WILLIAM HITOSHI SUMIDA

DETECÇÃO DA FERRUGEM ASIÁTICA DA SOJA PORMEIO DE IMAGENS CAPTURADAS POR DRONES

LONDRINA–PR

2018

WILLIAM HITOSHI SUMIDA

DETECÇÃO DA FERRUGEM ASIÁTICA DA SOJA PORMEIO DE IMAGENS CAPTURADAS POR DRONES

Trabalho de Conclusão de Curso apresentadoao curso de Bacharelado em Ciência da Com-putação da Universidade Estadual de Lon-drina para obtenção do título de Bacharel emCiência da Computação.

Orientador: Prof. Dr. Alan Salvany FelintoCoorientador: Msc. André Luis da Silva

LONDRINA–PR

2018

William Hitoshi SumidaDetecção da ferrugem asiática da soja por meio de imagens capturadas por

drones/ William Hitoshi Sumida. – Londrina–PR, 2018-43 p. : il. (algumas color.) ; 30 cm.

Orientador: Prof. Dr. Alan Salvany Felinto

– Universidade Estadual de Londrina, 2018.

1. Palavra-chave1. 2. Palavra-chave2. I. Orientador. II. Universidade xxx. III.Faculdade de xxx. IV. Título

CDU 02:141:005.7

WILLIAM HITOSHI SUMIDA

DETECÇÃO DA FERRUGEM ASIÁTICA DA SOJA PORMEIO DE IMAGENS CAPTURADAS POR DRONES

Trabalho de Conclusão de Curso apresentadoao curso de Bacharelado em Ciência da Com-putação da Universidade Estadual de Lon-drina para obtenção do título de Bacharel emCiência da Computação.

BANCA EXAMINADORA

Prof. Dr. Alan Salvany FelintoUniversidade Estadual de Londrina

Orientador

Prof. Dr. Segundo Membro da BancaUniversidade/Instituição do Segundo

Membro da Banca

Prof. Dr. Terceiro Membro da BancaUniversidade/Instituição do Terceiro

Membro da Banca

Prof. Ms. Quarto Membro da BancaUniversidade/Instituição do Quarto

Membro da Banca

Londrina–PR, 24 de novembro de 2018

Este trabalho é dedicado às crianças adultas que,quando pequenas, sonharam em se tornar cientistas.

AGRADECIMENTOS

Os agradecimentos principais são direcionados à Gerald Weber, Miguel Frasson,Leslie H. Watter, Bruno Parente Lima, Flávio de Vasconcellos Corrêa, Otavio Real Sal-vador, Renato Machnievscz1 e todos aqueles que contribuíram para que a produção detrabalhos acadêmicos conforme as normas ABNT com LATEX fosse possível.

Agradecimentos especiais são direcionados ao Centro de Pesquisa em Arquiteturada Informação2 da Universidade de Brasília (CPAI), ao grupo de usuários latex-br3 e aosnovos voluntários do grupo abnTEX2 4 que contribuíram e que ainda contribuirão para aevolução do abnTEX2.

1 Os nomes dos integrantes do primeiro projeto abnTEX foram extraídos de <http://codigolivre.org.br/projects/abntex/>

2 <http://www.cpai.unb.br/>3 <http://groups.google.com/group/latex-br>4 <http://groups.google.com/group/abntex2> e <http://abntex2.googlecode.com/>

“Não vos amoldeis às estruturas deste mundo,mas transformai-vos pela renovação da mente,a fim de distinguir qual é a vontade de Deus:

o que é bom, o que Lhe é agradável, o que é perfeito.(Bíblia Sagrada, Romanos 12, 2)

SUMIDA, W. H.. Detecção da ferrugem asiática da soja por meio de imagenscapturadas por drones. 43 p. Trabalho de Conclusão de Curso (Bacharelado em Ciênciada Computação) – Universidade Estadual de Londrina, Londrina–PR, 2018.

RESUMO

Atualmente existem muitos problemas econômicos na cultura da soja causados por do-enças. Já foram relatados danos na produtividade de 30% a 80% causados pela ferrugemasiática, um fungo o qual ataca a soja. Além do estrago na produtividade, há o danoeconômico em função do desperdício de produtos fitossanitários, pois sem as informaçõescorretas o produtor aplica o fungicida de forma imprecisa e em uma frequência desnecessá-ria. A avaliação da severidade da ferrugem asiática é um trabalho manual e lento para tercomo resultado a porcentagem de área foliar afetada pelo fungo Phakopsora phachyhizi.Este trabalho de conclusão de curso tem como objetivo encontrar métodos computacio-nais precisos para a assimilação da severidade da ferrugem asiática a partir de imagenscapturadas por veículos aéreos não tripulados.

Palavras-chave: Produtividade. Produtos Fitossanitários. Severidade. Análise de Ima-gens

SUMIDA, W. H.. Detection of soybean Asian rust by means of images captu-red by drones. 43 p. Final Project (Bachelor of Science in Computer Science) – StateUniversity of Londrina, Londrina–PR, 2018.

ABSTRACT

Nowadays there are many problems in the soy culture caused by diseases. There werereported damage in the productivity from 30% to 80% caused by the Asian soybean rust.There are not only productivity problems caused by the soybean rust, there are economicdamage based on waste of phytosanitary products caused by lack of information. Thesoybean rust evaluation is a manual and laborous task to have as a result, the percentageof foliar area affected by a fungus called Phakopsora phachyhizi. This paperwork has as anobjective, research the most precise computational methods to correlate the asian soybeanrust with technical features of images taken from unmanned aerial vehicles.

Keywords: Yield. Phytosanitary Products. Severity. Image Analysis.

LISTA DE ILUSTRAÇÕES

Figura 1 – Ensaio de ferrugem asiática na fazenda escola UEL. . . . . . . . . . . . 29

LISTA DE TABELAS

Tabela 1 – Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

LISTA DE ABREVIATURAS E SIGLAS

SUMÁRIO

1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . 231.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2 FUNDAMENTAÇÃO TEÓRICA . . . . . . . . . . . . . . . . . 252.1 Cultura da Soja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252.2 Ferrugem Asiática da Soja . . . . . . . . . . . . . . . . . . . . . . 252.3 Fitopatometria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252.3.1 Escala diagramática . . . . . . . . . . . . . . . . . . . . . . . . . . 262.3.2 Radiômetro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262.4 Análise de Imagem . . . . . . . . . . . . . . . . . . . . . . . . . . . 262.4.1 Pré-Processamento de imagem . . . . . . . . . . . . . . . . . . . 262.4.2 Descritores da imagem . . . . . . . . . . . . . . . . . . . . . . . . 262.4.3 SVM - Support Vector Machine . . . . . . . . . . . . . . . . . . 262.4.4 Outros métodos de classificação . . . . . . . . . . . . . . . . . . . 262.4.5 Weka 3: Data Mining Software in Java . . . . . . . . . . . . . . 27

3 MATERIAIS E MÉTODOS . . . . . . . . . . . . . . . . . . . . 293.1 Aquisição dos dados e imagens . . . . . . . . . . . . . . . . . . . 293.2 Descritores das imagens . . . . . . . . . . . . . . . . . . . . . . . . 29

4 CORRELAÇÃO DOS DADOS E RESULTADOS . . . . . . . . 31

5 CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

APÊNDICES 37

APÊNDICE A – QUISQUE LIBERO JUSTO . . . . . . . . . 39

ANEXOS 41

ANEXO A – MORBI ULTRICES RUTRUM LOREM. . . . 43

23

1 INTRODUÇÃO

Atualmente o Brasil é o maior produtor de soja do mundo, contando com 30,61%da participação mundial. Na safra 2015/2016 foram colhidos 95,631 milhões de toneladasdo grão[1].

Apesar do número impressionar, a produtividade da soja pode aumentar com umamelhor aplicação de fungicidas nas plantações. Isso pode ser obtido com uma análiserápida da lavoura e ter um resultado preciso para a aplicação de doses sob medida nosfocos de ferrugem.

No ramo de fitopatologia (estudo das doenças das plantas) é muito comum seremrealizadas análises de campo para ter como resultado a severidade da ferrugem asiática,um fungo chamado Phakopsora phachyhizi, o qual ataca a soja.

O processo de análise consiste em recolher amostras de trifólios da soja em váriospontos da plantação e estimar uma porcentagem da área afetada da folha. No fim éobtido um valor por meio de cálculos estatísticos que varia entre 0 e 100. A análisetambém pode ser realizada por meio de um radiômetro, o qual emite radiação ativa emdois comprimentos de onda, vermelho (660 nm) e infravermelho (780 nm). O equipamentorealiza alguns cálculos e retorna o índice de vegetação por diferença normalizada (NDVI).

Tais métodos de análise são eficientes, pois é possível obter um resultado precisoda severidade da ferrugem asiática. Porém ambos são processos demorados, cansativos emuitas vezes caros, pois para acelerar o processo muitas vezes são contratadas equipes de3 ou mais pessoas para realizar o serviço. Um outro ponto negativo também é o preço deum radiômetro, muitas vezes podendo custar até R$ 40.000,00.

Diante disso, este trabalho de conclusão de curso tem como objetivo estudar eapresentar os melhores algoritmos para assimilar os dados da severidade da soja obtidosno campo por meio da escala diagramática e radiômetro com características das imagensRGB capturadas por veículos aéreos não tripulados.

1.1 Objetivos

O objetivo deste trabalho é o estudo de algoritmos para correlacionar a severidadeda soja a partir de imagens RGB obtidas por veículos aéreos não tripulados com dadosde campo coletados por meio da escala diagramática.

25

2 FUNDAMENTAÇÃO TEÓRICA

2.1 Cultura da Soja

A soja (Glycine max) atualmente é a principal oleaginosa produzida e consumidaa nível mundial. Na safra de 2016/2017 sua produção mundial foi de 351,311 milhões detoneladas. O Brasil é o segundo maior produtor do mundo, ficando atrás apenas do EstadosUnidos, contando com 32,4% da produção mundial (113,923 milhões de toneladas).

Apesar dos números impressionarem, o cultivo da soja possui obstáculos que atra-palham a produtividade da cultura. O obstáculo abordado neste trabalho será uma dasdoenças conhecida como ferrugem asiática da soja.

2.2 Ferrugem Asiática da Soja

A ferrugem asiática da soja é uma das doenças mais severas que incide na culturada soja, ocorre no país inteiro durante o ano todo, pode causar perdas de produtividadede até 90%. Causada pelo fungo Phakopsora pachyrhizi, foi relatada pela primeira vez noBrasil em 2001.

O controle do fungo é de grande importância econômica levando em conta asperdas de produtividade causadas pela ferrugem. Na safra de 2003/2004 foram perdidos4,6 milhões de toneladas de soja (US$ 1,22 bilhões), com custo de controle de US$ 2,08bilhões. Durante os anos, notou-se uma melhora nas práticas de controle, na safra de2011/2012, as perdas foram de 365,5 mil toneladas (US$ 191.6 milhões), com custo decontrole de US$1,73 bilhões.

Em um período de 8 anos a perda de produtividade no Brasil foi otimizada em92,05% com um gasto de 16,82% a menos em controle. Apesar dos métodos de teremmelhorado significativamente, a produtividade e custo com fungicidas podem ser aperfei-çoadas com uma aplicação mais eficiente de produto nas plantações. Isso pode ser obtidocom uma análise rápida da lavoura e ter um resultado preciso para a aplicação de dosessob medida nos focos de ferrugem.

2.3 Fitopatometria

O estudo da quantificação de doenças de plantas é chamado de fitopatometria etem como objetivo identificar as reações que a planta expressa visivelmente ao ser atacadapor um patógeno.

26

2.3.1 Escala diagramática

A escala diagramática [2] é uma forma de avaliar a severidade do fungo Phakopsoraphachyhizi. O processo é realizado manualmente, no qual o agrônomo recolhe um trifólioda soja e visualmente verifica a porcentagem de área afetada pelo fungo nas folhas.

2.3.2 Radiômetro

O radiômetro é um aparelho que também avalia a severidade do Phakopsora pha-chyhizi. O mesmo emite uma radiação ativa em dois comprimentos de onda, vermelho (660nm) e infravermelho (780 nm) e coleta a refletância das folhas independente das condiçõesde luminosidade, gerando o índice de vegetação por diferença normalizada (NDVI) [3].

NDV I = (Infravermelho−V ermelho)(Infravermelho+V ermelho)

2.4 Análise de Imagem

2.4.1 Pré-Processamento de imagem

Antes de coletar os dados da imagem, será realizado um pré-processamento damesma para remover ruídos, redefinir brilho, realçar o constraste e selecionar as parcelasdo campo as quais serão utilizadas para análise.

2.4.2 Descritores da imagem

Com a imagem ideal para a coleta de dados, serão extraídos dela descritores doscanais RGB e desvio padrão dos canais RGB. Os descritores da imagem são característicasde cada pixel as quais podem classificá-lo.

2.4.3 SVM - Support Vector Machine

A Máquina de Vetores de Suporte (SVM - Support Vector Machine) [4] é umatécnica de regressão na mineração de dados a qual utiliza machine learning. É um algo-ritmo de análise de dados para escavar grandes volumes de dados e encontrar padrões quepoderiam, por outros métodos, permanecer desconhecidos.

O SVM foi escolhido para este projeto, pois apresenta robustez e precisão mesmocom poucos exemplos e em uma base de dados com alta dimensão (Quantidade elevadade variáveis/atributos). Será utilizado neste software para mapear os diferentes dadoscoletados.

2.4.4 Outros métodos de classificação

Outros métodos de classificação que possuem uma precisão interessante (que po-tencialmente podem possuir uma chance de erro menor que 5%) são métodos como árvores

27

de decisão e k-nearest neighbors.

2.4.5 Weka 3: Data Mining Software in Java

Weka [5] é um conjunto de algoritmos de machine learning para data mining.Os algoritmos podem ser aplicados diretamente em um conjunto de dados ou utilizadosdiretamente no código Java. O Weka possui ferramentas para pré-processamento de dados,classificação, regressão, clustering, regras de associação e visualização.

No caso deste trabalho, utilizaremos este software para testar quais são os algorit-mos mais eficazes para assimilar a severidade da ferrugem asiática com os descritores daimagem.

29

3 MATERIAIS E MÉTODOS

3.1 Aquisição dos dados e imagens

As imagens foram obtidas a partir de um ensaio de ferrugem asiática da sojana fazenda escola da Universidade Estadual de Londrina. O ensaio estava no estádiofenológico R5, o qual possuía 19 tratamentos e 4 repetições, totalizando 76 amostras.

A coleta das imagens foi realizada por meio do Phantom 4 PRO, um veículo aéreonão tripulado com sua câmera padrão de fábrica.

Figura 1 – Ensaio de ferrugem asiática na fazenda escola UEL.

Neste ensaio foi observado a porcentagem de ferrugem asiática da soja presenteem cada parcela por meio da escala diagramática [2], no qual foram obtidas porcentagensde severidade entre 40% e 100%.

3.2 Descritores das imagens

Para a extração dos dados, foi utilizado o OpenCV, uma biblioteca open sourcepara visão computacional e a linguagem Python na versão 3.6 para o processamento dasimagens e implementação do software.

Utilizamos como descritores das imagens a média dos canais RGB e HSV de cadaparcela, imagem na escala de cinza, |R-B|, |B-G|, |G-R|, NGRDI e GLI.

Os descritores NGRDI e GLI são modelos matemáticos desenvolvidos para diag-nosticar a cobertura vegetal de uma área, assim como o NDVI [3], porém utilizam apenasos canais RGB em suas respectivas fórmulas.

NGRDI = (V erde−V ermelho)(V erde+V ermelho) GLI = (2∗V erde−V ermelho−Azul)

(2∗V erde+V ermelho+Azul)

31

4 CORRELAÇÃO DOS DADOS E RESULTADOS

Para correlacionar os descritores obtidos com os valores de severidade da ferrugemasiática da soja, foi utilizado o software Weka. Com todos os descritores salvos em umarquivo com extensão .arff, a tarefa de executar os algoritmos de regressão foi simplificadaem apenas selecionar os algoritmos a serem comparados e em seguida configurá-los.

Dentre os algoritmos testados, selecionamos 4 deles que tiveram as melhores por-centagens de correlação. São eles o Support Vector Regression [4], Linear Regression,Simple Linear Regression e Random Forest. Com um espaço amostral formado por 74parcelas, sendo 80% (59 amostras) utlizadas para o treinamento dos algoritmos e 20% (15amostras) para teste, obtivemos os seguintes resultados.

Tabela 1 – ResultadosCoeficiente de correlação(%) Média do erro absoluto

Linear Regression 86,89 9,6951Simple Linear Regression 85,16 10,1547

Support Vector Regression 83,35 8,9221Random Forest 78,45 11,0639

33

5 CONCLUSÃO

Neste trabalho, foram utilizados algoritmos de aprendizado de máquina para corre-lacionar as características de imagens RGB aéreas com a severidade da ferrugem asiáticada soja. Até o momento observou-se que os algoritmos de regressão linear e SVR [4],tiveram a melhor performance, com um coeficiente de correlação entre 83,3% e 86,9%.

Para trabalhos futuros, buscaremos obter uma melhor correlação para que a análisede imagens aéreas RGB para a ferrugem asiática da soja se torne viável. Com isto emmente, iremos explorar mais descritores que representem a cobertura vegetal da áreaexperimental e aumentar o número de amostras usando outros ensaios de ferrugem.

35

REFERÊNCIAS

[1] CONAB. 2015. Disponível em: <https://www.embrapa.br/soja/cultivos/soja1/dados-economicos>.

[2] CANTERI CLAUDIA VIEIRA GODOY, L. K. M. G. Diagramatic scale forassessment of soybean rust severity. [S.l.: s.n.], 2006.

[3] CANTERI CLAUDIA VIEIRA GODOY, L. K. M. G. Relação entre medidas derefletância e área foliar sadia, severidade da ferrugem asiática e produtividade dacultura da soja. [S.l.: s.n.], 2007.

[4] BASAK SRIMANTA PAL, D. C. P. D. Support Vector Regression. 2007. Disponívelem: <http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.468.6802&rep=rep1&type=pdf>.

[5] FRANK, M. A. H. E.; WITTEN, I. H. The WEKA Workbench. 2016. Disponívelem: <http://www.cs.waikato.ac.nz/ml/weka/Witten_et_al_2016_appendix.pdf>.

Apêndices

39

APÊNDICE A – QUISQUE LIBERO JUSTO

Quisque facilisis auctor sapien. Pellentesque gravida hendrerit lectus. Mauris ru-trum sodales sapien. Fusce hendrerit sem vel lorem. Integer pellentesque massa vel au-gue. Integer elit tortor, feugiat quis, sagittis et, ornare non, lacus. Vestibulum posuerepellentesque eros. Quisque venenatis ipsum dictum nulla. Aliquam quis quam non metuseleifend interdum. Nam eget sapien ac mauris malesuada adipiscing. Etiam eleifend nequesed quam. Nulla facilisi. Proin a ligula. Sed id dui eu nibh egestas tincidunt. Suspendissearcu.

Anexos

43

ANEXO A – MORBI ULTRICES RUTRUM LOREM.

Sed mattis, erat sit amet gravida malesuada, elit augue egestas diam, tempusscelerisque nunc nisl vitae libero. Sed consequat feugiat massa. Nunc porta, eros in eleifendvarius, erat leo rutrum dui, non convallis lectus orci ut nibh. Sed lorem massa, nonummyquis, egestas id, condimentum at, nisl. Maecenas at nibh. Aliquam et augue at nuncpellentesque ullamcorper. Duis nisl nibh, laoreet suscipit, convallis ut, rutrum id, enim.Phasellus odio. Nulla nulla elit, molestie non, scelerisque at, vestibulum eu, nulla. Ut odionisl, facilisis id, mollis et, scelerisque nec, enim. Aenean sem leo, pellentesque sit amet,scelerisque sit amet, vehicula pellentesque, sapien.