Aplicações do Processamento Digital de Imagens na Cultura da Banana

Silvia H. Modenese-Gorla da Silva1, Juliana Domingues Lima1, Danilo Eduardo Rozane1, Wilson da Silva Moraes1, Eduardo Nardini Gomes1, Paulo Henrique Milanezi1, Hugo do Nascimento Bendini1, João Francisco Modenese1, Marcus

Vinicius Cremonesi1

1Câmpus Experimental de Registro – Universidade Estadual Paulista “Julio de Mesquita Filho” (UNESP)

Rua Nelson Brihi Badur, 430, Vila Tupy, 11.900-000 – Registro – SP – Brazil {silvia, judlima, danilorazane, wilson, engomes, milanezi, jmodenese,

cremonesi}@registro.unesp.br

Abstract. The digital image processing was adopted in research in banana crop, by a multidisciplinary team, seeking to identify of the primaries stages of the Black-Sigatoka and identifying injuries by cold or chilling in fruits, pre-and postharvest in development, determination of regression equations for estimation of leaf area and determination of diagrammatic scale to assess the severity of anthracnose in postharvest fruit.

Resumo. O processamento digital de imagens foi utilizado em pesquisas na cultura da banana, por uma equipe multidisciplinar, para identificar estádios iniciais da Sigatoka-Negra, injúrias causadas pelo frio ou chilling, em frutos pré e pós-colheita, determinação de equações de regressão para estimação da área foliar e determinação de escala diagramática para avaliação de antracnose em pós-colheita de frutos.

1. Introdução

A bananicultura tem grande importância social no que diz respeito à geração de empregos, área cultivada e como fonte nutricional, pois seus frutos constituem alimento básico da população carente de diversos países, sendo consumida por todas as camadas sociais da população. A cultura da bananeira (Musa spp.) apresenta uma participação significativa na economia agrícola mundial. No ano de 2010, segundo dados da FAO (2012), foi a fruta mais produzida no mundo, cultivada em 124 países do globo terrestre, ocupando uma área de 4,8 milhões de hectares, com produção estimada em 102 milhões de toneladas.

A principal atividade agrícola da região do Vale do Ribeira, é o cultivo da bananeira, sendo estimada a existência de cerca de 51 milhões plantas, distribuídas em aproximadamente 33 mil hectares. A bananicultura gera para região 30 mil empregos diretos e 45 mil empregos indiretos. Na economia, representa cerca de 80% da receita e 1,7% do PIB estadual. A atividade é desenvolvida em grande parte por micro e pequenos produtores (80%) com até 50 plantas por propriedade que empregam mão-de-obra familiar e o restante (20%) por médios e grandes produtores [Gelmini 2004].

A banana é uma das frutas mais consumidas no Brasil, constituindo parte importante da alimentação das camadas mais carentes da população, sobretudo no meio rural, sendo de grande importância para a fixação do homem no campo e para a geração de emprego. Apesar do grande volume de produção e da ampla distribuição por todo o território nacional, essa cultura caracteriza-se por apresentar baixa produtividade, baixo nível tecnológico e elevadas perdas na pré e pós-colheita [Pereira e Ambrósio 2010].

No mundo globalizado, a agricultura intensiva depende, de forma crescente e irreversível, da utilização de insumos e tecnologias modernas, a fim de que os resultados sejam beneficiados cada vez mais com os avanços tecnológicos. O processamento digital de imagens é exemplo do uso da tecnologia na agricultura. Por processamento digital de imagens (PDI), entende-se a manipulação de imagens por computador, com objetivos que vão desde melhorar o aspecto visual de uma imagem, até extrair informações úteis e relevantes [Gonzales e Woods 1992].

No Vale Ribeira, principal região produtora de banana do Estado de São Paulo, uma equipe de pesquisa multidisciplinar tem utilizado esta tecnologia na bananicultura.

Assim, este trabalho tem por objetivo divulgar alguns resultados alcançados com o uso do PDI na bananicultura, conforme as aplicações: nas identificações 1) dos estádios precoces do desenvolvimento dos sintomas da Sigatoka-negra; 2) de injurias pelo frio ou chilling em frutos pré e pós-colheita; 3) equações de regressão para estimativa da área foliar e 4)desenvolvimento de escala diagramática para avaliação da severidade da Antracnose em pós-colheita de frutos.

2. Material e Métodos

Nas identificações dos estádios precoces de desenvolvimento dos sintomas da doença Sigatoka-negra e do chilling em frutos, utilizou-se o processamento digital de imagens, a partir de método composto por quatro fases distintas de operacionalização: coleta e digitalização das amostras, segmentação e extração dos histogramas das imagens, seleção de atributos e, por último, classificação [Modenese-Gorla da Silva 2008].

Já para a estimativa da área foliar e para a escala diagramática, o PDI foi utilizado para quantificar a área foliar e áreas lesionadas da doença na folha e fruto.

Para a coleta e digitalização das amostras das aplicações 1 e 2, foram coletadas imagens digitais de folhas de bananeiras infectadas com a Sigatoka-negra nos estádios 1, 2 e 3, folha sadia e com fitotoxidez por óleo mineral e frutos caracterizados com e sem chilling, de acordo com a temperatura a que foram submetidos durante a sua formação, respectivamente.

Para a Sigatoka-negra, de cada classe estudada, foram coletadas 20 amostras de forma geométrica quadrada de aproximadamente 2 cm x 2 cm, totalizando 100 amostras. Para o chilling, os frutos foram descascados e suas cascas imediatamente digitalizadas em software de edição de imagens GIMP, coletando-se 25 amostras de forma geométrica quadrada de 100 x 100 pixels para cada uma das classes (com e sem chilling), totalizando 50 imagens amostradas. As amostras foram digitalizadas em scaner de mesa, marca HP, resolução de 300 dpi, e gravadas, separadamente, em arquivos jpeg.

Posteriormente, para extração dos histogramas das imagens utilizou-se uma ferramenta computacional desenvolvida em Modenese-Gorla da Silva (2008), que decompõem a imagem em três componentes de cores RGB. De cada um desses componentes de imagens, extraiu-se um histograma da intensidade dos níveis de cinza (256 níveis). Assim, cada imagem passou a ter 769 (3*256+1) variáveis para representá-la, ou seja, a freqüência de cada nível de cinza para cada um dos componentes de cores RGB, representando as 768 variáveis de entrada e, também, uma variável de saída, representando a classe de cada imagem.

Com o número excessivo de variáveis de entrada (768), fez-se necessário, a aplicação da Análise de Componentes Principais (ACP) para que se conseguisse diminuir o número de variáveis de entrada e, assim, facilitar computacionalmente o treinamento das Redes Neurais Artificiais (RNA) na fase de classificação das imagens. A ferramenta selecionada para indução dos algoritmos a serem utilizados foi a Weka [Witten e Frank 1999].

Por último, aconteceu a fase de classificação das imagens, onde utilizou-se a técnica de RNA para treinamento e classificação das classes coletadas. A RNA utilizada foi a multicamadas, treinada com algoritmo backpropagation [Haykin 1999].

Para estimativa das equações de regressão para a área foliar, coletaram-se 262 folhas, retiradas de 35 plantas em dois bananais cultivados com bananeiras Nanica Cv. Grand Naine (Musa AAA). Cada folha foi fotografada com câmera digital da marca Sony©, a uma resolução de 12 megapixels, posicionada paralela ao chão, a 2,1 m de altura. Cada folha teve suas dimensões, comprimento (C) e largura (L), medida com

trena graduada em milímetros. A seguir, as imagens foram processadas pelo software SPRING [Câmara et al. 1996], para o cálculo da área foliar de cada folha. Após, modelos lineares foram testados para estimar a área de cada folha e a área foliar total, pelo o software R, testando qual das variáveis, comprimento (C), largura (L) e o produto do comprimento pela largura (CxL), melhor estimasse a área foliar de cada folha. As regressões lineares foram determinadas considerando a área foliar total de cada planta (AFT), como variável dependente, e o comprimento (C), largura (L) da terceira folha, o produto de CxL, o número total de folhas por planta (N), produto de CxLxN e a área foliar da terceira folha (AF3), como variáveis independentes.

Para a aplicação 4, um cacho de banana nanica foi coletado e levado para o Câmpus da UNESP, em Registro, SP, onde aguardou-se o seu amadurecimento, sem nenhum tratamento adicional. Após 16 dias, 20 frutos foram selecionados, considerando os limites máximo e mínimo de severidade, observados visualmente. As imagens digitais da casca dos frutos foram obtidas por meio do mesmo scaner de mesa utilizado nas aplicações 1 e 2. Em seguida, as imagens foram processadas, também, no software SPRING, para a quantificação da área lesionada pela Antracnose.

3. Resultados e Discussão

Na seleção de atributos, para as aplicações 1 e 2, a ACP reduziu as variáveis de entrada para 11 e 12 variáveis canônicas, ou seja, redução de 98,6 e 98,4 %, respectivamente, que correspondem a combinações lineares das 768 variáveis originais. Com isso, reduziu-se a dimensionalidade para a fase de classificação com as RNA. A Figura 1 ilustra a arquitetura da RNA utilizada na fase de classificação do experimento com chilling.

Como resultado de classificação, a RNA conseguiu uma taxa de acerto médio, nos conjuntos de testes, iguais a 81 e 94%, para as aplicações 1 e 2, respectivamente.

Figura 1. RNA Multicamadas utilizada no treinamento das classes.

Para a aplicação 3, os modelos lineares que melhores estimaram a área foliar de cada folha (AF) e a área foliar total (AFT) da bananeira foram as equações AF=0,8056*(CxL) + 0,1662 e AFT = 0,7264*(CxLxN) + 1.7180, com R2 de 0.95 e 0.99, respectivamente.

Já para a aplicação 4, foi possível determinar, por meio de amostras de pixels da imagem da lesão, uma faixa espectral que correspondesse apenas à área da doença. Desta forma, podem-se diferenciar as lesões de Antracnose das demais manchas na casca, que podem ser causadas por injúrias mecânicas, pragas ou intempéries.

4. Conclusão

O modelo proposto para identificação dos sintomas da Sigatoka-negra mostrou-se promissor ao fornecer informações para um sistema automático de monitoramento da severidade, que poderá ser instalado em um dispositivo eletrônico que detectará os sintomas da doença, transferindo automaticamente as informações do monitoramento.

Para o chillling, a partir dos resultados obtidos com taxa de erro de somente 6 %, conclui-se que a metodologia adotada foi precisa no reconhecimento de danos causados pelo frio em bananas.

Para estimativa da área foliar e determinação de áreas lesionadas no fruto, o PDI mostrou-se uma alternativa eficiente e de baixo custo.

Outros experimentos com PDI aplicado à bananicultura estão em desenvolvimento, entre eles a identificação de deficiências nutricionais com imagens de folhas das plantas e elaboração de escala diagramática para avaliação da severidade da Sigatoka-negra.

Referências Bibliográficas

Camara, G.; Souza, R.C.M.; Freitas, U.M.; Garrido, J. (1996). SPRING: Integrating remote sensing and GIS by object oriented data modeling. Computers & Graphics, New York, v. 20, n. 3, p. 395-403.

FAO STAT AGRICULTURE DATA . Disponível em: http://www.fao.org/. Acesso em 02 de fev. 2012.

Gelmini, G.A. (2004). Controle da Sigatoka Negra na cultura da bananeira: indicações básicas. Campinas: Coordenadoria de Defesa Agropecuária. 32p. (Manual 2).

Gonzalez, R. C. e Woods, R. E. (1992). Digital Image Processing. Reading, Addison Wesley, 716p.

Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. New York, US: MacMillan.

Modenese-Gorla da Silva, S. H. (2008). Processamento digital de imagens para identificação da sigatoka negra em bananais utilizando análise de componentes

principais e redes neurais artificiais. Tese de Doutorado: Energia na Agricultura, FCA, 94p.

Pereira, V. M. O.; Ambrósio, M. M. Q. (2010). Incidência e frequência de fungos em bananas comercializadas na feira livre de Pombal – PB. Revista Verde, Mossoró, v. 5, n. 3, p. 218 – 223.

Witten, I.H.; Frank, E. (1999). Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann.