Segmentação de instâncias com aplicações em agricultura de café

Abstract

No Brasil, a agricultura tem papel muito importante na economia e no dia a dia das pessoas. A detecção e prevenção de pestes e doenças de forma automatizada pode aumentar a eficiência e a qualidade dos produtos produzidos no país e no mundo. Para tal, são necessários esforços conjuntos de especialistas e desenvolvedores de software. Atualmente, a área que se destaca no estudo desses métodos é a de aprendizado profundo, por esse motivo este trabalho busca analisar o modelo Yolact++ em diferentes bases de dados e discutir sobre seu potencial e suas limitações. O estudo foi feito sobre três bases de dados: RoCoLe, Bracol e Bracot, que são compostas por imagens de folhas de plantas de café afetadas por doenças comuns a esse tipo de plantação. Por fim, também é proposto um pipeline que consiste na junção do treinamento nas bases Bracol e Bracot para identificar doenças em um contexto mais próximo ao real. O trabalho foi realizado em cima da tarefa de segmentação de instâncias e a métrica utilizada para avaliar cada etapa de treinamento foi a de mean average precision (mAP). Diante disso os resultados provenientes do treinamento do modelo Yolact++ foram satistatórios, sendo que para a base RoCoLe foi obtido um mAP de 44.76 para segmentação e 43.12 para bounding box, para a base Bracot o mAP obtido para segmentação foi de 54.0 e para bounding box foi de 62.2 e para a base Bracol os resultados foram de 49.7 e 50.5 para segmentação e bounding box respectivamente. Todos os resultados obtidos foram comparados ao artigo base utilizado para referência escrito por Tassis, Tozzi e Krohling e ponderações sobre possíveis melhorias foram realizadas para cada base de dados. O pipeline proposto também gerou bons resultados qualitativos, mas devido a limitação ao acesso à engenheiros agrônomos e profissionais especializados na agricultura de café, não foi possível avaliar métricas precisas do último passo.