Utilização de redes neurais artificiais aplicadas na discriminação de padrões de doenças florestais

Abstract

The forest sector has great importance for the Brazilian economy, whose, is raw materials supplier for reforestation of degraded areas as well as for industries like pulp and paper, coal, furniture, among others. However to achieve good results is necessary to use healthy forest seedlings. Bacterial stain of the eucalyptus and the stain caused by Cylindrocladium are two common diseases in nurseries and although the etiologic agents are different, their symptoms are similar, and may cause doubts in a diagnosis moment. The aim of this study was to develop an artificial neural network (ANN) to classify the two cited diseases using digital images. Images of both diseases were processed using a threshold technique to remove the image background, and their histograms were used to training a multilayer perceptron ANN with backpropagation algorithm. Ten essays with five different topologies ( 34, 128, 248, 368 and 511 neurons in the hidden layer) were carried out. All topologies reached on average 95% of correct classifications. The topology with 256 neurons in hidden layer was considered the most suitable one for this project

O setor florestal tem uma grande importância para a economia brasileira, sendo este, fornecedor de matéria-prima para uso em reflorestamento de áreas degradadas assim como para indústrias como de papel e celulose, carvão, moveleira, entre outras. No entanto para obtenção de bons resultados é necessária a utilização de mudas florestais sadias e livres de doenças. A mancha bacteriana do eucalipto e a mancha causada por Cylindrocladium são duas doenças muito comuns em viveiros e, embora os agentes etiológicos sejam diferentes, seus sintomas são bem parecidos, podendo causar dúvidas em um momento de diagnose. O objetivo do presente trabalho foi desenvolver uma rede neural artificial (RNA) que seja capaz de classificar as duas doenças citadas utilizando imagens digitais. Imagens de ambas doenças foram processadas, utilizando a técnica de limiarização a fim de remover o fundo da imagem, e utilizados seus histogramas para treinamento de uma RNA do tipo perceptron multicamadas com algoritmo backpropagation. Foram realizados dez ensaios com cinco topologias diferentes, sendo elas com 34, 128, 248, 368 e 511 neurônios na camada intermediária. Todas as topologias atingiram em média 95% de acertos, sendo considerada a mais adequada aquela que possuía 256 neurônios.