PROCESSAMENTO DIGITAL DE IMAGENS PARA IDENTIFICAÇÃO DA SIGATOKA NEGRA SILVIA HELENA MODENESE-GORLA DA SILVA 1 WILSON MORAES 2 ELCIO SEIJI HAMADA MARQUE 3 LUCIO ANDRÉ DE CASTRO JORGE 4 RESUMO Este trabalho investigou o uso do processamento digital de imagens na identificação da Sigatoka Negra. As imagens foram obtidas em bananais do Vale do Ribeira. Para o processamento digital de imagens utilizou-se o software Agleaf. Como resultado preliminar, a análise digital permitiu identificar a presença da doença em 3,59% da área da imagem analisada. PALAVRAS-CHAVE: Processamento digital de imagens, Sigatoka Negra, Agricultura de Precisão. DIGITAL IMAGE PROCESSING FOR IDENTIFICATION OF BLACK SIGATOKA ABSTRACT This work investigates the use of digital image processing in the identification of Black Sigatoka. Images was obtained on Vale do Ribeira region. The digital image processing was done using Agleaf Software. By preliminary results the digital analysis permitided identify the plant disease in 3,59% of the area of digital image analised. KEYWORDS: Digital Image Processing, Black Sigatoka, Precision Agriculture. 1. INTRODUÇÃO No Brasil, segundo dados do IBGE, no ano de 2001, a banana foi a segunda fruta mais produzida, ficando atrás somente da laranja. Apresentou uma área colhida de 510.313 ha, com uma produção de 6.177.293 toneladas de frutos, que correspondeu a um volume de negócios 1 Tecnóloga em Processamento de Dados, UNESP Unidade de Registro SP. 2 Engenheiro-Agronômo, Apta - Registro SP. 3 Estudante de Graduação em Agronomia, UNESP Registro SP. 4 Engenheiro Elétrico, Embrapa Cnpdia São Carlos SP.
superior a 1 bilhão e oitocentos milhões de reais. O estado de São Paulo é o principal produtor com 1.105.827 toneladas em 53.997 ha. Na região do Vale do Ribeira, a cultura representa 1,7% do PIB estadual e 80% da receita, gerando mais de 30 mil empregos diretos e 45 mil indiretos (GELMINI, 2004). A partir de junho de 2004, com a constatação da ocorrência da doença Sigatoka Negra na região do Vale do Ribeira (FERRARI et al., 2005), esforços têm sido feitos no sentido de desenvolver estudos e divulgar informações para dar suporte ao controle desta praga. Dentre as doenças que acometem a cultura, a Sigatoka Negra, causada pelo fungo Mycosphaerella fijiensis Morelet, é a mais importante em nível mundial, sendo responsável por perdas de produção superiores a 50%. Os sintomas são caracterizados pela presença de estrias de cor marrom na face inferior da folha que evoluem para manchas negras e destas para lesões necróticas. Essas lesões destroem todo o limbo foliar, causando a morte precoce das folhas e conseqüente redução da produção e dos rendimentos brutos (MARIN et al., 2003). Os custos de proteção dos bananais podem ser reduzidos com a utilização do monitoramento semanal da severidade ou estimativa biológica da doença por meio do método desenvolvido pelo CIRAD em 1972, que foi adaptado por Fouré em 1988, citado por Marin e Romero (1992).Entretanto, o monitoramento semanal é uma tarefa trabalhosa que requer uma estrutura mínima e envolve despesas semanais com deslocamento e treinamento de técnicos capazes de identificar os estádios de desenvolvimento da doença. Com a experiência dos técnicos e levando-se em conta a subjetividade do ser humano esse método pode ser passível a erros, uma vez que é preciso distinguir as lesões mortas (sob efeito de fungicidas) das lesões vivas, as lesões de Sigatoka Negra de Sigatoka Amarela, viroses e de fitotoxidex do óleo mineral, aplicado junto da calda fungicida. Tarefas que necessitam de experiências e subjetividade do ser humano O processamento de imagens e sinais pode ser aplicado em diversas áreas. tais como na medicina, cartografia, indústria, manufatura, gráfica, cosméticos e estética pessoal, e em diversos campos científicos e de pesquisas com astronomia, análises de minerais, mecânica de fluídos, análises radioativas, física de partículas e modelagem oceânica (NIBLACK, 1986). Adicionalmente, o processamento de imagens tem encontrado grande aplicação na agricultura (CRUVINEL, 1992; CRUVINEL et al., 1996, MODENESE, 1998).
A agricultura intensiva depende, de forma crescente e irreversível, da utilização de insumos e tecnologias modernas, a qual tem se beneficiado cada vez mais com os avanços tecnológicos, destacando-se principalmente o uso do processamento de imagens na agricultura. Hwang et al. (1997) demonstraram o processamento híbrido de imagens para extração robusta de tecido magro em cortes de carne bovina. Marchant (1996), fez uso do rastreamento da estrutura de ruas de colheitas. Tillet et al. (1997) estudou o comportamento de animal através da análise de movimento do rasto. Pompermayer Neto e Couto (2003) utilizaram imagens de videografia aérea para a detecção de deficiências nutricionais em plantios de eucalipto e Pernomian et al. (2004) aplicaram um sistema automático de pulverização de culturas. Pretende-se no presente trabalho, utilizar a aplicação da agricultura de precisão como ferramenta 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 em tempo real e, assim, reduzir os danos e os prejuízos causados pela doença na bananicultura. 2. MATERIAIS E MÉTODOS Para identificação da Sigatoka Negra por meio do processamento digital de imagens foram coletadas imagens em um bananal presente no Vale do Ribeira. As imagens foram reproduzidas através de uma câmera digital com resolução de 4.1 mega pixels. Para o processamento de imagens, propriamente dito, foi utilizado o software Agleaf da Agx Tecnologia LTDA. Esse software realiza o reconhecimento de padrões na imagem de folhas com o uso de Rede Neurais Artificiais. Também coletaram-se 10 amostras de folhas: infectadas em cada estádio da Sigatoka Amarela, Sigatoka Negra, com fitotoxidez por óleo, controladas com diferentes fungicidas e sadias. Essas amostras foram escaneadas e posteriormente analisadas. A Figura 1 ilustra uma imagem obtida. Nas amostras ilustradas pela Figura 1, há a presença da Sigatoka Negra nos estádios 1 e 2. Estas imagens estão sendo utilizadas em um estudo onde estão estabelecendo-se os padrões para cada condição coletada.
Figura 1 : Imagem de amostras de folhas infectadas pela Sigatoka Negra nos estádios 1 e 2, obtida através de um escaner. 3. RESULTADOS E DISCUSSÃO Como resultado preliminar, a análise digital permitiu identificar a presença da doença em 3,59% da área da imagem analisada. A Figura 2 ilustra a imagem de uma folha de bananeira infectada com a Sigatoka Negra, no estádio 2. No trabalho onde coletou-se 10 imagens para cada condição, as imagens estão sendo utilizadas em um estudo onde estão estabelecendo-se os padrões para cada condição coletada. Após estabelecidos os padrões, será comparada a análise de folhas com o uso do software AGleaf e por meio de técnicas da Análise Estatística Multivariada. Também, está sendo analisada a possibilidade do processamento digital de imagens aéreas na avaliação da severidade da doença. Figura 2: Imagem de folha infectada pela Sigatoka Negra no estádio 2, obtida por câmera digital.
4. CONCLUSÕES O trabalho proposto investigou uma das aplicações para a agricultura de precisão, especificamente, o processamento digital de imagens, por meio do software Agleaf, na identificação da Sigatoka Negra na cultura da bananeira. A funcionalidade do sistema permitirá o uso racional de energia e, ou fungicidas na agricultura. 5. REFERÊNCIAS BIBLIOGRÁFICAS CRUVINEL, P.E.. Eletronic as na important tool for modern agriculture and the experience of the núcleos of research and development af agricultural instrumentation. CNPDIA, (EMBRAPA). In: II Escuela Latino americana de Física de Suelos, Buenos Aires, Argentina, 1992. CRUVINEL, P.E.; MINATEL, E.R.; MUCHERONI, M.L.; VIEIRA, S.R.; CRESTANA, S. An automatic method base don image processing for measurements of drop size distribuition from agricultural sprinklers: In: Simpósio Brasileiro de Computação Gráfica e Processamento de Imagens, 9, Caxambu-MG, Anais...Caxambu:SBC/UFMG, 1996, p. 39-46. FERRARI, J. T. & NOGUEIRA, E. M. DE C. Como Identificar e Combater a Sigatoka Negra da Bananeira. São Paulo: Instituto Biológico. Acesso a http://www.biologico.sp.gov.br/, em 01/03/2005. GELMINI, G. A. Controle da Sigatoka Negra na Cultura da Banana: Indicações Básicas. Campinas: Coordenadoria de Defesa Agropecuária. 2004. 32p. (Manual, 2). HWANG, H.; PARK, B.; NGUYEN, M.; CHEN, Y. Hybrid image processing for robust extration of lean tissue on beef cut surfaces: Computers and electronics in agriculture, v. 17, n.3, p.281-294, 1997. Instituto Brasileiro De Geografia E Estatística Sistema IBGE de Recuperação Automática - SIDRA. Banco de Dados agregados. Produção agrícola municipal. Disponível em: http://www.sidra.ibge.gov.br/bda/... Acesso em: 20 de abril de 2005. Marchant, J.A. Tracking of row structure in three crops using image analysis: Computers and electronics in agriculture, v.30, n.2, p. 161-179, 1996. MARÍN, D. H.; ROMERO, R. A. El Combate de la Sigatoka Negra. Costa Rica: Corporación Bananera Nacional, 1992. 20 p. (CORBANA. Boletin, 4). MARÍN, D. H.; ROMERO, R. A.; GUZMÁN, M.; SUTTON, T. B. Black Sigatoka: An Increasing Threat to Banana Cultivation. Plant Disease, v. 87, n.3, p.208-222. 2003. MODENESE, S.H. Algoritmo para recomendação de nutrientes agrícolas baseado em técnicas do processamento digital de sinais e imagens. Dissertação de Mestrado, UFSCar, 1998.
NIBLACK, W. An Introduction to digital image processing. 2ª ed, Prentice-Hall, 1986. PEREIRA, J. C. R.; GASPAROTTO, L.; COELHO, A. F. S.; VÉRAS, S. DE M. Doenças da Bananeira no Estado do Amazonas. 3ª Ed. Manaus: Embrapa Amazônia Ocidental, 2000 p. (Embrapa Amazônia Ocidental. Circular Técnica, 20). 2001. PERNOMIAN, V. A; DUARTE, F.V; ISAAC, F. Sistema automático de pulverização utilizando técnicas de processamento digital de imagens: Revista científica eletrônica de agronomia, n.5, 2004. POMPERMAYER NETO, P; COUTO, H.T.Z. Utilização de imagens de videografia aérea na detecção de deficiências nutricionais em plantios de eucalipto: Scientia Forestalis, n. 63, p. 23-31, jun, 2003. TILLET, R.D; ONYANGO,C.M; MARCHANT, J.A. Using model-based image processing to track animal movements: Computers and electronics in agriculture, v. 17, n.2, p.249-261, 1997.