Aplicativo inteligente facilita tomada de decisões no manejo de doenças foliares através de imagens

Atualmente, a tecnologia e o fácil acesso à informação têm permitido que as decisões diárias sejam cada vez mais assertivas e ágeis e para a agricultura não poderia ser diferente. Pensando nesse cenário, desenvolveu-se uma ferramenta que possibilita a detecção rápida e precisa da severidade de doenças, orientando a tomada de decisão do agricultor e tornando mais simples e precisas as ações relacionadas ao manejo de doenças, tudo isso através de uma única foto tirada pelo celular do próprio produtor. Para uma contextualização adequada do funcionamento do software, os próximos parágrafos evidenciarão a abordagem técnica proposta.

A análise da severidade das doenças é crucial para compreender e tratar eficazmente as condições de saúde das plantas. Uma abordagem comum é o uso de escalas diagramáticas, um método há muito utilizado. No entanto, a incorporação de tecnologias avançadas, como a análise de imagens, oferece novas perspectivas. Por exemplo, o desenvolvimento de aplicativos para detecção e quantificação da saúde de plantas através de imagens RGB representa um avanço significativo nesse campo. Essas soluções tecnológicas têm o potencial de melhorar a precisão e a eficiência da avaliação da gravidade de doenças, fornecendo insights valiosos para intervenções precisas. Devido a essas complexidades, exige-se que busquemos soluções tecnológicas que minimizem a subjetividade dos avaliadores e reduzam a possibilidade de erros na análise.

Para realizar essa avaliação por meio de escalas, são necessários pelo menos três avaliadores e uma escala de referência (Figura 1). Eles empregam essa escala como referência e realizam uma inspeção visual detalhada da folha para determinar a extensão da área afetada pela doença.

Com o objetivo de aumentar a precisão do processo e torná-lo automatizado, desenvolvemos um aplicativo computacional para analisar a saúde das plantas por meio de imagens RGB (Figura 2) capturadas por celulares.

Neste cenário, o software emprega um algoritmo que realiza o recorte da região a ser analisada na imagem, visando otimizar o tempo de processamento. Paralelamente, a imagem é subdividida em partes para mitigar os efeitos adversos do brilho e outros, como mostra a figura 3.

Outra forma de mitigar estimativas errôneas e aumentar a acurácia do software, é seguir algumas premissas durante a aquisição das imagens. Estas diretrizes visam aprimorar a eficácia da visão computacional. As exigências são simples: a) a imagem deve ter qualidade razoável, com no mínimo 300 dpi (resolução ótica atendida pela maioria das câmeras digitais, incluindo smartphones); b) a folha deve ocupar a maior parte da imagem; c) deve haver o mínimo de variação de sombra ou luz na imagem. 

Posteriormente, a detecção da área infectada pela doença é realizada por meio de um algoritmo de machine learning. Esse algoritmo transformam o espaço de cores RGB para HSI e, a partir das variações de brilho nas imagens, realizam a segmentação do fundo (conforme ilustrado na Figura 4). Para otimizar essa segmentação, é aplicada uma máscara de segmentação submetida a um operador de erosão da imagem. Esse procedimento tem como intuito preservar os pixels localizados no centro da área de interesse, priorizando a eficácia da segmentação.

Do espaço de cores HSI, isolamos também o componente de Matiz (Hue). Este componente representa a tonalidade ou a cor pura da imagem, fornecendo uma indicação de sua posição no espectro angular de cores. Esta representação pode ser visualizada na Figura 5.

Dessa forma, são estabelecidos limiares com base na matiz das cores, que determinam se representam a sanidade da planta ou não. Isso nos permite distinguir entre pixels correspondentes a plantas saudáveis e aqueles correspondentes a plantas não saudáveis, o que podemos observar na figura 6.

A eficácia do software foi testada e comparada, avaliando a saúde das folhas através da escala diagramática e o software de análise de imagens Leaf Doctor. Foram avaliadas, nas mesmas condições, a saúde das plantas em 480 imagens. O algoritmo apresentou um coeficiente de explicação (Figura 6) superior ao do método de comparação quando correlacionado com a severidade visual, evidenciando sua capacidade de explicar tanto a severidade prevista pelo Leaf Doctor quanto a avaliada pelos quatro avaliadores.

Na comparação de correlações, mais uma vez o algoritmo mostrou eficácia na análise da saúde vegetal em comparação com outros métodos, como pode ser observado na Figura 8. Apresentando alta correlação positica com todos, que os métodos possuem comportamentos similares.

Com os dados evidenciados nesse artigo, podemos afirmar que software se mostra eficaz para leituras de saúde das plantas por meio de imagens, oferecendo praticidade e eficiência. Sua robustez o torna imune à subjetividade nas análises, garantindo resultados mais confiáveis e consistentes. Além disso, abre portas para que outras abordagens sejam exploradas utilizando o mesmo princípio técnico aqui aplicado.

A pesquisa desempenha um papel crucial para o nosso futuro, possibilitando o desenvolvimento de ferramentas que não apenas facilitam o dia a dia do agricultor, mas também promovem a sustentabilidade e a eficiência na agricultura. Nesse cenário, esse software poderá ser baixado tanto no celular como via web e por ter como input principal uma foto, a ausência de sinal de rede no campo não impedirá o funcionamento do aplicativo, o tornando simples e funcional para a realidade do agricultor. 

Link do aplicativo: https://wilhan-valasco-santos.shinyapps.io/SeverCalc/

*Por Wilhan Valasco dos Santos, gerente de Pesquisa e Desenvolvimento na Agrivalle; Caroline Ferreira Freire, Pesquisadora na Agrivalle; Gabryely Eloísa Henares Ostrufka, Gerente de Pesquisa e Desenvolvimento na Agrivalle; e João Alberto de Oliveira Jr, Diretor de Pesquisa e Desenvolvimento na Agrivalle