Título: Aplicação de Redes Neurais Convolucionais na Classificação de Doenças de Plantas
Autores: Vanessa Castro Rezende, Michel Costa, Adam Santos, Roberto Célio Limão de Oliveira
Resumo: As redes neurais convolucionais (RNCs) são uma das técnicas mais promissoras da área de visão computacional, podendo gerar ganhos substanciais nos mais variados problemas de classificação, principalmente aqueles que envolvem imagens digitais. Nesse contexto, este trabalho tem como objetivo aplicar as arquiteturas de RNCs pré-treinadas VGG16, VGG19, DenseNet121 e DenseNet169 na tarefa de classificação de múltiplas patologias referentes a diversas espécies de plantas da base de dados composta de imagens de doenças em plantas XDB. Para este estudo, foram geradas cinco novas bases, a partir da XDB, com dimensões de 32×32, 64×64 e 100×100, variando entre 50 e 66 classes com maior representatividade. Um estudo comparativo foi conduzido com base em métricas de classificação amplamente utilizadas na área de aprendizagem profunda, como acurácia no teste, f1-score e área sob a curva. A fim de atestar a significância dos resultados obtidos, foi realizado o teste estatístico não-paramétrico de Friedman e dois procedimentos post-hoc, que demonstraram que as DenseNets obtiveram resultados superiores quando comparadas as VGGS; com maior destaque para a DenseNet169 e destaque negativo para a VGG19.
Palavras-chave: Rede neural convolucional, doenças em plantas, XDB, VGG, DenseNet.
Páginas: 7
Código DOI: 10.21528/CBIC2019-51
Artigo em pdf: CBIC2019-51.pdf
Arquivo BibTeX: CBIC2019-51.bib