Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 20943
| Instituição | Universidade Federal de Viçosa |
|---|---|
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Sociais: ODS2 |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Daniel Imai Yamakawa |
| Orientador | PEDRO HENRIQUE APARECIDO DAMASO DE MELO |
| Outros membros | PEDRO MOISES DE SOUSA |
| Título | Classification of Coffee Biotic Stresses Using Convolutional Neural Networks and Enhanced Image Preprocessing Techniques |
| Resumo | O café é uma das bebidas mais consumidas do mundo, com o Brasil se destacando como maior exportador em 2020/2021. No entanto, diversos estresses bióticos como cercospora, phoma, ferrugem e bicho-mineiro afetam negativamente a produção, causando danos às folhas e prejuízos aos produtores. A classificação desses estresses ainda é feita presencialmente, dependendo de especialistas e sujeita a erros humanos. Este trabalho tem como objetivo desenvolver e estudar abordagens utilizando Redes Neurais Convolucionais (CNNs) e técnicas de processamento de imagens para classificar automaticamente esses estresses bióticos, facilitando o trabalho e diminuindo o prejuizo dos produtores e realizando uma comparação entre os diferentes filtros de imagens. Foi utilizado o banco público JMunBEN e JMunBEN2, contendo 58.555 imagens de folhas de café arábica em cinco classes (folhas saudáveis, cercospora, phoma, ferrugem e bicho-mineiro), divididas em 60% para treinamento, 20% para teste e 20% para validação. O pré-processamento incluiu técnicas como cropping, data augmentation, Gaussian, Clahe, Wavelet e Graythresh. Para a classificação, foram testados os modelos ResNet50, MobileNetV2 e AlexNet. Os experimentos ocorreram com 100 épocas, otimizador Adam e função de perda CrossEntropyLoss. As imagens foram classificadas em cinco categorias e avaliadas pelas métricas de acurácia, precisão e recall. O melhor desempenho foi obtido com o filtro Gaussian, apresentando os maiores índices médios de acurácia (98,09%) e menor valor de loss. A rede AlexNet obteve o melhor resultado individual com 98,25% de acurácia usando o filtro Gaussian. O filtro Wavelet apresentou os piores resultados, principalmente na rede AlexNet. Comparado a trabalhos anteriores, os modelos propostos mostraram desempenho superior em todas as métricas, com destaque para os filtros Gaussian e Clahe. Conclui-se que os filtros aplicados são eficientes na tarefa de classificar os estresses bióticos do café, sendo superiores a trabalhos anteriores. Para trabalhos futuros, é sugerido testar novas redes neurais, diferentes condições e filtros, além de permitir a classificação de múltiplos estresses em uma mesma folha. |
| Palavras-chave | Redes Neurais Convolucionais, Agricultura, Café arabica |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Vídeo |
|---|