A computação aplicada no combate às doenças do café

Foto: Pixabay

O café é uma das paixões dos brasileiros. E para ter um bom café são necessários certos cuidados com o cafeeiro (ou seja, o arbusto). Um desses cuidados é com o controle de doenças, como a ferrugem, uma praga severa para o cafeeiro. 

A ferrugem é um fungo que vive no tecido de quase todas as folhas de cafeeiros adultos, principalmente nas plantas mais velhas. A ferrugem se caracteriza pelo aparecimento de pequenas “bolinhas” com esporos de coloração amarela escura a marrom na superfície das folhas. No Brasil, muitos parques de produção de café são suscetíveis à doença que, se não for controlada adequadamente, pode causar uma redução de até 45% na produção do fruto do café.

Folha de café afetada pela ferrugem. (Foto: Arquivo do pesquisador)

Métodos computacionais e de aprendizado por máquina podem ser utilizados para avaliar as características presentes nas folhas de café e, consequentemente, facilitar e agilizar a tarefa de identificação da ferrugem. O deep learning, ou aprendizado profundo, é um conjunto de algoritmos de aprendizado de máquina que extraem significado dos dados usando uma hierarquia de múltiplas camadas que imitam as redes neurais do nosso cérebro; cada camada correspondendo a diferentes graus de abstração. 

Dentre esses algoritmos, a Rede Neural Convolucional (do inglês, Convolutional Neural Network – CNN) tem ganhado muita atenção devido à sua ampla utilização em tarefas de classificação, reconhecimento e detecção em imagens, pois se trata de um tipo especial de rede neural inspirada na sensibilidade local e orientação seletiva do cérebro humano.

Em um estudo realizado na  Faculdade de Computação da Universidade Federal de Uberlândia (Facom/UFU), em conjunto com alunos de iniciação científica, uma rede Rede Neural Convolucional foi treinada para detectar a presença de ferrugem em imagens de folhas de café. Esse tipo de rede é excelente classificador, sendo capaz de resolver de problemas simples a mais complexos. No entanto, é fundamental ter uma base com boa quantidade de dados acerca do problema quando se utiliza desse tipo de técnica, algo muitas vezes difícil, dependendo do problema abordado.

Para o problema da detecção da ferrugem em folhas de café e considerando uma quantidade relativamente pequena de amostras (apenas 159 imagens), a técnica estudada apresentou bons resultados, obtendo uma eficiência média acima 79% na detecção correta da área afetada pela ferrugem. Dada a complexidade do problema e a baixa quantidade de dados para treinamento da rede, tal resultado mostra-se promissor, podendo ser melhorado futuramente com o aumento da base de imagens e com o uso de outras técnicas de processamento de imagens em conjunto com os resultados obtidos pela Rede Neural Convolucional.

Exemplo de folha afetada pela ferrugem (esquerda) e regiões detectadas pela técnica computacional (direita). (Foto: Arquivo do pesquisador)

As técnicas desenvolvidas a partir da aprendizagem profunda têm impactado diversos trabalhos sobre reconhecimento de padrões envolvendo processamento de imagens, entre outros. Decorrente desse fato, seu uso em pesquisas tem sido mais constante.

Os níveis desses modelos estatísticos aprendidos correspondem a graus distintos de conceitos, em que os de alto nível são definidos a partir de níveis inferiores, e os mesmos conceitos de nível inferior podem ajudar a definir muitos conceitos de nível superior. O aprendizado profundo envolve múltiplos níveis de representação e abstração que ajudam a dar sentido aos dados, como imagens, sons e textos.

*André Ricardo Backes é professor da Faculdade de Computação da Universidade Federal de Uberlândia (Facom/UFU). Tem experiência na área de Ciência da Computação, com ênfase em Metodologia e Técnicas da Computação. Atua, principalmente, nos seguintes temas: visão computacional, processamento e análise de imagens, reconhecimento de padrões, aplicações em biologia, botânica e sensoriamento remoto.