Resumo de: Vibhor Kumar Vishnoi, Krishan Kumar, e Brajesh Kumar. Plant disease detection using computational intelligence and image processing. Journal of Plant Diseases and Protection (2021)
A agricultura é ameaçada por doenças de plantas, que podem ser causadas por agentes infecciosos como fungos, bactérias e vírus, ou por agentes não infecciosos como queimaduras solares e deficiência mineral. O meio mais comum para identificação de doenças é a observação das folhas, processo que pode ser automatizado usando visão computacional e inteligência computacional, reduzindo assim a necessidade de mão de obra especializada e provendo resultados mais rapidamente.
Aquisição das imagens: por onde começa a tarefa de detecção usando soft computing. Se dá tanto a partir de repositórios e bancos de dados específicos quanto capturando diretamente as imagens em campo. Equipamentos especiais podem ser empregados para capturar imagens fluorescentes, térmicas, ou hiperespectrais. Deve-se ter atenção à presença de fundo complexo, iluminação inapropriada, sombras, e ruídos visuais, pois aumentam o trabalho de pré-processamento ou mesmo tornam as imagens inutilizáveis.
Pré-processamento: é a etapa seguinte, abrangendo as operações de mais baixo nível de abstração, para as quais tanto entrada quanto saída são somente imagens. Dedica-se a melhorar a qualidade das imagens, melhorar a precisão computacional delas, e reduzir o tempo de processamento necessário, antes dos processamentos adicionais ocorrerem. Algumas técnicas amplamente utilizadas são: eliminação de fundo, aprimoramento, conversão de espaço de cor, recorte e suavização.
Outra possibilidade no pré-processamento é aumentar um conjunto de imagens pequenas por meio da aplicação de diversos filtros que gerem imagens derivadas. Por exemplo, espelhamento de imagem, injeção de ruído, correção gama, rotação, escalonamento, recorte, redimensionamento, zoom, deslocamento aleatório e outras transformações como afim, de perspectiva e de intensidade como realce de brilho e contraste.
Segmentação: é o próximo passo, e consiste em particionar as imagens com o intuito de encontrar regiões de interesse, no caso, as lesões das folhas. Tais representações simplificadas da imagem são mais fáceis de analisar e mais significativas para diferenciar as regiões infectadas das não infectadas. Desafios dessa etapa são a presença de fundo complexo em cor verde, iluminação inconsistente com presença de sombras, e definições inadequadas das regiões de interesse.
O processo de segmentação da imagem é geralmente classificável em duas categorias: abordagens tradicionais, como detecção de bordas, ou técnicas baseadas em inteligência computacional, como algoritmos genéticos, lógica fuzzy, redes neurais, dentre outras. As abordagens baseadas em inteligência computacional têm, no geral, melhores resultados do que as abordagens tradicionais.
Seleção e extração das características: características irrelevantes causam sérios problemas de desempenho, como custo computacional e sobreajuste. A fim de evitar tal cenário, técnicas de seleção de características são aplicadas visando encontrar as mais relevantes a partir do vetor de características. Características representam atributos ou informações relevantes e discriminantes associadas a objetos, distinguindo um objeto de outros. São úteis para identificar objetos e para rotular um objeto como membro de uma determinada classe.
Classificação da doença: o conjunto de imagens de folhas é primeiramente empregado para treinar o modelo classificador de aprendizado de máquina, e depois disso o modelo treinado é usado para classificar/reconhecer o conjunto de imagens de teste.