Determinação da área foliar danificada por pragas da soja utilizando processamento digital de imagens
Wellington Della Mura
1, André L. de Oliveira
1, Éderson M. Sgarbi
1, L. G. Sachs
11
Departamento de Informática da Universidade Estadual do Norte do Paraná – Campus Bandeirantes, Rodovia BR 369 Km 54 – Caixa Postal 261 – CEP 86360-000 -
Bandeirantes – PR – Brasil
della_mura@hotmail.com,luizandre00@msn.com,sgarbi,sachslg{@ffalm.br}
Abstract. As much the soy how much other agricultural cultures suffer with plagues that consume its foliar area, becoming little effective the photosynthesis process, weakening of the plant, minimizing the production and increasing the costs of the handling. In view of this many were the development techniques for a good determination of these damages, however are expensive and little reliable. The computational solution proposal for this article looks to define of more trustworthy way and with the minimum of intervention human, the foliar area damaged of the soy. The accomplished tests revealed a level of precision and larger speed than the manual methods, providing a great motivation for an improvement of the presented solution.
Resumo. Tanto a soja quanto outras culturas agrícolas sofrem com pragas que consomem sua área foliar, tornando o processo fotossintético pouco eficaz, enfraquecendo a planta, minimizando a produção e aumentando os custos do manejo. Em vista disto muitas foram as técnicas desenvolvidas para uma boa determinação destes danos, porém são custosas e pouco confiáveis.
A solução computacional proposta por este artigo procura definir de forma mais confiável e com o mínimo de intervenção humana, a área foliar danificada da soja. Os testes realizados revelaram um nível de precisão e velocidade maior do que os métodos manuais, proporcionando uma grande motivação para um aperfeiçoamento da solução apresentada.
1. Introdução
Existem diversos estudos sobre a aplicação do processamento de imagens digitais nas mais variadas áreas de interesse da humanidade, por sua grande versatilidade, como o auxilio a diagnósticos médicos, detecção de doenças na agricultura ou ainda em meio industrial para tarefas de controle de qualidade. Sendo assim, os sistemas de visão artificial buscam obter um conjunto de técnicas e metodologias que possam dar suporte ao desenvolvimento desse tipo de solução [Facon, 2006].
Uma das diversas aplicações das técnicas de análise e processamento de imagens
é a determinação do índice de área foliar (IAF) de plantas de uma determinada cultura,
que corresponde à relação funcional existente entre a área foliar (AF) e a área do terreno
ocupada pela cultura [Favarin et. al., 2002]. O processo fotossintético depende da
interceptação da luz e sua conversão em energia química, portanto, o IAF pode ser
considerado um parâmetro indicativo de produtividade [Favarin et. al., 2002] e é uma
medida necessária para a maioria dos estudos agronômicos e fisiológicos envolvendo o crescimento vegetal [Blanco and Folegatti, 2003]. O conhecimento do IAF também pode ser útil na avaliação de varias práticas culturais como densidade de plantio, adubação, irrigação, poda e aplicação de defensivos [Favarin et. al. and Tavares Junior et. al., 2002].
Existem na literatura diversos métodos para a determinação da área foliar, dentre os mais utilizados estão o métodos de dimensões foliares e o método usando o aparelho LI-COR [LI-COR, 1996], que efetua a estimativa da área foliar pelo princípio de células de grade de área conhecida. Este aparelho, entretanto, possui custo elevado e caráter destrutivo, uma vez que as folhas devem ser coletadas para análise em laboratório onde o aparelho está instalado. Já o método de dimensões foliares baseia-se na relação entre a área foliar real e parâmetros dimensionais do limbo foliar (comprimento (C) e largura (L) máximos). Esse método é amplamente empregado no campo, devido a sua facilidade de aplicação e possibilidade de aplicação não destrutiva [Adami et. al., 2007].
O presente trabalho aplica técnicas de processamento e análise de imagens para a solução de problemas relacionados com a agricultura, mais precisamente, com determinação da área foliar de lavouras de soja danificadas por pragas. Algumas pragas que atacam estas plantas podem ser detectadas observando alguns aspectos de suas folhas como as imperfeições e lesões, no entanto, apenas um especialista com alguma experiência pode detectar com facilidade o grau da doença, e ainda muitas vezes sujeito a cometer erros causados pela dificuldade de interpretação do estado da folha. As medidas de extensão, área e volume são importantes nas avaliações agronômicas utilizadas principalmente na pesquisa, porém, mesmo existindo diversas técnicas para a determinação da área foliar, estas técnicas são caras, trabalhosas e demoradas, além de que são poucas as pesquisas sobre essa avaliação mesmo sendo importante e necessária.
A análise da área foliar de plantas de diversas culturas, além de ser um processo complicado, nem sempre é possível que o profissional esteja disponível para a análise da lavoura e dessa forma a demora no diagnóstico pode implicar em perdas posteriores.
Diante dessa problemática, o presente trabalho propõe um sistema computacional com a capacidade de simular a análise de um profissional do assunto no momento do diagnóstico da situação da lavoura, baseando-se na observação da folha.
Este sistema visa facilitar o manejo das pragas nas lavouras de soja, principalmente da lagarta da soja (Anticarsia gemmatalis) que é o principal inseto desfolhador desta planta [Informações Agronômicas, 1994].
2. Revisão Bibliográfica
2.1. Processamento de imagens e visão computacional
O processamento de imagens consiste em desenvolver técnicas possíveis de simular a
capacidade de visão e interpretação do ser humano, onde com o auxilio do computador
seja possível o entendimento da imagem adquirida pelo mesmo. Assim a área de
processamento de imagens é multidisciplinar, pois envolve diversas áreas como
eletrônica, ciência da computação, inteligência artificial, ótica, entre outras [Facon,
2006].
A visão computacional faz parte da inteligência artificial, preocupando-se em desenvolver a compreensão dos princípios que formam a visão dos sistemas naturais, como a visão humana. Essa capacidade inclui a habilidade de descrever computacionalmente uma cena baseada em fatos fornecidos por um sensor de imagens, produzindo dessa forma o entendimento dos objetos reconhecidos na imagem adquirida [Pavim and Roloff, 2005].
2.2. Técnicas de processamento de imagem
O processamento digital de imagens (PDI) é utilizado para melhorar imagens e posteriormente extrair informações da mesma, por isso é uma ferramenta multidisciplinar, que conta com várias áreas para chegar a um resultado satisfatório.
Atualmente as técnicas utilizadas pelo processamento de imagens são, de acordo com a quantidade de informação manipulada, classificadas em três níveis: baixo, médio e alto. No processo de nível médio, a quantidade de informações a processar é menor, e o conjunto de valores processados pelo nível anterior se transforma em uma lista de características que posteriormente no nível alto serão interpretados. A estrutura funcional completa de um sistema de PDI consiste em [Facon, 2006]:
a) Aquisição e digitalização: a imagem é transformada em dados digitais por meio de um digitalizador.
b) Pré-processamento: onde são tratados os defeitos da aquisição da imagem.
c) Segmentação: após a remoção dos ruídos da imagem, o processo de segmentação divide a imagem em partes constitutivas.
d) Representação e Interpretação: permite medir as propriedades resultantes da segmentação. Assim, a interpretação que representa o alto nível, compreende e descreve a imagem usando os conhecimentos anteriormente adquiridos.
2.3. A Etapa de Pré-Processamento
O pré-processamento de imagens é aplicado para alcançar como resultado outra imagem com realce em suas características, adequando-se assim às demais etapas de processamento necessárias [Pavim and Roloff, 2005]. A expansão de contraste, suavização e realce de bordas são relacionadas com as técnicas de realce de imagens, objetivando a obtenção de imagens com bom contraste, contornos nítidos, detalhes importantes e diminuindo o ruído [Facon, 2006]. A maioria das técnicas de realce de imagens é de caráter heurístico e orientado para certo tipo de aplicação. Uma forma universal não existe e por isso o sucesso da aplicação depende do analista e de seu julgamento subjetivo.
2.3.1. Filtro da Mediana
Este filtro faz parte dos filtros não lineares, diferente do filtro da média que faz parte dos filtros lineares. A mediana é muito comum para se reduzir o ruído do tipo impulso em imagens. Este filtro trabalha com o princípio da vizinhança onde, os pixels são agrupados em ordem e o pixel central recebe a mediana deste espaço amostral, ou seja, o pixel central do agrupamento dos vizinhos [Gonzalez and Woods, 2002].
A seguinte função demonstra como utilizar o filtro da mediana:
Verificou-se em forma prática, que caso apareçam valores fora do domínio da ordenação da vizinhança, a mediana da distribuição não se altera e em certas aplicações se sobrepõe em qualidade comparando-se ao filtro da média.
2.4 Segmentação de Imagens
Após o pré-processamento, necessário para correção de imperfeições da imagem, agora é necessário que o computador seja capaz de extrair as partes da imagem para poder entendê-la, baseando-se em noções de descontinuidade e similaridade, como bordas e relevos da imagem.
Como a visão computacional procura simular a visão humana, foi adotada a teoria da visão de Gibson, onde o sistema visual decompõe a imagem em unidades significativas para sua compreensão [Facon, 2006].
Na área de detecção e reconhecimento de imagens, não basta apenas apresentar uma imagem com várias cores e graduações de cinza, mas sim é necessário detectar as regiões estabelecendo sub-regiões na imagem para que a mesma possa ser interpretada de acordo com a finalidade desejada [Von Wangenheim, 2007]. Sendo assim, o alvo principal do processo de segmentação é obter a partir de uma imagem digital, pré- processada, um conjunto de segmentos significativos, que contém informação semântica, ou seja, tem o significado relativo da imagem de origem. Em geral essas primitivas de segmentos são contornos e regiões. Por exemplo, em uma folha de soja, seria interessante separar o que é folha, fundo e as imperfeições da folha.
2.4.1. Limiarização
Um dos mais comuns processos de segmentação, segundo [Facon, 2006] e [Hale, 2006], é a limiarização, que consiste em separar o primeiro plano do plano de fundo. O objetivo desta técnica é marcar os pixels, representados pela função p(x,y), que pertencem a regiões de primeiro plano com um valor simples normalmente preto (1) e as regiões que pertencem ao fundo com um valor normalmente branco (0), significando que seria uma parte secundária. O limiar (T) define em qual valor deve ser feita a separação de primeiro e segundo planos.
Basicamente no caso da imagem apresentar uma boa distinção do fundo para o plano principal, o histograma irá exibir dois vales, e o valor determinado entre esses vales é o que será usado como limiar [Facon, 2006] [Rapantzikos, 2001].
Dessa forma o processo de limiarização global pode ser definido por:
( ) ( )
⎩
( )
⎨⎧
>
∈
<
= ∈
T y x p se fundo
T y x p se plano primeiro y
x ,
, , lim
Este processo é bem simples e de custo computacional pequeno. No entanto nem sempre essa técnica de limiarização, escolhendo um valor global, produz os resultados satisfatórios, mas, nos testes realizados obteve-se um ótimo resultado comparado a outros métodos de segmentação [Facon, 2006] [Von Wangenheim, 2007].
[ ]
= ⎢⎣⎡ + ⎥⎦⎤ 2, N 1
v j i med
Onde:
v : é o vetor ordenado dos pixels;
N : é o tamanho do vetor v.
3. Metodologia 3.1. Aquisição
Na aplicação dos testes foi utilizado um scanner para obtenção das imagens, com resoluções de 100 a 200 dpi, que resultou em uma boa definição e um tempo de processamento rápido. Depois de algumas tentativas, chegou-se a conclusão de que as folhas organizadas verticalmente uma a uma sobre uma folha de papel ou fundo branco facilitam o processamento. A variação da resolução de captura foi utilizada para medir quais possíveis perdas, tanto de informações quanto de performance uma resolução imprópria poderia acarretar.
3.2. Pré-Processamento
A etapa de pré-processamento utilizou-se da transformação da imagem em 256 tons de cinza e posteriormente a aplicação do filtro da mediana com janela 3x3. Este tipo de processo se faz necessário para evitar que algumas nervuras da folha ou outras imperfeições, sem importância, atrapalhem o processo de segmentação e por conseguinte a interpretação.
3.3. Segmentação
O próximo passo após a remoção do ruído é a segmentação da imagem em duas partes:
a folha e o fundo. Nos testes realizados, o processo se deu pela aplicação da limiarização manual com o valor entre 160 a 200. Na maioria das folhas, o limiar no valor de 200 proporcionou um resultado ótimo, porém ainda é possível se ter uma maior confiança utilizando outros métodos de seleção automática do limiar.
3.4. Interpretação
O processo de interpretação consiste em duas etapas: a contagem de clusters na folha e a porcentagem de pixels comprometidos. Todos os passos do processo de interpretação se encontram descritos nos itens e, f, g e h da Figura 2.
a) Detecção do fundo: a imagem é varrida, a princípio de cima para baixo até se encontrar um pixel de cor preta, ou seja, a folha, após isso é feita outra varredura de baixo para cima, onde com isso, o fundo é detectado e algumas falhas na folha, nas bordas, algumas vezes serão contadas dependendo da folha. Sendo assim, é passado mais uma vez o filtro da mediana para eliminar essas imperfeições. É nesta etapa que a intervenção humana se faz necessária, pois muitas falhas das bordas não podem ser completamente detectadas sem um fechamento prévio, que se dá traçando-se uma linha na borda danificada da folha.
b) O processo de preenchimento dos clusters é realizado fazendo a varredura da
imagem a cada pixel branco (parte de um cluster). Quando encontrado, é
chamada uma rotina recursiva de preenchimento desses pixels, se espalhando
para toda sua 4-vizinhança em outros pixels de cor branca. Como demonstra
a Figura 1.
Figura 1. Demonstração do algoritmo recursivo de preenchimento dos clusters
c) Depois de detectadas as informações, é possível obter os dados de magnitude de comprometimento e a quantidade de buracos na folha.
a) b) c)
d) e) f)
Pixel tratado
Pixel atingido pela recursão ( ) ( )
⎩ ( )
⎨⎧
=
∈
=
= ∈
) (
, , ,
recursão da fim preto y x p se fundo
branco y x p se cluster y
x p
g) h)
Figura 2. Exemplo da aplicação. a) imagem adquirida b) Aplicação do filtro da mediana c) Imagem limiarizada d) Fechamento manual das bordas e) Detecção do fundo f) Detecção do fundo com fechamento g) Contagem dos buracos h) Contagem dos buracos com a folha fechada.
4. Resultados e Discussão
Para comprovar a eficiência e eficácia do sistema de visão artificial no controle da infestação de pragas nas lavouras de soja, foram efetuados testes de detecção do percentual de comprometimento da folha de soja utilizando o sistema de visão artificial como ferramenta de auxílio, e foram elaborados testes com o engenheiro agrônomo sem auxílio do sistema.
O cálculo dos resultados obtidos neste estudo foi realizado pela aplicação do sistema de visão artificial na análise de 50 amostras de folhas de soja, no qual foram analisadas duas amostragens, uma com a utilização do fechamento manual, e outra sem a utilização do mesmo, seguido da análise de uma amostragem pelo engenheiro agrônomo, sem o uso do sistema de visão artificial. É importante ressaltar que cada amostragem utilizou as mesmas 50 folhas de soja.
Com os esses dados calculou-se a precisão média de cada uma dessas análises, no qual foi verificada uma precisão de 100% na análise com sistema de visão artificial utilizando o fechamento manual. Tomando esse resultado como base para a comparação dos resultados de precisão obtidos pelas análises utilizando o sistema de visão artificial, sem o fechamento manual, e a avaliação efetuada pelo engenheiro agrônomo, sem o auxílio do sistema de visão artificial, ou seja, os resultados de cada uma dessas análises foram comparados com valor de precisão absoluto, obtido pela análise utilizando o sistema de visão artificial com fechamento manual. Diante dessa comparação, a análise das amostras utilizando o sistema de visão artificial sem o fechamento manual obteve um percentual de erro médio equivalente a 13,78% e a análise das amostras efetuada pelo engenheiro agrônomo, sem o auxílio do sistema de visão artificial, obteve um percentual de erro médio de 64,56%.
Embasado nessas informações, podem-se mensurar os resultados alcançados
pela aplicação, levando em consideração o diagnóstico do engenheiro agrônomo como
demonstra a Tabela 1.
Tabela 1. Resultados Alcançados
