Automatic method for detection of nematodes in coffee crop using aerial images

Precision agriculture presents several challenges, amongst them the detection of diseases and pests in agricultural environments. This work describes an automatic method for the detection of nematodes pest in coffee crops using aerial images. Currently, aerial imagery collection combined with the use of machine learning (ML) based computational techniques have great potential in tasks involving pest detection in several crops, such as eucalyptus, soybean, among others. However, there is a scarcity of studies for the coffee culture. The proposed method uses two distinct strategies for the feature extraction and identification of the regions with the presence of nematodes. The first one based on blocks with the KNN, RF and SVM algorithms to classify the regions in pest and non-pest. The second one based on Convolutional Neural Networks (CNN) with state-of-the-art architectures U-Net and PSPNet to classify areas into healthy, pest and soil. The influence on height variation was also evaluated using the U-Net architecture. Results demonstrate the viability of the proposed method, with an average F-measure of 0.64 for the RF using 10-fold cross validation and an average F-measure of 0.69 for the U-Net architecture for the test set.CNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoDissertação (Mestrado)A agricultura de precisão apresenta diversos desafios, dentre eles a detecção de doenças e pragas em ambientes agrícolas. Este trabalho descreve um método automático para a detecção de nematóides em lavouras cafeeiras usando imagens aéreas. Atualmente, a coleta de imagens aéreas aliada ao uso de técnicas computacionais baseadas em aprendizado de máquina (AM) apresentam um grande potencial em tarefas envolvendo a detecção de pragas em diversas culturas, como eucalipto, soja, entre outras. No entanto, há uma escassez de trabalhos para a cultura cafeeira. Neste trabalho é usado um veículo aéreo não tripulado (VANT) para obter imagens RGB de alta resolução de uma plantação cafeeira. O método proposto utiliza duas estratégias distintas para a extração de características e identificação das regiões com a presença dos nematóides. A primeira estratégia é baseada em blocos com os algoritmos KNN, RF e SVM para segmentação das regiões em praga e não-praga. A segunda estratégia é baseada em redes neurais convolucionais (em inglês \textit{Convolutional Neural Network} (CNN)) como as arquiteturas do estado da arte U-Net e PSPNet para a segmentação das regiões em regiões com praga, saudáveis e solo. Também avaliou-se a influência na variação da altura utilizando a arquitetura U-Net. Os resultados desta pesquisa científica demonstram a viabilidade do método proposto, com uma média para a medida F de 0,64 para o RF usando validação cruzada com 10-pastas e 0,69 como média para a medida F usando a arquitetura U-Net para o conjunto de teste