Impactos da remoção do fundo na classificação de patologias vegetais por Redes Neurais Convolucionais

Abstract

Este trabalho tem como foco a melhoria de um classificador de patologias vegetais, visando sua aplicação prática em ambientes reais, como o campo. O classificador tem como objetivo identificar a espécie de planta e, caso esteja contaminada, diagnosticar qual é a doença presente. O principal objetivo deste trabalho é investigar o impacto da remoção do fundo das imagens na acurácia de um classificador de doenças vegetais desenvolvido com redes neurais convolucionais. Para atingir esse objetivo, foi elaborado um algoritmo que faz uso da rede neural U2-net, projetada para realizar a segmentação eficiente das imagens, removendo o fundo e destacando o objeto de interesse, neste caso a folha. Além de replicar e comparar o trabalho de referência com os modelos treinados neste estudo, foram criados novos conjuntos de dados com imagens reais para testar os modelos. Os testes realizados com o banco de dados composto por imagens reais demonstraram que a abordagem de retirada de fundo teve um melhor resultado em comparação ao modelo de referência, utilizando os mesmos parâmetros. Com a remoção do fundo, obtivemos uma acurácia de 47,02% para o problema com todas as 34 classes (contra 21,05% alcançada pelo modelo de referência), chegando a 60,34% em uma base com um menor número de classes.