Um método baseado em aprendizado profundo para a detecção de doenças da folha de arroz e recomendação específica de tratamento para estágios de crescimento

Summary

Este estudo apresenta um método baseado em aprendizado profundo para prever estágios de crescimento das folhas de arroz e classificar doenças, fornecendo recomendações de tratamento específicas por estágio por meio de um sistema automatizado e de apoio à decisão fácil de usar para o manejo eficaz de doenças das culturas.

Abstract

As doenças das folhas de arroz afetam significativamente a produção e a qualidade do arroz, tornando a detecção precoce e o tratamento adequado essenciais para a agricultura de precisão. Este estudo propõe um sistema de apoio à decisão baseado em aprendizado profundo para detecção de doenças das folhas de arroz, previsão do estágio de crescimento e recomendações específicas de tratamento por estágio. O conjunto de dados utilizado neste estudo compreende imagens de folhas de arroz coletadas de múltiplas fontes e categorizadas por estágio de crescimento e classe de doença. O conjunto de dados foi dividido em conjuntos de treinamento (80%), validação (10%) e teste (10%) para garantir a avaliação adequada do modelo. Para a previsão do estágio de crescimento, foi desenvolvido um modelo leve de Rede Neural Convolucional (CNN), enquanto a classificação da doença foi realizada usando modelos de aprendizado por transferência, incluindo VGG16, ResNet50, InceptionV3 e MobileNetV2. Um método de conjunto baseado na votação por probabilidade média foi utilizado para melhorar o desempenho na classificação. Os modelos foram avaliados usando precisão, exatidão, recordação e pontuação F1 em um conjunto de teste independente. Os resultados experimentais mostram que o modelo de conjunto alcançou maior precisão em comparação com modelos individuais, demonstrando maior robustez e generalização. O sistema proposto foi implementado como uma aplicação web Streamlit que fornece detecção de doenças, previsão do estágio de crescimento e recomendações de tratamento. O quadro integrado proposto pode apoiar agricultores e especialistas agrícolas na tomada de decisões de manejo da doença em tempo hábil e preciso.

Introduction

A Índia, sendo uma economia agrária, depende fortemente da agricultura, com arroz (paddy) servindo como cultura básica para grande parte da população. No entanto, o cultivo de arroz é significativamente afetado por doenças foliares, como explosão, degradação bacteriana das folhas, manchas marrons e rebaixa da bainha, que reduzem a produção e causam prejuízos econômicos. A detecção precoce dessas doenças é essencial, pois os métodos manuais tradicionais de inspeção são demorados e frequentemente imprecisos. Para abordar essa questão, este estudo propõe um sistema de apoio à decisão baseado em aprendizado profundo para previsão de estágios de crescimento das folhas de arroz, classificação de doenças e recomendações de tratamento. O sistema utiliza um modelo de rede neural para prever o estágio de crescimento da folha de arroz e múltiplos modelos de aprendizado profundo, incluindo CNN, VGG16, ResNet50, InceptionV3 e MobileNetV2, para classificação de doenças. Esses modelos são combinados usando uma abordagem de conjunto para melhorar a precisão e a robustez, alcançando uma precisão de classificação de 98,99%. Com base na doença prevista e no estágio de crescimento, o sistema fornece recomendações de tratamento específicas para cada estágio. O sistema proposto é implementado como uma aplicação web baseada em Streamlit, permitindo que os usuários enviem imagens de folhas e recebam previsões e recomendações em tempo real. Essa abordagem integrada oferece uma solução prática e escalável para a agricultura de precisão, ajudando os agricultores a reduzir as perdas nas colheitas e melhorar a produtividade.

Diversos estudos aplicaram técnicas de aprendizado de máquina e deep learning para recomendação de culturas, detecção de doenças e suporte à decisão agrícola. Métodos de aprendizado profundo em conjunto têm sido usados para melhorar a precisão das recomendações de culturas e fertilizantes, integrando a previsão de doenças, mostrando melhor desempenho do que abordagens de modelo^{único 1}. Sistemas de recomendação baseados em aprendizado de máquina, utilizando árvores de decisão e máquinas de vetores de suporte, também foram desenvolvidos para sugerir culturas, fertilizantes e tratamentos de doenças, incorporando feedback dos agricultores para melhorar a^{adaptabilidade 2}.

Para a detecção de doenças, modelos híbridos CNN combinados com técnicas de extração de características como CLAHE e GLCM melhoraram a precisão da classificação da doença do^{arroz 3}. Outras abordagens utilizaram clustering e algoritmos de Random Forest com extração de características baseada em texturas para melhorar o desempenho da detecção^{de doenças 4}. Modelos de aprendizado profundo, especialmente CNNs e arquiteturas de aprendizado por transferência, alcançaram alta precisão na detecção de doenças das plantas e possibilitaram sistemas de diagnóstico em tempo real e baseados em ^{smartphones 5,6,7}. Métodos tradicionais de processamento e classificação de imagem em árvore, usando características de cor, textura e forma, também demonstraram detecção eficaz de doenças com menor complexidade computacional ^8,9.

O aprendizado em conjunto tem sido amplamente utilizado em sistemas de recomendação de culturas combinando classificadores como Random Forest, Naïve Bayes e Support Vector Machines para melhorar a precisão e robustez da previsão¹⁰. Modelos baseados em CNN também foram usados para detecção de doenças do arroz e integrados a sistemas IoT para recomendações agrícolas^{em tempo real 11}. Modelos de aprendizado de máquina como K-Nearest Neighbors e técnicas de regressão foram aplicados em sistemas de suporte à decisão^{preditivo 12}. Além disso, sistemas de recomendação de culturas baseados em fatores de solo, sazonais e produtividade foram desenvolvidos para apoiar decisões agrícolas baseadas em ^{dados 13}.

Estudos também examinaram as limitações de produção de arroz e estratégias de manejo de doenças, destacando a importância do controle sustentável das doenças e da melhoria das práticas^{agrícolas 14}. No entanto, a maioria dos estudos existentes foca apenas na detecção de doenças ou recomendação de culturas individualmente, e muito poucos integram classificação de doenças, previsão de estágio de crescimento e recomendação de tratamento em um único sistema de suporte à decisão. Essa lacuna destaca a necessidade de um quadro integrado e prático de apoio à decisão^{agrícola 15}.

A novidade dessa pesquisa está não apenas na classificação das doenças, mas no desenvolvimento de um sistema completo de suporte à decisão para o manejo da doença do^{arroz 16}. O sistema proposto integra a previsão do estágio de crescimento das folhas de arroz, a classificação da doença usando um conjunto de modelos de aprendizado profundo e a recomendação de tratamento específica para cada estágio de crescimento. Ao contrário de estudos existentes que focam apenas na detecção de doenças, este trabalho relaciona a previsão de doenças com conselhos de tratamento acionáveis baseados no estágio¹⁷ de crescimento da planta. Essa abordagem integrada torna o sistema mais prático para uso agrícola real e apoia a agricultura de precisão ao fornecer intervenções oportunas e adequadas ao estágio¹⁸.

O principal objetivo da pesquisa é criar o sistema de aprendizado profundo da próxima etapa para detectar a doença da folha de arroz mais cedo e prever com precisão os estágios de crescimento da folha, recomendando o tratamento a tempo e seletivamente. O sistema alcança alta precisão na classificação de doenças de 98,99 por meio de engenharia fina e montagem de modelos de última geração como CNN, VGG16, ResNet50, InceptionV3, MobileNetV2, entre outros. Ele incorpora uma rede neural que prevê o estágio de crescimento e fornece sugestões específicas de herbicidas ou pesticidas para a análise. A tecnologia está disponível para agricultores por meio de um aplicativo web Streamlit amigável que permite previsões em tempo real, bem como conselhos de tratamento¹⁹. O estudo deve facilitar decisões relacionadas ao manejo de doenças por meio de previsões oportunas e recomendações de tratamento, com possível aplicabilidade a economias agrárias como a Índia.

Embora múltiplos estudos sejam realizados na detecção de doenças das plantas em termos de aprendizado de máquina e aprendizado profundo, a maioria das pesquisas existentes tenta classificar doenças sem considerar o estágio de desenvolvimento da planta e sugestões de tratamento. No entanto, não é verdade que, na prática prática da agricultura, as instruções de tratamento sejam baseadas não apenas na natureza da doença, mas também no estágio em que a cultura está no momento do tratamento, já que o grau e o tipo de pesticidas variam conforme o estágio da cultura. Pouquíssima pesquisa incorpora detecção de doenças, previsão de estágio de crescimento e recomendação de tratamento, tudo em um único sistema automatizado. Para preencher essa lacuna, o estudo atual sugere uma arquitetura combinada baseada em deep learning que incorporará a previsão do estádio foliar do arroz, classificação de doenças em um conjunto de modelos de deep learning e recomendação de tratamentos específicos baseados em um estágio de crescimento por meio de um sistema de suporte à decisão executado pelo^{Streamlit 20}. Essa integração permite que o sistema proposto se torne mais prático e útil na agricultura de precisão do mundo real. Este estudo propõe uma estrutura de diagnóstico de doenças consciente do estádio, na qual a previsão do estágio de crescimento e a classificação da doença são combinadas com um módulo de recomendação de tratamento para formar um pipeline completo de suporte à^{decisão 21}.

Embora várias abordagens de aprendizado profundo e conjunto tenham sido propostas para a detecção de doenças das plantas, a maioria dos estudos existentes foca apenas na classificação da doença e não considera o estágio de crescimento da planta. No entanto, na agricultura prática, o método de tratamento, o tipo de pesticida e a dosagem muitas vezes dependem não apenas do tipo de doença, mas também da fase de crescimento da planta. Os sistemas existentes de detecção de doenças não fornecem recomendações de tratamento específicas para cada estágio, o que limita sua aplicabilidade prática na agricultura^{de precisão 22.} Além disso, muitos estudos existentes focam apenas em melhorar a precisão da classificação usando modelos de aprendizado profundo, mas não integram o sistema de previsão a um quadro prático de suporte à decisão que possa ser usado por agricultores ou especialistas agrícolas. Para enfrentar essas limitações, este estudo propõe um sistema integrado de apoio à decisão que combina a previsão do estágio de crescimento das folhas de arroz, a classificação da doença usando aprendizado em conjunto e a recomendação específica de tratamentos por estágio. O sistema proposto é implementado como uma aplicação baseada na web para suportar a tomada de decisões agrícolas em tempo^{real 23}.

As principais contribuições deste estudo incluem o desenvolvimento de um modelo baseado em aprendizado profundo para prever com precisão os estágios de crescimento das folhas de arroz usando dados de imagem, possibilitando melhor monitoramento e manejo das culturas. Também envolve a implementação de técnicas de aprendizado por transferência para classificar efetivamente as doenças das folhas de arroz, aproveitando modelos pré-treinados, melhorando a precisão enquanto reduzindo a complexidade do treinamento²⁴. Para aumentar ainda mais a confiabilidade da detecção de doenças, é empregada uma abordagem de aprendizado em conjunto, combinando múltiplos modelos para alcançar desempenho superior na classificação. Além disso, o estudo introduz um sistema de recomendação de tratamento específico por estágio, que fornece soluções direcionadas baseadas tanto na doença identificada quanto no estágio de crescimento da cultura, garantindo intervenções agrícolas mais precisas e eficazes. Por fim, todos esses componentes são integrados a uma aplicação web baseada em Streamlit, oferecendo uma plataforma amigável para suporte à decisão em tempo real, permitindo que agricultores e partes interessadas acessem facilmente previsões e^{recomendações 25}.

Protocol

O protocolo a seguir ilustra o processo de detecção e implementação do sistema de recomendação de tratamento da doença da folha de arroz passo a passo. As etapas tomadas precisam ser usadas consecutivamente para replicar os achados apresentados neste artigo.

Preparação de conjuntos de dados

Conjunto de dados de estágio das folhas de arroz: Esses dados foram baseados no PaddyNet4. A cena compreende 560 imagens classificadas em quatro diferentes estágios de desenvolvimento, a saber: Estágio 2, Estágio 3, Estágio 4 e Estágio 5. A classificação depende da cor e maturidade das folhas de arroz, que dependem da concentração de nitrogênio, entre outros fatores, e do desenvolvimento da planta. O conjunto de dados apresentado é importante para conhecer o estágio correto da planta de arroz (Figura 1). O PaddyNet está acessível publicamente pelo site da data.mendeley.com/datasets/. Conjunto de dados sobre doenças das folhas de arroz: Este conjunto de dados estava disponível como vários conjuntos de dados públicos acessíveis separadamente no Kaggle e combinados para criar um conjunto unificado com um total de 6.920 imagens, cada uma pertencente a um dos seis tipos de doença mostrados em (Figura 2). Conjunto de dados de tratamento: O conjunto de dados foi desenvolvido criticamente ao recuperar e integrar informações de vários conjuntos de dados públicos disponíveis e contém dados sobre diversas práticas de manejo das doenças do arroz em quatro fases^{de crescimento 21}. O principal objetivo deste conjunto de dados é elaborar recomendações para prevenir e controlar a doença do arroz. Os dados são um dos recursos vitais para combater doenças nas plantas de arroz, selecionando o tipo certo de^pesticidas 19,22,23,24,25

Ampliação de dados

A ampliação de dados foi usada para aprimorar o conjunto de dados de treinamento e reduzir o sobreajuste. Os métodos de aumento empregados no estudo atual são rotação (até 30), movimento de largura e altura (até 20%), zoom (até 20%), cisalhamento e inversão horizontal. O uso desses métodos de aumento auxilia o modelo a adquirir os elementos essenciais do modelo e potencializa a generalização do modelo quando ele é testado em dados não vistos. A ampliação de dados foi feita no conjunto de dados de treinamento, enquanto os conjuntos de dados de validação e teste foram deixados como estavam para revisar o desempenho razoável do sistema. O tamanho do conjunto de dados original precisou ser aumentado com dados porque o tamanho do conjunto original é relativamente pequeno, e a abordagem era necessária para aprimorar a generalização e minimizar o ajuste excessivo, introduzindo o modelo nas diferenças de orientação, escala e posição das imagens das folhas.

Pré-processamento de imagem

Os dados de estágio e doença coletados foram passados por várias etapas de pré-processamento para tornar os dados consistentes e melhorar o desempenho dos modelos. Todas as imagens de ambos os conjuntos de dados foram escaladas para 128 × 128 × 3 para garantir um encaixe viável em qualquer arquitetura de deep learning. Os valores dos pixels foram escalados para o intervalo [0,1] para acelerar a convergência durante o treinamento. Além disso, rótulos das doenças e seus estágios foram transformados em números para avaliar e treinar o modelo de forma mais eficaz. Esses métodos de pré-processamento ajudaram a extrair características melhor, a uma taxa de classificação melhor e à robustez do modelo a diferentes condições ambientais. O tamanho da imagem utilizada, 128 × 128, foi comprometido entre computação e perda de recursos. Concreto Tamanho menor da imagem minimiza o tempo de treinamento e o custo computacional, e não elimina informações (características visuais) para classificar a doença e o estágio ao utilizar modelos de aprendizado profundo.

Divisão de conjuntos de dados

Os dados processados foram divididos em três subconjuntos (Tabela 1): Conjunto de Treinamento (80%), Conjunto de Validação (10%), Conjunto de Teste (10%). Para evitar uma distribuição desequilibrada de classes em todos os três subconjuntos, foi usada amostragem aleatória estratificada para garantir que tanto o conjunto de dados de estágio (560 imagens) quanto o conjunto de dados de doenças (6.920 imagens) tivessem uma distribuição igual de classes. Não houve vazamento de dados entre os subconjuntos.

Treinamento em modelos

Na classificação do estágio do crescimento das folhas e doenças do arroz, foi utilizado o método modelo de treinamento em duas etapas.

Modelo de classificação de etapas

O método de classificação do estágio de crescimento foliar possui quatro classes e um tamanho de dados relativamente baixo, portanto a arquitetura da Rede Neural Convolucional (NN) não foi muito expandida, mas considerada leve. Uma arquitetura mais simples pode ser usada para reduzir o sobreajuste e o poder computacional, à custa de alta precisão no caso de classificação usando características de cor e textura. A nova estrutura CNN terá três camadas convolucionais usando as funções de ativação do ReLU. As camadas convolucionais são alternadas com as camadas de max-pooling (2×2) para reduzir as dimensões espaciais, bem como para identificar as características proeminentes. Os mapas de características passam por uma camada convolucional, após a qual são achatados, e a camada densa totalmente conectada com regularização dropout é executada para desencorajar o sobreajuste. Por fim, a classificação multiclasse dos quatro estágios de crescimento é feita com a ajuda de uma camada de saída softmax. O otimizador Adam, que tem taxa de aprendizado de 0,001 e a entropia cruzada categórica como função de perda, foi usado para treinar o modelo. O número do lote foi definido para 10, e o modelo foi treinado em 10 épocas. A precisão e a perda de validação também foram usadas para monitorar o desempenho do modelo, pois são usadas para garantir que o modelo seja generalizado.

Modelo de classificação de doenças baseado no aprendizado em conjunto

Para a classificação de doenças, uma série de arquiteturas de aprendizado profundo foi adotada para melhorar a precisão da previsão. O desenvolvimento inicial de um modelo CNN personalizado consistiu em quatro camadas, a saber, três camadas convolucionais, três camadas de max-pooling, uma camada densa totalmente conectada e regularização dropout. MobileNetV2 emprega convoluções separáveis em profundidade, blocos residuais invertidos e gargalo invertido com resíduo linear. O modelo possui um tamanho pequeno, com apenas 3,4 milhões de parâmetros, e pode ser usado em um ambiente com recursos limitados. Os modelos começaram a usar ativações do ImageNet, e as camadas convolucionais foram congeladas para que as representações de características aprendidas não fossem perdidas. A camada de classificação softmax foi anexada a uma camada totalmente conectada que possuía regularização dropout. Todos os modelos foram treinados durante 20 épocas com um tamanho de lote de 32, e o otimizador e a perda eram idênticos aos do modelo CNN. Na tentativa de melhorar a classificação, foi utilizado o método médio de aprendizado em conjunto de votantes. Os resultados foram as probabilidades médias previstas por todos os cinco modelos (CNN, VGG16, ResNet50, InceptionV3 e MobileNetV2) para obter as previsões finais da classe. Essa técnica combinada foi útil para diminuir o viés em modelos e aprimorar a generalização. O último modelo combinado era mais preciso nas classificações. A razão pela qual a abordagem de conjunto foi escolhida é que o aprendizado das várias representações de características é aprendido usando o mesmo conjunto de dados pelos diferentes modelos de deep learning. O conjunto também diminui o viés e a variância do modelo e aumenta as questões gerais de previsão e o desempenho geral da generalização em comparação com modelos independentes.

Estratégia de previsão

No processo de previsão da doença da folha de arroz e seu estágio associado de crescimento, foi utilizado o método de classificação baseado em conjunto. Os cinco modelos de aprendizado profundo (CNN, VGG16, ResNet50, InceptionV3 e MobileNetV2) foram treinados de forma independente para classificar as doenças e agrupados utilizando um método médio de conjunto de votação. Esse procedimento envolvia a previsão das probabilidades de cada categoria de doença de todos os modelos e a distribuição média de probabilidade, o que adiciona precisão à previsibilidade e minimiza o viés no modelo. A previsão final foi considerada a classe de doença com maior probabilidade média. Além disso, um modelo diferente de classificação de estágios baseado em CNN foi treinado e usado para prever o estágio de crescimento da folha de arroz. Ambos os modelos de classificação receberiam imagens de entrada de tamanho 128x128, normalizariam os valores dos pixels e então usariam os modelos para fazer uma inferência. As previsões finais tanto do estágio foliar quanto da doença foram então mapeadas em um conjunto existente de recomendações de tratamento para oferecer um tratamento válido e o manejo da doença.

Exemplo de Resultado: "Estágio da Folha: 3, Doença: Tungro"

Recomendação de tratamento

Para tornar a classificação da doença da folha de arroz mais prática, um sistema de recomendação de tratamento foi integrado à aplicação baseado no Streamlit. O sistema toma a doença prevista e o estágio foliar para oferecer recomendações específicas de tratamento, garantindo que a doença seja controlada com sucesso. O modelo de classificação de doenças em conjunto (incluindo CNN, VGG16, ResNet50, InceptionV3 e MobileNetV2) classifica a doença, enquanto o modelo de classificação do estágio foliar é outro modelo. O estágio modelado da folha e da doença são comparados com os dados de tratamento que possuem doses recomendadas (Medidas preventivas e Aplicação de Pesticidas).

Estrutura metodológica e contribuição

A metodologia do sistema apresentado é um pipeline de múltiplas etapas, que combina classificação de imagens e suporte à decisão. O arcabouço consiste em cinco grandes etapas: promoção de imagens e aumento, previsão do estágio de crescimento foliar, uso de modelos de aprendizado profundo treinados nas imagens para classificar a doença, combinação dos resultados da previsão para obter uma decisão conjunta e recomendação do tratamento com base no tipo e estágio de crescimento da doença. A contribuição metodológica deste trabalho está voltada para a implementação de muitos modelos de predição e um módulo de recomendação de tratamento em um único pipeline de suporte à decisão. O sistema baseia-se não apenas na classificação das doenças, mas também na incorporação das informações sobre o estágio de crescimento da planta para fornecer recomendações de tratamento em um estágio específico. O sistema é mais relevante para o processo de tomada de decisão agrícola no mundo real devido a essa estratégia de recomendação consciente do palco. A imagem de entrada passará primeiro pelo pré-processamento antes de ser alimentada pelo modelo de classificação de estágios e pelos modelos de classificação de doenças. Os resultados do modelo de doença são mediados usando uma técnica de conjunto, e a previsão e o estágio de crescimento da doença são levados até o final para obter recomendações corretas de tratamento com base na identificação de registros relevantes no banco de dados de tratamentos.

Estratégia de validação e prevenção de sobreajuste

Para fornecer uma validação rigorosa dos modelos desenvolvidos, o conjunto de dados foi dividido em três subconjuntos disjuntivos: conjunto de treinamento (80%), conjunto de validação (10%) e conjunto de teste (10%). Os modelos foram treinados usando o conjunto de treinamento, ajustados usando o conjunto de validação e avaliados seu desempenho final usando apenas o conjunto de teste. O conjunto de testes permaneceu absolutamente independente para ter uma análise imparcial do modelo. Os métodos seguintes foram usados para garantir que o modelo não se ajuste excessivamente e aumentar sua capacidade de generalização. Para aumentar o nível de diversidade no conjunto de dados, primeiro, foram usados métodos de aumento de dados (rotação, zoom, deslocamento, cisalhamento e inversão horizontal). Segundo, a regularização de dropout foi usada nas camadas totalmente conectadas dos modelos CNN para reduzir o sobreajuste. Terceiro, modelos pré-treinados (VGG16, ResNet50, InceptionV3 e MobileNetV2) foram transferidos usando a técnica das camadas convolucionais congeladas para preservar as características aprendidas e minimizar as chances de sobreajuste causado pelo pequeno tamanho do conjunto de dados. Por fim, a perda de validação e a precisão foram usadas para monitorar o desempenho do modelo durante o treinamento, a fim de garantir que o modelo não esteja superajustando aos dados de treinamento. Esses são os esquemas de validação e regularização que garantem que o modelo proposto se generalice muito bem para dados não vistos e ofereça bom desempenho.

Sistema proposto

A proposta sugerida é uma solução de aprendizado profundo para o manejo da doença das folhas de arroz, que incorpora a previsão e classificação do estágio foliar da doença. Tudo começa com o pré-processamento das imagens de folhas de arroz, em termos de redimensioná-las para uma altura comum e os valores dos pixels. O estágio de crescimento da folha é previsto usando uma rede neural, e uma técnica média de votação é usada para usar um conjunto de modelos de aprendizado profundo (CNN, VGG16, ResNet50, InceptionV3, MobileNetV2) para classificar doenças. O sistema utiliza o estágio previsto e a doença para prescrever as doses corretas de herbicidas ou pesticidas a serem usadas no tratamento. O fluxo de trabalho do sistema proposto é mostrado em (Figura 3). As subseções anteriores (A a I) explicam cada um dos elementos individuais desse pipeline, por isso não há mais descrição aqui. A aplicação baseada em Streamlit desenvolvida neste estudo é um protótipo de ferramenta de suporte à decisão destinada a demonstrar a aplicabilidade prática do modelo proposto. O sistema permite que os usuários enviem imagens de folhas de arroz e recebam previsões de doenças, informações sobre o estágio de crescimento e recomendações de tratamento. Testes de usabilidade em larga escala e implantação em campo com agricultores serão realizados como parte de trabalhos futuros para avaliar a eficácia e usabilidade do sistema no mundo real.

Results

Modelo de classificação de etapas

O modelo de predição de estágios alcançou uma precisão de treinamento de 95,88% (perda: 0,1172) e uma precisão de validação de 95,24% (perda: 0,1751), indicando que o modelo está aprendendo de forma consistente e fazendo previsões justas quando aplicado a amostras de validação não vistas. Foi alcançada uma precisão de validação de 95,24%, com perda de validação de 0,1751. O modelo alcançou uma precisão de test...

Discussion

O artigo atual sugere um sistema inovador de suporte à decisão que envolve a previsão do estágio de crescimento das folhas de arroz, a classificação das doenças com a ajuda de um conjunto de modelos de aprendizado profundo (VGG16, MobileNetV2 e ResNet50) e a recomendação de tratamento baseada em estágios baseada em uma aplicação baseada na web. O modelo de conjunto obteve uma precisão de 98,99% na classificação do modelo, que é maior do que a dos modelos individuais, já que foi reportado...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Conjunto de dados	Conjunto de Dados de Estágio da Folha de Arroz (PaddyNet4)	560 imagens em 4 estágios de crescimento (Estágio 2 e traço; 5)
Conjunto de dados	Conjunto de Dados de Doença da Folha de Arroz	6920 imagens de 6 classes de doenças do Kaggle
Conjunto de dados	Conjunto de Dados de Tratamento	Conjunto de dados compilado com práticas de manejo de doenças por estágio de crescimento
Pré-processamento	Redimensionamento da Imagem	Imagens redimensionadas para 128x128x3
Pré-processamento	Normalização	Valores de pixels escalados para [0,1]
Pré-processamento	Codificação de Rótulos	Rótulos categóricos convertidos em numéricos
Ampliação	Rotação	Até 30 graus
Ampliação	Mudança de Largura/Altura	Até 20%
Ampliação	Zoom	Até 20%
Ampliação	Cisalhamento & Flip	Cisalhamento e inversão horizontal
Modelo	CNN (Classificação de Etapas)	CNN leve com 3 camadas de conv
Modelo	CNN (Classificação de Doenças)	CNN personalizada com camadas de conv + pooling
Modelo	VGG16	Modelo de aprendizagem por transferência
Modelo	ResNet50	Modelo de aprendizagem por transferência
Modelo	InceptionV3	Modelo de aprendizagem por transferência
Modelo	MobileNetV2	Modelo leve de aprendizado por transferência
Técnica	Aprendizagem em Conjunto	Votação por probabilidade média de 5 modelos
Técnica	Aprendizagem por transferência	Usando pesos pré-treinados do ImageNet
Técnica	Regularização do Abandono	Para evitar sobreajustes
Treinamento	Otimizador	Adam (taxa de aprendizado 0,001)
Treinamento	Função de Perda	Entropia Cruzada Categórica
Treinamento	Tamanho do lote	10 (modelo de estágio), 32 (modelos de doenças)
Treinamento	Épocas	10 (estádio), 20 (doença)
Avaliação	Métricas	Precisão, Precisão, Recordação, Pontuação F1
Implantação	Streamlit	Aplicação web para previsão em tempo real