Intelligent Pest Management Framework

Abstract

A deteção de pragas tem vindo a ganhar cada vez mais destaque. Com o crescimento da população mundial e o aumento da procura por alimentos, a eficiência agrícola é cada vez mais relevante. As pragas afetam significativamente os rendimentos das colheitas, tornando a sua deteção precoce essencial para otimizar as produções. Os métodos tradicionais de deteção de pragas são conduzidos por humanos, tornando-os propensos a erros. Já as técnicas inteligentes têm mostrado resultados superiores. Ainda assim, as técnicas modernas dependem predominantemente de armadilhas e das suas posições nas plantações, deixando espaço para melhorias. Nesta dissertação, é proposto um novo método para detetar moscas brancas no seu habitat natural usando modelos de deteção de objetos. Este método permitirá construir uma ferramenta essencial para os agricultores, na qual podem confiar e usar para decidir quando agir perante a presença desta praga. Devido à falta de dados para treinar modelos capazes de realizar tais tarefas, esta dissertação apresenta um novo e diferenciado conjunto de dados composto por imagens capturadas num ambiente de estufa ideal, durante as fases finais da cultura de tomate, no auge da infestação de mosca branca. Construir estes modelos envolve a utilização de técnicas avançadas de aprendizagem computacional para melhorar a eficiência do treino. O uso de técnicas de aprendizagem ativa, desenhadas para escolher os dados de treino mais relevantes, demonstrou que os modelos não precisam da totalidade dos dados disponíveis para alcançar o seu melhor desempenho. Uma vez que com a utilização desta técnica os modelos usaram 10% menos dados em comparação com outros treinados usando dados selecionados aleatoriamente.Em situações de escassez de dados, é ainda mais importante fornecer aos modelos informação de melhor qualidade possível. Este estudo também examinou a importância da qualidade dos dados, que está regularmente relacionada com a qualidade de anotação. Ao treinar um modelo usando dados de qualidade de anotação inferior e depois usar as suas previsões para produzir melhores anotações, não foram necessários recursos mAP em 1.1 pontos. Perante a escassez de dados, as técnicas de transferência de conhecimento oferecem uma vantagem significativa aos novos modelos ao usar o conhecimento de modelos pré-treinados. Nesta dissertação também foram explorados os benefícios destas técnicas. Os resultados sugerem que a sua utilização pode melhorar significativamente o processo de treino, aumentando a performance mAP em média 24% e reduzindo o tempo de treino em 10%.

Pest detection has become increasingly critical. As the global population grows and the demand for food rises, farming efficiency is a top priority for researchers in the field. Pests significantly affect crop yields, making their early detection crucial for optimising agricultural production. Traditional human/driven pest detection methods are error prone and modern intelligent techniques have shown superior results. However, these modern techniques are predominantly dependent on traps and their locations within plantations, indicating room for further refinement. In this dissertation, a novel method is proposed for detecting whiteflies in their natural habitat, using object detection models. Such a method will enable the construction of a reliable tool for farmers, where they can trust and make their judgements on when to act regarding the presence of this pest. Recognising the data deficiency in training models for such tasks, this dissertation presents a unique dataset. This dataset comprises images taken in an ideal greenhouse environment during the final stages of tomato plant cultivation when the whitefly infestation was at its peak. Building these models involves using advanced machine learning techniques to enhance training efficiency. The application of Active Learning (AL), designed to choose the most relevant training data, demonstrated that the models do not need the entirety of the available data to achieve their best performance. The results show that the models trained with AL used 10% less data compared to those trained with randomly selected data. In situations with limited data, providing models with the best quality data becomes critical. This study also examined the importance of data quality, which is closely related to annotation quality, on the performance of object detection models. By training a model using data of lesser annotation quality and then using it to produce better annotations, additional manpower was not necessary. The outcomes indicate that using improved annotations can increase the Mean Average Precision (mAP) score by 1.1 points. When faced with a scarcity of data for training, Transfer Learning (TL), viewed as a non meta-learning Few-Shot Learning (FSL) technique, offers a significant advantage to new models by using knowledge from pre-trained models. This research also explored the benefits of TL. The results suggest that making use of it can significantly improve the training process, increasing the mAP performance by an average of 24% and reducing the training time by 10%.