Agricultura inteligente, deteção inteligente de pragas em imagens

Abstract

No nosso dia-a-dia somos dependentes das plantas para nos alimentarmos, produzirmedicamentos, ou cosméticos. A quantidade e qualidade das plantas cultivadas é afetadapor pragas que restringem o crescimento de plantas e se propagam pelas plantaçõesagrícolas. A monitorização e controlo destas pragas são importantes para maximizar umaprodução agrícola de qualidade. Este controlo pode ser feito quimicamente, utilizandopesticidas, ou biologicamente, utilizando armadilhas para contabilizar a população dapraga e libertando insetos predadores para controlar essa população.O controlo de pragas, através da identificação de insetos presos em armadilhas, dependeda correta identificação da espécie dos insetos. A precisão com que se deteta e classifica otipo de inseto, ou seja o tipo de praga, é fundamental para evitar perdas em plantaçõesagrícolas. O âmbito deste estágio é o estudo e de métodos inteligentes para deteção depragas utilizando visão por computador e a implementação de vários modelos de deteçãode objetos para deteção da praga mosca-branca presa em armadilhas amarelas colocadasnuma plantação de tomate.O desenvolvimento da solução proposta passou pelo estudo da arquitetura de modelos dedeteção de objetos e de classificação de imagens, escolha e pré-processamento de umconjunto de dados contendo imagens de armadilhas com a praga mosca-branca, redução eaumento desse conjunto de dados, implementação de diferentes modelos de deteção deobjetos para deteção da praga mosca-branca, comparação do desempenho dos modelos,validação das deteções feitas pelos modelos e desenvolvimento de um protótipo. Oaumento do conjunto de dados foi feito em colaboração com um aluno de licenciatura queficou, sob minha orientação, responsável por gerar novas imagens de armadilhasutilizando transformações geométricas e gerar novas imagens de moscas-brancasutilizando redes adversárias generativas.O sistema proposto, para detetar moscas-brancas em armadilhas pegajosas amarelas,apresenta uma precisão até 89,7%. O seu desempenho é competitivo com o dos técnicosespecializados permitindo identificar a mosca-branca com elevada precisão, rapidamente enuma fase inicial do seu desenvolvimento. A validação, por parte dos técnicos, dasprevisões feitas confirmou que a solução proposta consegue detetar até 39,25% maismoscas-brancas do que os anotadores do conjunto de dados utilizado, com um tempomédio de deteção por imagem de 0,13 segundos.O protótipo desenvolvido permite demonstrar que é possível tornar acessível a deteção damosca-branca, utilizando visão por computador, através do upload de imagens existentesou utilizando a câmara do dispositivo para obter uma deteção imediata.

On a daily basis we are dependent on plants to eat, do photosynthesis, or producemedicines and cosmetics. The quantity and quality of these cultivated plants is affected bypests that restrict their growth and spread through agricultural crops. Thus, monitoringand control these pests is essential to maximize the quality of agricultural production. Thiscontrol can be done chemically (through pesticides) or biologically (counting the pestpopulation in traps and releasing predatory insects to control that population).Biological pest control, through the identification of insects in traps, depends on theidentification of their species. Thus, the precision with which it detects and classifies thetype of insect, that is, the type of pest, is fundamental to avoid crop losses.The objectives of this internship are the study of intelligent methods for pest detectionusing computer vision and the implementation of a pest detection model for detection ofwhiteflies in yellow sticky traps placed in a tomato crop.The development of the proposed solution involved the study of the architecture of objectdetection and image classification models, choice and pre-processing of a datasetcontaining images of yellow stiky traps, dataset reduction and dataset augmentation,implement different object detection models for whitefly detection, comparison of modelperformance, validation of the detections made by the models and development of aprototype. The dataset augmentation was done in collaboration with a graduate studentwho was, under my guidance, responsible for generating new images of traps usinggeometric transformations and new images of whiteflies using generative adversarynetworks.The proposed system, to detect whiteflies on yellow sticky traps, is competitive with theperformance of technicians, allowing to identify the whitefly with high precision, quicklyand at a earliest stage of its development. The validation, by the technicians, of thepredictions made by the object detection models, confirmed that the proposed solution candetect up to 39.25% more whiteflies than the data set annotators with an average imagedetection time of 0.13 seconds.The prototype allows to demonstrate that it is possible to easily use computer vision todetect whiteflies, by uploading existing images or using the device's camera to obtainimmediate detection.