Modelo de detecção por imagens do ataque da Spodoptera frugiperda em plantações de milho

Os métodos tradicionais de monitoramento de pragas que utilizam técnicas baseadas em avaliação visual humana e aferição manual de plantas, são métodos geralmente custosos, len tos e tolerantes a erros. Identificar a presença de pragas no início da sua invasão facilita o seu controle, diminuindo custos com pesticidas e preservando a produtividade da plantação. No ramo da inteligência artificial existem ferramentas robustas de análise visual que são emprega das com sucesso em diversas áreas, tornando-se tendência para a agricultura. Sendo assim, este estudo propôs a utilização de redes neurais convolucionais para identificar e classificar o dano do ataque da Spodoptera frugiperda na folha do milho. O modelo utilizado foi o Faster R-CNN, juntamente com o extrator de características VGG16. O modelo foi treinado para identificar e classificar quatro classes. Uma classe de folhas saudáveis e três classes de folhas que apresen tam dano, sendo eles: mínimo, moderado e grave. Para isso, foi criado um dataset composto por 1263 imagens e 2637 âncoras que representam cada classe. Para analisar o desempenho do modelo foram criados três cenários de testes. Os cenários se diferenciam pela forma de que as classes estão organizadas. Para medir o desempenho do modelo foi utilizada a métrica Mean Average Precision (mAP). No cenário 1, composto pelas classes saudável, mínimo, moderado e grave, o modelo resultou na mAP de 43,41%. No cenário 2, formado pelas classes saudável e dano, onde a classe dano passa a ser o agrupamento da mínimo, moderado e grave, o modelo atingiu a mAP de 73,09%. Por fim, no cenário 3, composto também pelas classes saudável e dano, porém desta vez, agrupando o dano mínimo com a classe saudável, a formação obteve a mAP de 74,77%.