"Ciências Básicas para o Desenvolvimento Sustentável"
24 a 26 de outubro de 2023
Trabalho 18222
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Inteligência Artificial |
| Setor | Departamento de Biologia Geral |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Alexandre Lima Oliveira |
| Orientador | LEONARDO LOPES BHERING |
| Outros membros | Davi Mesquita de Macedo, Hernandes Peres Panichi, RAFAEL FERREIRA ALFENAS |
| Título | Inteligência computacional na estimação da porcentagem de doença na área foliar de Eucalyptus |
| Resumo | A fenotipagem de alto rendimento aliada a ferramentas de inteligência computacional permite acelerar o ganho genético, selecionando precocemente cultivares superiores. Neste trabalho foi desenvolvido dois métodos computacionais de fenotipagem para análise de imagens, utilizando modelos lineares generalizados (GLM) e redes neurais artificiais. O objetivo foi desenvolver metodologias que fossem capazes de mensurar a porcentagem de ataque da ferrugem (Austropuccinia psidii) na área foliar de eucalipto, comparar as avaliações computacionais entre si e compará-las com as avaliações realizadas por humanos. O laboratório de Biometria da UFV obteve 78 imagens foliares de cultivares de Eucalyptus spp. atacadas pela ferrugem, fornecidas pela empresa CLONAR. Foi desenvolvido scripts no software R versão 4.2.1 (R CORE TEAM, 2022), utilizando regressão logística e redes neurais artificiais. Para o ajuste dos modelos de regressão e de rede neural, foram criadas três classes de paletas de cores, sendo: representativa do fundo da imagem, representativa do tecido foliar saudável e representativa do tecido foliar doente. O algoritmo analisa os pixels da imagem, submete o valor da tonalidade no modelo de regressão e realiza a classificação, inferindo se é doença, folha ou fundo da imagem. Dessa forma, a área foliar doente é identificada e mensurada a porcentagem equivalente da área total. Já o modelo de redes neurais artificiais utiliza uma arquitetura de perceptron multicamadas, com 9 neurônios na primeira camada oculta e 5 na segunda. Na fase de treinamento a rede utilizou 70% das imagens para aprender a reconhecer os padrões da manifestação da doença e na fase de validação utilizou o restante dos dados e foi capaz de predizer a porcentagem de severidade presente nas folhas, apresentando uma taxa de acerto de 99,94% e um R^2 T% de 99,63%. Após a criação dos modelos, foi destinado a escala diagramática proposta por (JUNGHANS et al., 2003) para seis pessoas utilizarem para avaliar as 78 folhas, com valores de 0 a 100 para a intensidade da doença. Os avaliadores 1 a 4 não tinham conhecimento sobre a doença e cultura e os demais eram especialistas. Os dados obtidos foram destinados as análises estatísticas e constatou-se pelo teste f da ANOVA, a 5% de probabilidade, que ter conhecimento prévio sobre a doença e cultura não difere estatisticamente, portanto cada indivíduo apresenta a própria calibração. Utilizando o método UPGMA, da análise multivariada, os avaliadores 2 e 3 foram agrupados em conjunto com os especialistas de acordo com a similaridade das análises e os modelos computacionais tiveram correlação de Pearson significativa estatisticamente a 5% pelo teste T (r=0,83). Diante disso, foi evidenciado que as avaliações pessoais extrapolam os dados reais, comprovando a subjetividade, e as avaliações computacionais são semelhantes entre si e com maior acurácia, sendo ferramentas de grande potencial no melhoramento genético. |
| Palavras-chave | Inteligência computacional, redes neurais, fenotipagem |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|