IMPLEMENTAÇÃO DE UM SISTEMA DE CLASSIFICAÇÃO DE AFÍDEOS UTILIZANDO TÉCNICAS DE APRENDIZADO DE MÁQUINA
Bruno Bearsi da Paixão | bruno.bearsi@gmail.com - (54) 99186-8636
João Mário Lopes Brezolin | joao.brezolin@passofundo.ifsul.edu.br [ORIENTADOR]
Campus: Passo Fundo
Nível: Ensino Superior
Área: Ciências Exatas e da Terra
Resumo
As culturas de inverno são afetadas por insetos que se alimentam da sua seiva ocasionando danos. Atualmente o monitoramento dessas populações ocorre a partir da contagem manual de espécies capturadas em armadilhas. É importante para a produção agrícola ter controle da população desses insetos, porém o trabalho de classificação do seu estágio de vida (ninfa, aptero ou alado) e contagem desses insetos ,além de trabalhoso e demorado, está suscetível a erro humano. Para auxiliar o processo de contagem de insetos optou-se pela implementação de um sistema que realiza a classificação de insetos a partir do uso de redes neurais. Foram avaliadas duas abordagens: classificação de insetos a partir da avaliação de suas características em uma rede neural feedforward e em redes neurais convolucionais. A segunda abordagem mostrou-se mais adequada para o desenvolvimento de uma solução para o problema e com potencial de escalonamento. O modelo de rede neural foi desenvolvido utilizando o framework Keras/Tensor Flow. Para realizar o processamento das imagens capturadas utilizou-se a biblioteca gráfica OpenCV. Muitas das imagens que seriam usadas para o treinamento da rede estavam inadequadas, elas apresentavam sobreposição de objetos e elementos que não pertencem ao ao escopo de insetos que desejava-se classificar. Dessa forma, foi necessário realizar o tratamento desse conjunto de imagens (dataset). O sistema foi validado utilizando imagens reais de insetos capturados nas lavouras. Observou-se que o sistema atingiu uma acurácia de 93% mostrando-se como uma opção viável para auxiliar na contagem de espécies. O presente artigo descreve o sistema implementado e detalha os resultados obtidos a partir desse estudo.
Palavras-chave
Aprendizado de Máquina; Redes Neurais Convolucionais; Visão Computacional
