Detecção automática de doenças em frutos do mamão a partir da análise de imagens por meio de redes neurais profundas

Página do item simplificado
dc.contributor.advisor1Souza, Alberto Ferreira de
dc.contributor.advisor1IDhttps://orcid.org/0000000315618447
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7573837292080522
dc.contributor.authorMoraes, Jairo Lucas de
dc.contributor.authorIDhttps://orcid.org/0000-0002-5111-0811
dc.contributor.authorLatteshttp://lattes.cnpq.br/8743832227027911
dc.contributor.referee1França, Felipe Maia Galvão
dc.contributor.referee1IDhttps://orcid.org/0000-0002-8980-6208
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1097952760431187
dc.contributor.referee2Partelli, Fabio Luiz
dc.contributor.referee2IDhttps://orcid.org/0000000288300846
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6730543200776161
dc.contributor.referee3Komati, Karin Satie
dc.contributor.referee3IDhttps://orcid.org/0000-0001-5677-4724
dc.contributor.referee3Latteshttp://lattes.cnpq.br/9860697624155451
dc.contributor.referee4Oliveira, Elias Silva de
dc.contributor.referee4Latteshttp://lattes.cnpq.br/2210356035827181
dc.date.accessioned2024-05-30T01:42:37Z
dc.date.available2024-05-30T01:42:37Z
dc.date.issued2023-07-14
dc.description.abstractHorticulture plays an essential role in the economies of various countries, serving as a significant source of income and job creation, particularly in developing nations. Within this sector, papaya holds substantial importance, being cultivated in over 60 countries, including Brazil, which stands as the second-largest producer of this fruit. Papaya is a delicate and climacteric fruit, leading to considerable post-harvest losses, underscoring the pivotal role of early detection and accurate classification of fruit injuries in quality control and loss mitigation. Presently, papaya quality control is conducted manually, demanding exhaustive and repetitive efforts, often necessitating specialized knowledge that may not always be readily available to small-scale farmers or small fruit processing facilities. Given this backdrop, the implementation of autonomous or semi-autonomous system solutions aimed at assisting in papaya quality control, including disease detection and physical damage identification, is highly desirable. Such solutions could effectively mitigate industry losses, offering a more efficient, precise, and reliable approach to ensuring fruit quality and maximizing productivity in the sector. In this thesis, we propose a comprehensive solution spanning from the creation of an unprecedented dataset in the literature to the development of a mobile application. This includes the implementation of novel convolutional neural network (CNN) architectures utilizing the Convolutional Block Attention Module (CBAM). Our dataset comprises more than 23,000 examples of eight types of injuries (Anthracnose, Phytophthora, Chocolate Spot, Sticky Disease, Black Spot, Physiological Spot, Mechanical Damage, and Scar) affecting papaya fruits, alongside examples of healthy fruits. The developed detector achieves a new state-ofthe-art in papaya fruit disease detection, with an average precision (mAP) of 86.2%. This performance significantly surpasses that of human experts, who achieved an average precision of 67.3%. Lastly, we optimized the structure and weights of our detector for use on mobile devices and created a robust mobile application that can run on common smartphones. It can detect diseases in papaya fruits at a rate of up to 6 frames per second without requiring additional resources.
dc.description.resumoA fruticultura desempenha um papel essencial na economia de várias nações, constituindo-se como uma relevante fonte de receita e um significativo gerador de empregos. Nesse setor, o mamão assume uma grande relevância, sendo cultivado em mais de 60 países, incluindo o Brasil, que detém a posição de segundo maior produtor dessa fruta. O mamão, enquanto fruto de natureza frágil e climatérica, apresenta grande suscetibilidade a perdas substanciais após a colheita, tornando crucial a avaliação de qualidade do fruto para identificação precoce de eventuais danos nos frutos. No cenário atual, a avaliação da qualidade do mamão é conduzida mediante métodos manuais, caracterizados por demandarem um esforço exaustivo e repetitivo, bem como pela necessidade de conhecimento especializado, que nem sempre se encontra à disposição de pequenos agricultores ou em instalações de processamento de frutas de menor porte. Diante da situação apresentada, a implementação de soluções baseadas em sistemas autônomos ou semiautônomos emerge como um objetivo de alta relevância para otimizar o controle de qualidade do mamão, abrangendo a detecção e identificação de doenças e de danos físicos nos frutos. Tais soluções têm o potencial de mitigar as perdas no setor, oferecendo uma abordagem mais eficaz, precisa e confiável no controle de qualidade dos frutos. 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). Nosso conjunto de dados conta com mais de 23.000 exemplos de 8 tipos de injúrias (Antracnose, Phytophthora, Mancha Chocolate, Meleira, Pinta Preta, Mancha Fisiológica, Danos Mecânicos e Cicatriz) que afetam os frutos de mamão, além de exemplos de frutos saudáveis. O detector desenvolvido alcança um novo estado-da-arte na detecção de doenças em frutos de mamão, com uma precisão média (mAP) de 86,2%. Essa performance é significativamente superior à de especialistas humanos, que obtiveram uma precisão média de 67,3%. Por fim, otimizamos a estrutura e os pesos do nosso detector para utilização 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 6 frames por segundo, sem a necessidade de qualquer recurso extra.
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/17171
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseDoutorado em Ciência da Computação
dc.publisher.departmentCentro Tecnológico
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Informática
dc.rightsopen access
dc.subjectVisão computacional em dispositivos móveis
dc.subjectAgricultura de precisão
dc.subjectDoenças em frutas
dc.subjectAprendizado Profundo
dc.subjectCBAM
dc.subjectMamão
dc.subjectCarica Papaya
dc.subject.br-rjbnsubject.br-rjbn
dc.subject.cnpqCiência da Computação
dc.titleDetecção automática de doenças em frutos do mamão a partir da análise de imagens por meio de redes neurais profundas
dc.title.alternativetitle.alternative
dc.typedoctoralThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
JAIRO LUCAS DE MORAES.pdf
Tamanho:
5.51 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Doutorado em Ciência da Computação