Processamento digital de imagens para identificação da sigatoka negra em bananais utilizando análise de componentes principais e redes neurais artificiais

O presente trabalho investigou a utilização do processamento digital de imagens conjuntamente com a análise de componentes principais e redes neurais artificiais como ferramentas de apoio para uma melhor identificação dos estádios iniciais do desenvolvimento da Sigatoka Negra, em nível de campo, para que medidas de controle sejam adotadas mais rapidamente e, assim, reduzir danos e prejuízos causados pela doença na bananicultura. Foram coletadas imagens digitais de folhas de bananeiras infectadas com a Sigatoka Negra nos estádios 1, 2 e 3, sadia e com fitotoxidez por óleo. A seguir, extraíram-se histogramas dos componentes de imagens no sistema RGB (Red, Green eBlue) para 256 intensidades de cinza das amostras, totalizando 768 variáveis para cada amostra. Com a aplicação de uma técnica de seleção de atributos, a análise de componentes principais, conseguiu-se reduzir as variáveis de entrada de 768 para 11 variáveis canônicas, representado uma redução de 98,6%. Em seguida, considerando-se as variáveis canônicas, realizou-se a fase de classificação com o uso de redes neurais artificiais. De maneira geral, as maiores freqüências de acertos do modelo foram para as classes que mais interessam ao monitoramento da enfermidade, mostrando a robustez do classificador gerado, evidenciada pela baixa probabilidade de classificação incorreta (19%).This study investigated the application, specifically the digital processing of images, with main components analysis and artificial neural networks as tools to support for a better identification of the primaries stages of the Black Sigatoka, in field level, so that control measures are adopted more quickly and consequently it reduces injuries and damages caused by the disease in the banana crops. It were collected digital images of banana leaves infected with Black Sigatoka in stages 1, 2, and 3, healthy and with oil fitotoxity. To proceed, histograms of the components of images were extracted in the system RGB (Red, Green and Blue) for 256 intensities shades of gray of the samples, totaling 768 variables for each sample. With the application of a technique of selection of attributes, the main components analysis, it was possible to reduce the variables of entrance of 768 for 11 canonical variables, represented a reduction of 98,6%. Therefore, being considered the canonical variables, it was accomplished the classification phase with the use of artificial neural networks. In a general way, the largest frequencies of successes of the model went to the classes that more they interest to the control of the diseases, showing the robustness of the generated classifier, evidenced by the low probability of wrong classification (19%)