DETECÇÃO AUTOMÁTICA DE DOENÇAS EM FRUTOS DO MAMÃO A PARTIR DA ANÁLISE DE IMAGENS POR MEIO DE REDES NEURAIS PROFUNDAS
Nome: JAIRO LUCAS DE MORAES
Data de publicação: 14/07/2023
Banca:
Nome |
Papel |
|---|---|
| ALBERTO FERREIRA DE SOUZA | Presidente |
| CLAUDINE SANTOS BADUE | Coorientador |
| ELIAS SILVA DE OLIVEIRA | Examinador Interno |
| FABIO LUIZ PARTELLI | Examinador Interno |
| FELIPE MAIA GALVÃO FRANÇA | Examinador Externo |
Páginas
Resumo: O cultivo do mamão desempenha um papel essencial na economia de vários países, sendo uma importante
fonte de renda e gerador de empregos, especialmente em nações em desenvolvimento. No setor da fruticultura, o mamão
possui uma relevância significativa, sendo cultivado em mais de 60 países, incluindo o Brasil, que se destaca como o
segundo maior produtor dessa fruta. No entanto, o mamão é um fruto delicado e climatérico, o que resulta em perdas
consideráveis após a colheita, chegando a atingir de 30% a 40% da produção total. Nesse sentido, a detecção precoce e
a correta classificação de doenças e danos nos frutos desempenham um papel crucial no controle de qualidade e na
redução dessas perdas na cadeia produtiva. Atualmente, o controle de qualidade do mamão é realizado de forma manual,
demandando um esforço exaustivo e repetitivo, além do conhecimento especializado que nem sempre está disponível
para agricultores em áreas remotas ou pequenas instalações de processamento de frutas. Além disso, a avaliação manual
está sujeita à subjetividade do avaliador, incluindo o nível de especialização e o estado psicológico, o que pode resultar
em interpretações imprecisas das doenças presentes nos frutos. Diante desse cenário, há uma necessidade urgente de
implementar sistemas autônomos ou semi-autônomos que auxiliem no controle de qualidade do mamão, incluindo a
detecção de doenças, a avaliação do grau de maturação e a identificação de danos físicos. Essas soluções tecnológicas
são altamente desejáveis para mitigar as perdas na indústria, oferecendo uma abordagem mais eficiente, precisa e
confiável para garantir a qualidade dos frutos e maximizar a produtividade na fruticultura do mamão. Nesta tese,
propomos uma solução abrangente que abarca desde a criação de um conjunto de dados inédito na literatura até o
desenvolvimento de um aplicativo móvel, passando pela implementação de novas estruturas de redes neurais
convolucionais (CNN) utilizando Convolutional Block Attention Module (CBAM) e frameworks de avaliação de novos
modelos de detectores. Nosso conjunto de dados conta com mais de 23.000 exemplos de 8 tipos de injurias que afetam
os frutos de mamão, além de exemplos de frutos saudáveis. O detector desenvolvido utiliza recursos de ponta e alcança
um novo estado-da-arte na detecção de doenças em frutos de mamão, com uma precisão média de 86%. Essa
performance é significativamente superior à de especialistas humanos, que obtiveram uma precisão média de 67%. Por fim, otimizamos a estrutura e os pesos do nosso detector para garantir um alto desempenho em inferência em dispositivos
móveis e criamos um aplicativo móvel robusto que pode ser executado em smartphones comuns e consegue detectar
doenças em frutos do mamão a uma taxa de até 8 frames por segundo, sem a necessidade de qualquer recurso extras.
