Embrapa Informação Tecnológica, Brasília DF, p. 34–60, 2004. Citado 4 vezes nas páginas 17, 19, 22 e23.

Referências 69

VALDEBENITO-SANHUEZA, R. M. et al. Manual de identificação e controle de doenças, pragas e desequilíbrios nutricionais da macieira. [S.l.]: Embrapa Uva e Vinho, 2008. Citado 2 vezes nas páginas 17 e23.

VAPNIK, V. The nature of statistical learning theory. [S.l.]: Springer science & business media, 2013. Citado na página 28.

VIANNA, G. K.; CRUZ, S. M. S. da. Redes neurais artificiais aplicadas ao monitoramento inteligente de doenças e pragas em tomateiros. 2013. Citado na página 15.

WANG, S.-C. Artificial neural network. In: Interdisciplinary computing in java programming. [S.l.]: Springer, 2003. p. 81–100. Citado na página 27.

WEINBERGER, K. Q.; BLITZER, J.; SAUL, L. Distance metric learning for large margin nearest neighbor classification. Advances in neural information processing systems, MIT; 1998, v. 18, p. 1473, 2006. Citado na página 29.

YANG, Q. Classification of apple surface features using machine vision and neural networks. Computers and Electronics in Agriculture, Elsevier, v. 9, n. 1, p. 1–12, 1993. Citado na página 26.

ZENG, Z.-Q. et al. Fast training support vector machines using parallel sequential minimal optimization. In: IEEE. Intelligent System and Knowledge Engineering, 2008. ISKE 2008. 3rd International Conference on. [S.l.], 2008. v. 1, p. 997–1001. Citado na página 41. ZHANG, Y.; WU, L. Classification of fruits using computer vision and a multiclass support vector machine. Sensors, Molecular Diversity Preservation International, v. 12, n. 9, p. 12489–12505, 2012. Citado 2 vezes nas páginas 55e 64.

ANEXO A – Diagrama de classes da

implementação

ANEXO B – Resultados do Modelo SVM

”Maçã Sadia x Maçã com Olho de Boi”

Sistema de Cores C γ Assertividade (%)

RGB 1 -6 96,99 RGB 2 -6 96,99 RGB 3 -6 96,99 RGB 4 -6 96,99 RGB 5 -6 96,99 RGB 6 -6 96,99 RGB 7 -6 96,99 RGB 8 -6 96,99 RGB 9 -6 96,99 RGB 10 -6 96,99 HSL 2 -10 96,99 HSL 5 -11 96,99 HSL 8 -13 96,99 HSL 9 -14 96,99 HSL 9 -13 96,99 HSL 10 -14 96,99 HSL 10 -13 96,99 RGB 1 -5 96,71 RGB 2 -7 96,71 RGB 2 -5 96,71 RGB 3 -5 96,71 RGB 4 -5 96,71 RGB 5 -5 96,71 RGB 6 -5 96,71 RGB 7 -5 96,71 RGB 8 -5 96,71 RGB 9 -5 96,71 RGB 10 -5 96,71 HSL 3 -9 96,71 HSL 4 -10 96,71

ANEXO C – Resultados do Modelo SVM

”Maçã Sadia x Maçã com Mancha de Sarna”

Sistema de Cores C γ Assertividade (%)

LAB -2 -7 99,55 LAB -2 -6 99,55 LAB -1 -7 99,55 LAB -1 -6 99,55 LAB 0 -7 99,55 LAB 0 -6 99,55 LAB 1 -7 99,55 LAB 1 -6 99,55 LAB 2 -7 99,55 LAB 2 -6 99,55 LAB 3 -8 99,55 LAB 3 -7 99,55 LAB 3 -6 99,55 LAB 4 -7 99,55 LAB 4 -6 99,55 LAB 5 -7 99,55 LAB 5 -6 99,55 LAB 6 -7 99,55 LAB 6 -6 99,55 LAB 7 -7 99,55 LAB 7 -6 99,55 LAB 8 -7 99,55 LAB 8 -6 99,55 LAB 9 -7 99,55 LAB 9 -6 99,55 LAB 10 -7 99,55 LAB 10 -6 99,55 LAB -3 -7 99,35 LAB 0 -8 99,35 LAB 1 -8 99,35

ANEXO D – Resultados do Modelo SVM

”Maçã com Olho de Boi x Maçã com Mancha

de Sarna”

Sistema de Cores C γ Assertividade (%)

RGB 0 -10 98,37 RGB 1 -11 98,37 RGB 2 -12 98,37 RGB 3 -13 98,37 RGB 4 -14 98,37 RGB 5 -15 98,37 RGB -3 -6 98,21 RGB -2 -8 98,21 RGB -2 -7 98,21 RGB -1 -9 98,21 RGB -1 -8 98,21 RGB -1 -5 98,21 RGB 0 -9 98,21 RGB 1 -10 98,21 RGB 2 -11 98,21 RGB 3 -12 98,21 RGB 3 -10 98,21 RGB 4 -13 98,21 RGB 4 -11 98,21 RGB 5 -14 98,21 RGB 5 -12 98,21 RGB 6 -15 98,21 RGB 6 -13 98,21 RGB -3 -7 98,05 RGB 1 -8 98,05 RGB 1 -5 98,05 RGB 2 -9 98,05 RGB 2 -5 98,05 RGB 3 -5 98,05 RGB 4 -5 98,05

No documento Detecção das doenças Olho de Boi e Mancha de Sarna em maçãs utilizando máquina de vetores de suporte (páginas 62-79)