Dissertação
Redes neurais convolucionais e ampliação de dados para detecção de antracnose em folhas de feijoeiro
Registro en:
BESSA OLIVEIRA, George Wilber. Redes neurais convolucionais e ampliação de dados para detecção de antracnose em folhas de feijoeiro. 2021. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa, Ponta Grossa, 2021.
Autor
Bessa Oliveira, George Wilber de
Institución
Resumen
Deep learning models, especially Convolutional Neural Networks, are currently the
protagonists of significant advances in computer vision tasks. The availability of
robust computers, with great processing capacity, made it possible to expand the
fields of work in this area and neural networks further increased the possibilities.
However, deep learning models commonly require large databases to learn relevant
characteristics of the images, and building plant disease databases requires the
commitment of a considerable workforce and access to a vast collection of
information. images, in addition to reasonable capture conditions. Data augmentation
methods serve the purpose of increasing the number of items in a database through
modifications to existing images and, sometimes, the generation of new images
based on the characteristics observed in part of the set. This study undertook the
collection of a set of images of bean leaflets for the elaboration of databases and the
subsequent conduction of tests with different neural network architectures and
configurations of data augmentation techniques for the purpose to evaluate the
influence of such techniques in the simulation of images collected under different
conditions, as well as their influence on the performance measures of accuracy,
sensitivity, specificity and overfitting in order to distinguish images of parts of healthy
leaflets from those containing structures affected by anthracnose fungal disease at
different stages. The results show that the data expansion techniques allow the
simulation of different conditions of image acquisition, and the classification models
based on convolutional neural networks achieved results varying between 60 and
90% accuracy in the different experimental configurations. The bibliography
consulted in conjunction with the results presented, gives rise to the suggestion of
new works on the same theme, considering the expansion of the database and the
use of other techniques for data augmentation and neural network architectures. Modelos de aprendizagem profunda, em especial as Redes Neurais Convolucionais,
são atualmente protagonistas de expressivos avanços nas tarefas de visão
computacional. A disponibilidade de computadores robustos, dotados de grande
capacidade de processamento, possibilitou a ampliação dos campos de trabalho
nessa área e as redes neurais aumentaram ainda mais as possibilidades.
Entretanto, os modelos de aprendizagem profunda comumente necessitam de
grandes bases de dados para o aprendizado de características relevantes das
imagens e a elaboração de bases de dados de doenças de plantas requer o
empenho de uma considerável força de trabalho e o acesso a uma vasta coleção de
imagens, além de razoáveis condições de captura. Os métodos de ampliação de
dados servem ao propósito de aumentar o número de itens de uma base de dados
através de modificações nas imagens existentes e, por vezes, a geração de novas
imagens com base nas características observadas em parte do conjunto. Este
estudo empreendeu a coleta de um conjunto de imagens de folíolos de feijoeiro para
a elaboração de bases de dados e a posterior condução de testes com diferentes
arquiteturas de redes neurais e configurações de técnicas de ampliação de dados
com o propósito de avaliar a influência de tais técnicas na simulação de imagens
coletadas em condições distintas, bem como sua influência nas medidas de
desempenho de acurácia, sensibilidade, especificidade e sobreajuste no intuito de
distinguir imagens de partes de folíolos saudáveis daquelas contendo partes
afetadas pela doença fúngica antracnose em diferentes estágios. Os resultados
mostram que as técnicas de ampliação de dados possibilitam a simulação de
diferentes condições de aquisição das imagens, e os modelos de classificação
baseados em redes neurais convolucionais alcançaram resultados variando entre 60
e 90% de acurácia nas diferentes configurações experimentais. A bibliografia
consultada, em conjunto com os resultados apresentados, dá margem à sugestão de
novos trabalhos na mesma temática, considerando o incremento do número de
imagens no conjunto e o uso de outras técnicas de ampliação de dados e
arquiteturas de redes neurais. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior