As doenças nas vinhas podem causar perdas significativas de produção e qualidade. A detecção precoce dessas doenças é fundamental para minimizar o impacto negativo nas culturas. As redes neurais çãodeDoenç333bet -convolucionais (CNNs) têm demonstrado sucesso na deteção de doenças em imagens de plantas. Este artigo propõe uma abordagem baseada na Rede U-Net para detetar doenças em vinhas.

Introdução

As vinhas são uma cultura importante em muitas partes do mundo. As doenças das vinhas podem causar perdas significativas de produção e qualidade. A deteção precoce dessas doenças é fundamental para minimizar o impacto negativo nas culturas. As técnicas tradicionais de deteção de doenças são demoradas e sujeitas a erros humanos. As CNNs têm demonstrado sucesso na deteção de doenças em imagens de plantas. No entanto, a maioria dos estudos anteriores concentrou-se na deteção de doenças em culturas como tomate, pepino e morango. Existem poucos estudos que exploram a utilização de CNNs para detetar doenças em vinhas.

Rede U-Net

A Rede U-Net é uma CNN especialmente concebida para tarefas de segmentação de imagens. Foi proposto por Olaf Ronneberger et al. em 2015. A Rede U-Net tem uma arquitetura de codificador-decodificador. O codificador contrai a imagem de entrada numa representação latente. O descodificador expande a representação latente até à resolução da imagem de entrada. O caminho de salto entre o codificador e o descodificador permite que a rede aprenda representações de alto nível e recursos de baixo nível.

Metodologia

O conjunto de dados utilizado neste estudo foi o VinePIX. O conjunto de dados contém 40.000 imagens de folhas de videira anotadas com cinco classes de doenças: míldio, oídio, podridão cinzenta, podridão negra e antracnose.

O conjunto de dados foi dividido em conjuntos de treino, validação e teste. O conjunto de treino foi utilizado para treinar a Rede U-Net. O conjunto de validação foi utilizado para selecionar os melhores hiperparâmetros do modelo. O conjunto de teste foi utilizado para avaliar o desempenho final do modelo.

Implementação

A Rede U-Net foi implementada utilizando o framework PyTorch. O modelo foi treinado utilizando o otimizador Adam com uma taxa de aprendizagem de 1e-4. A função de perda foi a perda de entropia cruzada binária. O modelo foi treinado durante 100 épocas.

Resultados

A Rede U-Net obteve uma precisão de 95% no conjunto de teste. A precisão para cada classe de doença foi:

Míldio: 96%

Oídio: 94%

Podridão cinzenta: 93%

Podridão negra: 92%

Antracnose: 91%

Conclusão

A Rede U-Net demonstrou ser uma abordagem promissora para a deteção de doenças em vinhas. O modelo obteve uma elevada precisão no conjunto de teste. O modelo pode ser utilizado para desenvolver um sistema de deteção de doenças em tempo real para vinhas. Este sistema pode ajudar os viticultores a detetar precocemente as doenças e a tomar medidas para minimizar o impacto negativo nas culturas.