Um estudo comparativo de redes convolucionais profundas para detecção de insetos em imagens

Edição: XIV - 2021

ID: 1367

Participantes:

• [BOLSISTA] - Jéssica Regina Di Domênico | jessicadomenico.pf016@academico.ifsul.edu.br
• [ORIENTADOR] - Telmo De Cesaro Júnior | telmojunior@ifsul.edu.br

Número de Registro: 06200620/076

Campus: Passo Fundo

Nível: Ensino Superior

Área: Ciências Exatas e da Terra

Temática: Multidisciplinar

Resumo

O monitoramento de insetos-praga em culturas permite acompanhar a variação dos níveis de infestação e embasar programas de manejo integrado. No entanto, a tarefa manual de contagem e identificação de afídeos alados (Hemiptera: Aphididae) e vespinhas parasitoides (Hymenoptera: Aphelinidae e Braconidae, Aphidiinae), capturados em armadilhas do tipo Moericke em campo pela Embrapa Trigo é uma atividade exaustiva, demorada e não escalável. Recentes avanços tecnológicos em aprendizado profundo têm viabilizado o desenvolvimento de soluções eficientes para a detecção de objetos em imagens digitais na agricultura. Sendo assim, o objetivo desse projeto é criar e avaliar rotinas computacionais para automatizar a contagem e identificação de insetos em imagens digitais. Nesse sentido, foram analisados dois modelos inteligentes: o primeiro baseado na rede neural convolucional (CNN) de dois estágios Mask R-CNN oriundo do InsectCV e o segundo através da rede de um estágio DarkNet. Para o treinamento dos modelos foram utilizados dois conjuntos de imagens em tons de cinza: 209 imagens de 6156x6156 pixels com 26.747 insetos rotulados para o treinamento do primeiro modelo e 13.642 imagens de 608x608 pixels, com a mesma quantidade de insetos rotulados, para treinar o segundo modelo. Para avaliar o desempenho dos modelos foram utilizadas 580 imagens geradas pela digitalização de amostras retidas em armadilhas nos períodos de safra entre 2019 e 2020. Essas imagens podem conter centenas de insetos de interesse, bem como, detritos e outros insetos. Os resultados obtidos na etapa de validação evidenciaram que o modelo baseado em DarkNet necessitou de menor custo computacional e obteve maior precisão na detecção de insetos. Considerando limiares de até 50 afídeos por imagem, os dois modelos alcançaram precisão suficiente para auxiliar programas de manejo integrado.

Palavras-chave

afideo;yolo;detecção de objetos

Banner

Clique aqui para abrir o banner.

Vídeo/Pitch

Caso o vídeo não abra, clique aqui.