WILLIAM HITOSHI SUMIDA DETECÇÃO DA FERRUGEM ASIÁTICA DA SOJA POR MEIO DE IMAGENS CAPTURADAS POR DRONES

WILLIAM HITOSHI SUMIDA DETECÇÃO DA FERRUGEM ASIÁTICA DA SOJA POR MEIO DE IMAGENS CAPTURADAS POR DRONES LONDRINA PR 2017

WILLIAM HITOSHI SUMIDA DETECÇÃO DA FERRUGEM ASIÁTICA DA SOJA POR MEIO DE IMAGENS CAPTURADAS POR DRONES Trabalho de Conclusão de Curso apresentado ao curso de Bacharelado em Ciência da Computação da Universidade Estadual de Londrina para obtenção do título de Bacharel em Ciência da Computação. Orientador: Prof. Dr. Alan Salvany Felinto Coorientador: Msc. André Luis da Silva LONDRINA PR 2017

William Hitoshi Sumida Detecção da ferrugem asiática da soja por meio de imagens capturadas por drones/ William Hitoshi Sumida. Londrina PR, 2017-39 p. : il. (algumas color.) ; 30 cm. Orientador: Prof. Dr. Alan Salvany Felinto Universidade Estadual de Londrina, 2017. 1. Palavra-chave1. 2. Palavra-chave2. I. Orientador. II. Universidade xxx. III. Faculdade de xxx. IV. Título CDU 02:141:005.7

WILLIAM HITOSHI SUMIDA DETECÇÃO DA FERRUGEM ASIÁTICA DA SOJA POR MEIO DE IMAGENS CAPTURADAS POR DRONES Trabalho de Conclusão de Curso apresentado ao curso de Bacharelado em Ciência da Computação da Universidade Estadual de Londrina para obtenção do título de Bacharel em Ciência da Computação. BANCA EXAMINADORA Prof. Dr. Alan Salvany Felinto Universidade Estadual de Londrina Orientador Prof. Dr. Segundo Membro da Banca Universidade/Instituição do Segundo Membro da Banca Prof. Dr. Terceiro Membro da Banca Universidade/Instituição do Terceiro Membro da Banca Prof. Ms. Quarto Membro da Banca Universidade/Instituição do Quarto Membro da Banca Londrina PR, 24 de novembro de 2017

Este trabalho é dedicado às crianças adultas que, quando pequenas, sonharam em se tornar cientistas.

AGRADECIMENTOS Os agradecimentos principais são direcionados à Gerald Weber, Miguel Frasson, Leslie H. Watter, Bruno Parente Lima, Flávio de Vasconcellos Corrêa, Otavio Real Salvador, Renato Machnievscz 1 e todos aqueles que contribuíram para que a produção de trabalhos acadêmicos conforme as normas ABNT com L A TEX fosse possível. Agradecimentos especiais são direcionados ao Centro de Pesquisa em Arquitetura da Informação 2 da Universidade de Brasília (CPAI), ao grupo de usuários latex-br 3 e aos novos voluntários do grupo abntex2 4 que contribuíram e que ainda contribuirão para a evolução do abntex2. 1 Os nomes dos integrantes do primeiro projeto abntex foram extraídos de <http://codigolivre.org. br/projects/abntex/> 2 <http://www.cpai.unb.br/> 3 <http://groups.google.com/group/latex-br> 4 <http://groups.google.com/group/abntex2> e <http://abntex2.googlecode.com/>

Não vos amoldeis às estruturas deste mundo, mas transformai-vos pela renovação da mente, a fim de distinguir qual é a vontade de Deus: o que é bom, o que Lhe é agradável, o que é perfeito. (Bíblia Sagrada, Romanos 12, 2)

SUMIDA, W. H.. Detecção da ferrugem asiática da soja por meio de imagens capturadas por drones. 39 p. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) Universidade Estadual de Londrina, Londrina PR, 2017. RESUMO Atualmente existem muitos problemas econômicos na cultura da soja causados por doenças. Já foram relatados danos na produtividade de 30% a 80% causados pela ferrugem asiática, um fungo o qual ataca a soja. Além do estrago na produtividade, há o dano econômico em função do desperdício de produtos fitossanitários, pois sem as informações corretas o produtor aplica o fungicida de forma imprecisa e em uma frequência desnecessária. A avaliação da severidade da ferrugem asiática é um trabalho manual e lento para ter como resultado a porcentagem de área foliar afetada pelo fungo Phakopsora phachyhizi. Este trabalho de conclusão de curso tem como objetivo encontrar métodos computacionais precisos para a assimilação da severidade da ferrugem asiática a partir de imagens capturadas por veículos aéreos não tripulados. Palavras-chave: Produtividade. Produtos Fitossanitários. Severidade. Análise de Imagens

SUMIDA, W. H.. Detection of soybean Asian rust by means of images captured by drones. 39 p. Final Project (Bachelor of Science in Computer Science) State University of Londrina, Londrina PR, 2017. ABSTRACT Nowadays there are many problems in the soy culture caused by diseases. There were reported damage in the productivity from 30% to 80% caused by the Asian soybean rust. There are not only productivity problems caused by the soybean rust, there are economic damage based on waste of phytosanitary products caused by lack of information. The soybean rust evaluation is a manual and laborous task to have as a result, the percentage of foliar area affected by a fungus called Phakopsora phachyhizi. This paperwork has as an objective, research the most precise computational methods to correlate the asian soybean rust with technical features of images taken from unmanned aerial vehicles. Keywords: Yield. Phytosanitary Products. Severity. Image Analysis.

LISTA DE ILUSTRAÇÕES

LISTA DE TABELAS

LISTA DE ABREVIATURAS E SIGLAS

SUMÁRIO 1 INTRODUÇÃO............................ 23 1.1 Objetivos................................. 23 2 FUNDAMENTAÇÃO TEÓRICA................. 25 2.1 Cultura da Soja............................. 25 2.2 Ferrugem Asiática da Soja...................... 25 2.3 Fitopatometria............................. 25 2.3.1 Escala diagramática.......................... 26 2.3.2 Radiômetro................................ 26 2.4 Análise de Imagem........................... 26 2.4.1 Pré-Processamento de imagem................... 26 2.4.2 Descritores da imagem........................ 26 2.4.3 SVM - Support Vector Machine................... 26 2.4.4 Weka 3: Data Mining Software in Java.............. 26 3 CONCLUSÃO............................. 29 REFERÊNCIAS........................... 31 APÊNDICES 33 APÊNDICE A QUISQUE LIBERO JUSTO......... 35 ANEXOS 37 ANEXO A MORBI ULTRICES RUTRUM LOREM.... 39

23 1 INTRODUÇÃO Atualmente o Brasil é o maior produtor de soja do mundo, contando com 30,61% da participação mundial. Na safra 2015/2016 foram colhidos 95,631 milhões de toneladas do grão[1]. Apesar do número impressionar, a produtividade da soja pode aumentar com uma melhor aplicação de fungicidas nas plantações. Isso pode ser obtido com uma análise rápida da lavoura e ter um resultado preciso para a aplicação de doses sob medida nos focos de ferrugem. No ramo de fitopatologia (estudo das doenças das plantas) é muito comum serem realizadas análises de campo para ter como resultado a severidade da ferrugem asiática, um fungo chamado Phakopsora phachyhizi, o qual ataca a soja. O processo de análise consiste em recolher amostras de trifólios da soja em vários pontos da plantação e estimar uma porcentagem da área afetada da folha. No fim é obtido um valor por meio de cálculos estatísticos que varia entre 0 e 100. A análise também pode ser realizada por meio de um radiômetro, o qual emite radiação ativa em dois comprimentos de onda, vermelho (660 nm) e infravermelho (780 nm). O equipamento realiza alguns cálculos e retorna o índice de vegetação por diferença normalizada (NDVI). Tais métodos de análise são eficientes, pois é possível obter um resultado preciso da severidade da ferrugem asiática. Porém ambos são processos demorados, cansativos e muitas vezes caros, pois para acelerar o processo muitas vezes são contratadas equipes de 3 ou mais pessoas para realizar o serviço. Um outro ponto negativo também é o preço de um radiômetro, muitas vezes podendo custar até R$ 40.000,00. Diante disso, este trabalho de conclusão de curso tem como objetivo estudar e apresentar os melhores algoritmos para assimilar os dados da severidade da soja obtidos no campo por meio da escala diagramática e radiômetro com características das imagens RGB capturadas por veículos aéreos não tripulados. 1.1 Objetivos O objetivo deste trabalho é o estudo de algoritmos para correlacionar a severidade da soja a partir de imagens RGB obtidas por veículos aéreos não tripulados com dados de campo coletados por meio da escala diagramática.

25 2 FUNDAMENTAÇÃO TEÓRICA 2.1 Cultura da Soja A soja (Glycine max) atualmente é a principal oleaginosa produzida e consumida a nível mundial. Na safra de 2016/2017 sua produção mundial foi de 351,311 milhões de toneladas. O Brasil é o segundo maior produtor do mundo, ficando atrás apenas do Estados Unidos, contando com 32,4% da produção mundial (113,923 milhões de toneladas). Apesar dos números impressionarem, o cultivo da soja possui obstáculos que atrapalham a produtividade da cultura. O obstáculo abordado neste trabalho será uma das doenças conhecida como ferrugem asiática da soja. 2.2 Ferrugem Asiática da Soja A ferrugem asiática da soja é uma das doenças mais severas que incide na cultura da soja, ocorre no país inteiro durante o ano todo, pode causar perdas de produtividade de até 90%. Causada pelo fungo Phakopsora pachyrhizi, foi relatada pela primeira vez no Brasil em 2001. O controle do fungo é de grande importância econômica levando em conta as perdas de produtividade causadas pela ferrugem. Na safra de 2003/2004 foram perdidos 4,6 milhões de toneladas de soja (US$ 1,22 bilhões), com custo de controle de US$ 2,08 bilhões. Durante os anos, notou-se uma melhora nas práticas de controle, na safra de 2011/2012, as perdas foram de 365,5 mil toneladas (US$ 191.6 milhões), com custo de controle de US$1,73 bilhões. Em um período de 8 anos a perda de produtividade no Brasil foi otimizada em 92,05% com um gasto de 16,82% a menos em controle. Apesar dos métodos de terem melhorado significativamente, a produtividade e custo com fungicidas podem ser aperfeiçoadas com uma aplicação mais eficiente de produto nas plantações. Isso pode ser obtido com uma análise rápida da lavoura e ter um resultado preciso para a aplicação de doses sob medida nos focos de ferrugem. 2.3 Fitopatometria O estudo da quantificação de doenças de plantas é chamado de fitopatometria e tem como objetivo identificar as reações que a planta expressa visivelmente ao ser atacada por um patógeno.

26 2.3.1 Escala diagramática A escala diagramática [2] é uma forma de avaliar a severidade do fungo Phakopsora phachyhizi. O processo é realizado manualmente, no qual o agrônomo recolhe um trifólio da soja e visualmente verifica a porcentagem de área afetada pelo fungo nas folhas. 2.3.2 Radiômetro O radiômetro é um aparelho que também avalia a severidade do Phakopsora phachyhizi. O mesmo emite uma radiação ativa em dois comprimentos de onda, vermelho (660 nm) e infravermelho (780 nm) e coleta a refletância das folhas independente das condições de luminosidade, gerando o índice de vegetação por diferença normalizada (NDVI) [3]. NDV I = (Infravermelho V ermelho) (Infravermelho+V ermelho) 2.4 Análise de Imagem 2.4.1 Pré-Processamento de imagem Antes de coletar os dados da imagem, será realizado um pré-processamento da mesma para remover ruídos, redefinir brilho, realçar o constraste e selecionar as parcelas do campo as quais serão utilizadas para análise. 2.4.2 Descritores da imagem Com a imagem ideal para a coleta de dados, serão extraídos dela descritores dos canais RGB e desvio padrão dos canais RGB. Os descritores da imagem são características de cada pixel as quais podem classificá-lo. 2.4.3 SVM - Support Vector Machine A Máquina de Vetores de Suporte (SVM - Support Vector Machine) [4] é uma técnica de regressão na mineração de dados a qual utiliza machine learning. É um algoritmo de análise de dados para escavar grandes volumes de dados e encontrar padrões que poderiam, por outros métodos, permanecer desconhecidos. O SVM foi escolhido para este projeto, pois apresenta robustez e precisão mesmo com poucos exemplos e em uma base de dados com alta dimensão (Quantidade elevada de variáveis/atributos). Será utilizado neste software para mapear os diferentes dados coletados. 2.4.4 Weka 3: Data Mining Software in Java Weka [5] é um conjunto de algoritmos de machine learning para data mining. Os algoritmos podem ser aplicados diretamente em um conjunto de dados ou utilizados

27 diretamente no código Java. O Weka possui ferramentas para pré-processamento de dados, classificação, regressão, clustering, regras de associação e visualização. No caso deste trabalho, utilizaremos este software para testar quais são os algoritmos mais eficazes para assimilar a severidade da ferrugem asiática com os descritores da imagem.

29 3 CONCLUSÃO Sed consequat tellus et tortor. Ut tempor laoreet quam. Nullam id wisi a libero tristique semper. Nullam nisl massa, rutrum ut, egestas semper, mollis id, leo. Nulla ac massa eu risus blandit mattis. Mauris ut nunc. In hac habitasse platea dictumst. Aliquam eget tortor. Quisque dapibus pede in erat. Nunc enim. In dui nulla, commodo at, consectetuer nec, malesuada nec, elit. Aliquam ornare tellus eu urna. Sed nec metus. Cum sociis natoque penatibus et magnis dis parturient montes, nascetur ridiculus mus. Pellentesque habitant morbi tristique senectus et netus et malesuada fames ac turpis egestas. Phasellus id magna. Duis malesuada interdum arcu. Integer metus. Morbi pulvinar pellentesque mi. Suspendisse sed est eu magna molestie egestas. Quisque mi lorem, pulvinar eget, egestas quis, luctus at, ante. Proin auctor vehicula purus. Fusce ac nisl aliquam ante hendrerit pellentesque. Class aptent taciti sociosqu ad litora torquent per conubia nostra, per inceptos hymenaeos. Morbi wisi. Etiam arcu mauris, facilisis sed, eleifend non, nonummy ut, pede. Cras ut lacus tempor metus mollis placerat. Vivamus eu tortor vel metus interdum malesuada. Sed eleifend, eros sit amet faucibus elementum, urna sapien consectetuer mauris, quis egestas leo justo non risus. Morbi non felis ac libero vulputate fringilla. Mauris libero eros, lacinia non, sodales quis, dapibus porttitor, pede. Class aptent taciti sociosqu ad litora torquent per conubia nostra, per inceptos hymenaeos. Morbi dapibus mauris condimentum nulla. Cum sociis natoque penatibus et magnis dis parturient montes, nascetur ridiculus mus. Etiam sit amet erat. Nulla varius. Etiam tincidunt dui vitae turpis. Donec leo. Morbi vulputate convallis est. Integer aliquet. Pellentesque aliquet sodales urna.

31 REFERÊNCIAS [1] CONAB. 2015. Disponível em: <https://www.embrapa.br/soja/cultivos/soja1/ dados-economicos>. [2] CANTERI CLAUDIA VIEIRA GODOY, L. K. M. G. Diagramatic scale for assessment of soybean rust severity. [S.l.: s.n.], 2006. [3] CANTERI CLAUDIA VIEIRA GODOY, L. K. M. G. Relação entre medidas de refletância e área foliar sadia, severidade da ferrugem asiática e produtividade da cultura da soja. [S.l.: s.n.], 2007. [4] BASAK SRIMANTA PAL, D. C. P. D. Support Vector Regression. 2007. Disponível em: <http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.468.6802&rep= rep1&type=pdf>. [5] FRANK, M. A. H. E.; WITTEN, I. H. The WEKA Workbench. 2016. Disponível em: <http://www.cs.waikato.ac.nz/ml/weka/witten_et_al_2016_appendix.pdf>.

Apêndices

35 APÊNDICE A QUISQUE LIBERO JUSTO Quisque facilisis auctor sapien. Pellentesque gravida hendrerit lectus. Mauris rutrum sodales sapien. Fusce hendrerit sem vel lorem. Integer pellentesque massa vel augue. Integer elit tortor, feugiat quis, sagittis et, ornare non, lacus. Vestibulum posuere pellentesque eros. Quisque venenatis ipsum dictum nulla. Aliquam quis quam non metus eleifend interdum. Nam eget sapien ac mauris malesuada adipiscing. Etiam eleifend neque sed quam. Nulla facilisi. Proin a ligula. Sed id dui eu nibh egestas tincidunt. Suspendisse arcu.

Anexos

39 ANEXO A MORBI ULTRICES RUTRUM LOREM. Sed mattis, erat sit amet gravida malesuada, elit augue egestas diam, tempus scelerisque nunc nisl vitae libero. Sed consequat feugiat massa. Nunc porta, eros in eleifend varius, erat leo rutrum dui, non convallis lectus orci ut nibh. Sed lorem massa, nonummy quis, egestas id, condimentum at, nisl. Maecenas at nibh. Aliquam et augue at nunc pellentesque ullamcorper. Duis nisl nibh, laoreet suscipit, convallis ut, rutrum id, enim. Phasellus odio. Nulla nulla elit, molestie non, scelerisque at, vestibulum eu, nulla. Ut odio nisl, facilisis id, mollis et, scelerisque nec, enim. Aenean sem leo, pellentesque sit amet, scelerisque sit amet, vehicula pellentesque, sapien.