Detecção automática de doenças em folhas de plantas baseado em redes de Petri e algoritmos genéticos Cintia Carvalho Oliveira Faculdade de Computação, Universidade Federal de Uberlândia (UFU) Av. João Naves de Ávila 2121 - Campus Santa Mônica - CX 593 - Uberlândia - MG
[email protected]
Abstract. An automatic analysis of diseases can provide better monitoring of large agricultural areas. The method used on crops is traditionally the examination with the naked eye by experts, but in large crops this means test is expensive and time consuming. Thus the leaves of these crops image processing may return better results than the human visual examination. This design uses image processing techniques to identify diseases on leaves of plants by comparing structures already developed in a categorized database. The images are then segmented into Petri nets are used to provide a method of structuring plant leaves pictures in order to optimize the representation of the leaves and the recognition of diseases Resumo. Uma análise automática de doenças pode proporcionar melhor monitoramento de grandes áreas agrícolas. O método utilizado nas culturas é tradicionalmente o exame a olho nu por especialistas, porém em grandes culturas esse meio de exame é caro e demorado. Assim o processamento de imagens das folhas dessas culturas poderá retornar melhores resultados do que o exame visual humano. Este projeto utilizará técnicas de processamento de imagens para identificar doenças em folhas de plantas através da comparação de estruturas já categorizadas em uma base de dados desenvolvida. As imagens serão segmentadas em seguida as redes de Petri serão utilizadas para fornecer um método de estruturação das imagens de folhas de plantas a fim de otimizar a representação das folhas e o reconhecimento de doenças.
1. Introdução Processamento digital de imagens e métodos de classificações podem proporcionar muitos benefícios nas ciências biológicas. Perdas de safras de culturas podem gerar muitos problemas, como perdas financeiras nos países, preços elevados dos alimentos ou até mesmo a morte de seres humanos. Doenças em plantas podem ocasionar grandes prejuízos em safras agrícolas, tanto em qualidade quanto em quantidade. De acordo com [Ananthi e Varthini, 2012] um surto de heminthosporiose do arroz no nordeste da Índia em 1943 causou uma grande perda de grãos e a morte de um
milhão de pessoas. Nos Estados Unidos perdas por doenças em plantas chegam a aproximadamente $653,06 milhões [Woodward 2009]. De acordo com [Sannakki et al., 2012] a fitopatologia é o estudo científico de doenças de plantas causadas por patógenos e por condições ambientais. Envolve o estudo da identificação do patógeno, a etiologia da doença, os ciclos da doença, o impacto econômico, a epidemiologia, resistência da planta às doenças. A doença é o comprometimento do estado normal da planta que modifica ou interrompe suas funções vitais, como a fotossíntese, a transpiração, a polinização, a fecundação, germinação entre outros. Uma análise automática de doenças em folhas pode proporcionar melhor monitoramento de grandes áreas agrícolas. O método utilizado nas culturas é tradicionalmente o exame a olho nu por especialistas, porém em grandes culturas esse meio de exame é caro e demorado. Assim o processamento de imagens das folhas dessas culturas poderá retornar melhores resultados do que o exame visual humano. Características afetadas devem ser rapidamente identificadas para evitar perdas nas culturas, assim o exame automático pode ser feito constantemente. De acordo com [Al-Hiary et al., 2011] muitas fazendas tem que contratar especialistas de longe, o que é caro e demorado e os fazendeiros estão cada vez mais despreparados para doenças não regionais. Folhas possuem uma natureza bidimensional o que a torna adequada para processamento de imagens. A forma da folha é uma de suas características mais importantes, é usada para identificá-la. A partir da identificação da folha é necessário conhecer a espécie analisada. E a partir da análise da espécie é necessário identificar os tipos de doenças que a afetam e quais as suas características. É importante verificar se a folha foi afetada tanto por agentes patógenos (doenças infecciosas) como fungos e bactérias, quanto por condições ambientais (fatores fisiológicos) como falta de vitaminas no solo. Diversas questões envolvem a classificação de doenças em folhas de plantas: •
Aquisição de imagens de folhas de plantas doentes
•
Filtragem de ruído
•
Segmentação da imagem
•
Detecção de borda para retirada das partes de não interesse
•
Cálculo da área total da folha
•
Captura de características da área total da folha como cor, textura e forma
•
Classificação da doença de acordo com as características totais
•
Cálculo da área total afetada
•
Captura de características da área afetada pela doença, como cor, textura e forma
•
Classificação da doença de acordo com suas características
O processo de aquisição de imagens se refere aos equipamentos utilizados para obter as imagens, a distância do objeto em relação à câmera, o formato da imagem. Para este projeto serão obtidas imagens de folhas sadias e doentes por meio de fotografia, e depois analisadas por um engenheiro ambiental a fim de caracterizar a folha de acordo com a sua doença. Também será utilizada dados do Botanical Research and Herbarium Management System (BRAHMS) que possui diversas informações junto às imagens como data, número e local da coleta, latitude, longitude, nome vulgar, habitat e características da planta. O processo de pré-processamento inclui redimensionamento da imagem, filtragem, segmentação, recorte, realce, correção de ângulo, operações morfológicas e outros. A segmentação de imagens se refere ao processo de particionar a imagem digital em regiões mais significativas, tornando a imagem mais fácil de examinar. O propósito do presente trabalho é segmentar a folha da planta e as regiões afetadas por doenças infecciosas ou por condições ambientais. Existem muitas técnicas para segmentação de imagens, tais como métodos de agrupamento (clustering) como o k-média (k-means clustering), métodos baseados em compressão, métodos baseados em histograma entre outros. Neste trabalho será utilizado o método de segmentação baseado em Redes de Petri. O cálculo da área é o total do número de pixels em uma região, esse cálculo é realizado através da análise dos pixels conectados, ou seja, os pixels adjacentes que possuem o mesmo intervalo de intensidade. Para a classificação da doença são levados em conta características como cor, textura e forma da folha [Backes e Bruno 2009]. Para analisar a textura de uma imagem diversas técnicas podem ser empregadas, tais como matrizes de co-ocorrência, filtro de Gabor, descritores de Fourier, dimensão fractal multi-escala [Backes e Bruno, 2009], deterministic walk [Backes et al., 2006] dentre outros. Para recuperar informações a respeito este tipo de informação ao analisar as características de plantas, alguns modelos podem ser utilizados [Ferneda, 2012]: •
Modelo Booleano: presente em quase todos os sistemas de recuperação de informação, principalmente utilizados na formulação de buscas.
•
Modelo Vetorial: propõe um ambiente no qual é possível recuperar uma informação que responde parcialmente à necessidade de busca. Isso é feito associando pesos aos termos na indexação.
•
Modelo Probabilístico: baseado em probabilidade de relevância das informações em relação à expressão de busca.
•
Modelo Booleano Estendido: tenta combinar as vantagens dos modelos booleano e vetorial.
•
Modelo fuzzy: ao contrário do modelo booleano que classifica algo como relevante e não-relevante o modelo fuzzy lida com as gradações (relevância parcial).
•
Modelo com redes neurais: em um sistema de recuperação temos de um lado as expressões de busca, do outro os documentos e no meio os termos de indexação, isso pode ser visto como uma rede neural de três camadas.
•
Modelos com algoritmos genéticos: uma característica desses modelos é a participação ativa dos usuários na representação dos documentos. Observa-se principalmente a representação dos documentos evoluir após um determinado número de interações dos usuários.
2. Revisão da Literatura Correlata No trabalho de [Sannakki et al, 2011] intitulado “SVM-DSD: SVM Based Diagnostic System for the Detection of Pomegranate Leaf Diseases” é proposta uma metodologia para detectar doenças nas folhas da romã usando técnicas de processamento de imagens e Support Vector Machine (SVM). Utiliza k-média como técnica de agrupamento para extrair a região de interesse da imagem da folha da romã. A partir da área extraída, as características de textura e cor são obtidas para alimentar o classificador SVM. A classificação é feita considerando diferentes conjuntos visuais, a entropia e saturação e a tonalidade e energia. Os resultados da pesquisa mostram que a classificação por SVM é precisa em relação aos dois conjuntos visuais relacionados. No trabalho de [Sannakki et al, 2012] intitulado “Leaf Disease Grading by Machine Vision and Fuzzy Logic” apresenta uma abordagem para classificação automática de doenças em folhas de plantas. Essa classificação se baseia em uma técnica baseada em Lógica Fuzzy. Ao final do trabalho os autores concluem que os resultados foram precisos e satisfatórios em contraste à classificação realizada a olho nu por fitopatologistas. No trabalho de [Backes e Bruno, 2009] intitulado “Plant leaf identification using multi-scale fractal dimension” aborda uma nova abordagem para identificar uma planta através da textura da folha. Inicialmente a textura é modelada como uma superfície, então análises complexas utilizando dimensão fractal multi-escala (Multi-scale fractal dimension) pode ser executada sobre a superfície gerada, resultando em um vetor característico que representa a textura em um espaço escalar. Os autores afirmam que os resultados gerados demonstram o potencial da abordagem, superando métodos tradicionais como matrizes de co-ocorrência, filtros de Gabor e descritores de Fourier. No trabalho de [Backes et al., 2006] intitulado “Deterministic Tourist as an Image Analysis Methodology Based” os autores apresentam uma nova metodologia com base no chamado deterministc walk para análise da textura e caracterização da textura. Os autores afirmam que as texturas são determinadas de acordo com uma escala fixa de textura e o método proposta explora um conjunto de escalas e é capaz de caracterizar de forma eficiente diferentes classes de textura. Os autores [Mahmoudi et al, 2012] em seu trabalho intitulado “A Novel Petri Net Model For Image Segmentation” utilizam uma arquitetura hierárquica baseada em redes de Petri. Esse trabalho ainda possui pouco material relacionado, assim é foco desse plano de trabalho abordar a técnica e desenvolvê-la.
Os autores [Weizheng et al., 2008] em seu trabalho intitulado “Grading Method of leaf spot disease based on image processing” tratam de classificação de doenças em plantas. Utilizam segmentação utilizando o método Otsu. No sistema de cores HSI, a componente H foi escolhida para segmentar os locais doentes reduzindo assim as perturbações ocasionadas pela iluminação. Os locais afetados pela doença são segmentados utilizando o operador Sobel. A doença é classificada através do cálculo do quociente das áreas afetadas e a área da folha. Os autores afirma que o método é rápido e preciso. No trabalho de [Meunkaewjinda et al, 2008] intitulado “Grape leaf disease detection from color imagery using hybrid intelligent system” utiliza diversas técnicas da inteligência artificial. O trabalho se foca na classificação de doenças na folha da uva, utiliza uma rede neural para classificar a cor da folha da uva. A informação da cor da folha é utilizada para segmentar a imagem. Em seguida as partes doentes da folha da uva são segmentadas utilizando um mapa de características auto organizado (self– organizing feature map) com algoritmos genéticos para otimização e utiliza classificação baseada em máquinas de vetores de suporte (support vector machines). Finalmente o resultado é filtrado pelo algoritmo de Gabor o que permite ao sistema analisar a doenças se baseando na cor da folha. Os autores consideram que os resultados das aplicações das técnicas obteve bons resultados. No trabalho de [Perse et al., 2009] intitulado “Analysis of multi-agent activity using petri nets” apresenta o uso de redes de Petri para reconhecimento e avaliação de atividades multi-agentes complexas. As redes de Petri foram construídas de forma a codificar complexas relações temporais entre atividades individuais de um domínio. A abordagem dos autores foi realizar a avaliação usando exemplos de atividades de basquete. Na dissertação de mestrado de [Bernardes, 2011] intitulada “Identificação de Doenças em Folhas Vegetais da Cultura do Algodão” o autor propões um método para extrair e classificar automaticamente doenças em folhas de plantas, reduzindo, a necessidade de interação humana e aumentando a precisão de diagnósticos, além de auxiliar agrônomos ou agricultores que não dispõem de conhecimentos específicos (biológico e contextual). Neste trabalho, são utilizados os padrões de cores RGB, HSV, I3a, I3b e no nível de cinza da imagem. Os canais de cor I3a e I3b são desenvolvidos da modificação da transformação original do padrão de cor I1I2I3. Foi calculada a energia da transformada wavelet, para compor o conjunto de vetores de características, que foram utilizados para realizarem o treinamento da rede da MVS (Máquina de Vetor de Suporte), que fez a classificação das imagens. No trabalho intitulado “Image annotation using fuzzy knowledge representation scheme” dos autores [Ivasic-Kos, Ipsic e Ricaric, 2010] é apresentado um análise baseada em semântica de imagem utilizando um framework baseado em rede de Petri Fuzzy. Um esquema de conhecimento é usado para definir conceitos semânticos mais gerais e complexos e suas relações no contexto examinado. No trabalho intitulado “Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features” dos autores [Arivazhagan et al., 2013] propõe a criação de um sistema para detectar e classificar automaticamente doenças em folhas de plantas. O método se baseia em quatro passos: transformação de
cor da imagem obtida, depois os pixels verdes são mascarados e removidos através de processo de segmentação, são computados estatísticas de textura dos segmentos uteis e finalmente as características extraídas são passadas para um classificador.
3. Revisão Bibliográfica Neste tópico são apresentados os principais conceitos necessários para o desenvolvimento deste trabalho. 3.1 Rede de Petri Uma Rede de Petri (RdP) é, de acordo com [Murata, 1989], uma ferramenta promissora para descrever e estudar sistemas de processamento de informação que sejam concorrentes, assíncronos, distribuídos, paralelos e estocásticos. Redes de Petri (RdP) são ferramentas de modelagem gráfica e matemática. Como ferramenta gráfica elas podem ser utilizadas para comunicação visual, similar aos diagramas de fluxo de dados e redes. Além disso, elas podem simular as atividades dinâmicas e concorrentes de sistemas. Como ferramenta matemática, é possível definir um conjunto de equações algébricas e outros modelos matemáticos [Murata, 1989]. O conceito de RdP teve origem na dissertação de Carl Petri [Petri, 1966], submetida em 1962, intitulada Kommunication mit Automaten (Comunicação com Autômatos), defendida na Faculdade de Matemática e Física da Universidade Técnica de Darmstadt, na Alemanha. Elementos básicos de Redes de Petri Os elementos básicos de uma Rede de Petri são os lugares, transições e fichas: Lugares Os lugares são representados por um círculo e podem ser considerados como estados dentro do sistema. Transições As transições são representadas por uma barra vertical ou um retângulo e podem-se ser consideradas como eventos que ocorrem no sistema. Fichas As fichas são representadas por pontos em um lugar e podem ser consideradas como se a condição associada ao lugar é verificada. Os lugares e fichas podem receber muitas interpretações, podendo ser entendidos como entidades físicas ou abstratas. De acordo com [Cardoso e Valette, 1997], com a RdP pode-se chegar a uma banalização completa dos aspectos descritivos do sistema (fichas e lugares). Essa banalização permite uma visão sintética do sistema a ser modelado.
O funcionamento de uma RdP é baseado no disparo de transições. Esse disparo consiste em um evento que ocorre quando os lugares que estão ligados em transições (lugares de entrada) possuem fichas. O disparo de uma transição consiste na execução de dois passos [Cardoso e Vallete, 1997]: De cada lugar de entrada retira-se uma ficha, indicando assim que a condição anterior à transição não é mais verdadeira, caso esse lugar fique sem nenhuma ficha; Depositam-se as fichas nos lugares de saída, indicando que, após a ocorrência do disparo da transição, as atividades indicadas por esses lugares serão executadas e o próximo estado será verdadeiro. Na Figura 1(a), a transição simula o início da operação de uma máquina em uma indústria. O evento iniciar operação está associado à transição t. O disparo dessa transição somente ocorre se houver pelo menos uma ficha nos lugares máquina disponível, operador disponível e peças. As fichas nesses lugares indicam que as condições dos lugares são verdadeiras, ou seja, o modelo representa que na operação dessa Rede de Petri existe uma máquina disponível, um operador disponível e uma peça a ser processada.
(a)
(b) Figura 1 – Rede de Petri Ordinária
Com os lugares de entrada satisfazendo a condição de disparo da transição (pelo menos uma ficha em cada lugar), o evento iniciar operação ocorrerá, consistindo na retirada de uma ficha de cada lugar de entrada e a colocação de uma ficha nos lugares de destino, ou seja, no lugar máquina em operação (Figura 1(b)). A semântica do modelo apresentado propõe representar a seguinte situação: para que uma peça seja processada, deve existir uma peça, e é necessário que uma máquina e um operador estejam disponíveis. Tendo esses pré-requisitos satisfeitos, o disparo da transição simboliza que um evento ocorrerá, ou seja, que a próxima condição após o disparo será verdadeira, o que é caracterizado pela máquina em operação.
A retirada das fichas dos lugares de entrada, após o disparo da transição, indica que os estados ou condições representados por eles não são mais verdadeiros. Entretanto, se antes do disparo da transição há mais de uma ficha no lugar de entrada, então a condição representada pela ficha ainda continua verdadeira. A condição somente se torna falsa no caso em que o lugar de entrada fica vazio após o disparo da transição. Nas Redes de Petri ordinárias, as fichas funcionam como ativadores de estados e disparo de transições, coordenando as operações representadas pela Rede de Petri. Observa-se que os arcos que ligam lugares em transições e transições em lugares podem possuir um peso. Esse peso indica quantas fichas devem passar pelo arco, tanto para corresponder a uma condição, quanto na geração de fichas. Nas Redes de Petri de alto nível (redes coloridas, predicado-transição e a objetos, por exemplo) as fichas podem representar informação, e não servem somente para controle (como é o caso das Redes de Petri ordinárias). Na Tabela 1, adaptada de [Murata, 1989], são apresentadas algumas interpretações que podem ser feitas a respeito das transições e lugares. Tabela 1 – Interpretações a respeito de transições e lugares Lugares de Entrada na Transições transição
Lugares de Transição
Saída
Pré-condições
Evento
Pós-condições
Dados de Entrada
Processamento Computacional
Dados de Saída
Sinais de Entrada
Processamento de sinais
Sinais de Saída
Necessidade de Recursos
Tarefa ou trabalho
Liberação de Recursos
Condições
Cláusula lógica
Conclusões
Buffers
Processador
Buffers
da
Definição - Rede de Petri A definição a seguir segue a notação e conceitos apresentados em [Murata, 1989]. Uma Rede de Petri é uma quíntupla, PN = (P, T, F, W, M0), na qual: P = {p1, p2, ..., pn} é um conjunto finito de lugares T = {t1, t2, ..., tn} é um conjunto finito de transições F
{P x T}
W: F
{T x P} é um conjunto de arcos
{1, 2, 3, ...} é uma função peso
Mo: P
{0, 1, 2, 3,...} é a marcação inicial
Representação Matricial Uma Rede de Petri pode ser representada utilizando uma notação matricial denominada de matriz de incidência, que representa a relação entre lugares e transições. [Cardoso e Valette, 1997] [Pais, 2004] Definição - Matriz de Incidência Prévia Dada uma Rede de Petri, a sua matriz de incidência prévia é denominada por Pre. A matriz Pre tem dimensão n x m, tal que n é o número de lugares e m é o número de transições. Cada elemento aij da matriz Pre corresponde ao peso do arco que interliga o lugar pi à transição tj. Portanto, um arco liga um lugar pi a uma transição tj se, e somente se,
.
Considere a Rede de Petri representada na Figura 2.
Figura 2 – Rede de Petri, adaptada de [Cardoso e Valette, 1997] A matriz de incidência prévia é dada por: a b c d 0 1 0 0 P1 Pre = 1 0 3 0 P2 0 0 0 1 P3
Os elementos da matriz com o valor 0 determinam que o lugar corresponde ao número da linha não está ligado na transição que corresponde ao número da coluna. Em outras palavras, tal lugar não é um lugar de incidência da transição. Os demais elementos da matriz, que estão com algum valor diferente de zero, indicam que há a ligação do lugar que corresponde à linha com a transição indicada pela
coluna. Nesse caso, o valor aij corresponde ao peso associado ao arco que liga o lugar pi à transição tj. Definição - Matriz de Incidência Posterior Dada uma Rede de Petri, a sua matriz de incidência posterior é denominada por Post. A matriz Post tem dimensão n x m, tal que n é o número de lugares e m é o número de transições. Cada elemento bij da matriz Post corresponde ao peso do arco que interliga a transição tj ao lugar pi. Portanto, um arco liga uma transição tj a um lugar pi se, e somente se,
.
Considere a Rede de Petri representada na Figura 2. A matriz de incidência posterior é dada por: a b c d 1 0 0 0 P1 Post = 0 1 0 3 P2 0 0 1 0 P3
Os elementos da matriz com o valor 0, apontam que a transição indicada pela coluna não está ligada no lugar indicado pela linha. Os demais elementos da matriz que possuem algum valor indicam que há ligação da transição que é representada pela coluna com o lugar indicado pela linha. Definição - Matriz de incidência A partir das matrizes Pre e Post pode-se definir a matriz de incidência Minc, que é resultado da subtração de Post por Pre. Assim: Minc = Post - Pre Na matriz de incidência, cada coluna corresponde à modificação da marcação através do disparo da transição associada. Considerando a Rede de Petri representada na Figura 2, temos que Minc é dado por:
M inc
1 0 0 0 0 1 0 0 1 −1 0 0 0 1 0 3 − 1 0 3 0 = = Post - Pre = −1 1 −3 3 0 0 1 0 0 0 0 1 0 0 1 −1
Então, por exemplo, a primeira coluna da matriz Minc, significa que quando a transição a é disparada é adicionada uma marca no lugar P1 e removida uma marca do lugar P2. Quando a transição c é disparada, é removida 3 fichas do lugar P2 e adicionada uma ficha no lugar P3. 3.2 Algoritmos Genéticos Os algoritmos genéticos (AGs) são um ramo de pesquisa da Computação Evolucionária e podem ser definidos como uma técnica de busca baseada numa metáfora do processo biológico de evolução natural [Linden, 2008]. Segundo Darwin na natureza todos os indivíduos dentro de um ecossistema competem entre si por recursos limitados e aqueles indivíduos dentre uma mesma espécie que não obtiverem sucesso, terão uma menor chance de sobreviverem e a probabilidade de ter seus genes propagados em gerações posteriores serão menores. [Darwin, 2004] Os AGs são algoritmos de busca e otimização baseados nesse processo de seleção natural descrito por Darwin. Em que os melhores indivíduos de uma população estão mais aptos a sobreviverem e reproduzirem mais. Na década de 1960 John Holland, pesquisador da Universidade de Michigan inventou os Algoritmos Genéticos. A partir de seus estudos sobre a evolução das espécies Holland publicou em 1975 seu livro, no qual descreve um problema em forma de uma função matemática, onde os indivíduos melhores avaliados receberam valores maiores da função e cada indivíduo é uma possível solução [Holland, 1992]. Para a reprodução desse conceito em um modelo computacional, o Algoritmo Genético mais Básico (AGB) cria uma população inicial e aplicam, ao longo de iterações, operadores genéticos como o de seleção, cruzamento e mutação. O AG procura uma solução muito boa, ou a melhor, através da criação genética de populações de indivíduos cada vez mais apta.
4. Metodologia Para que a doença possa ser detectada alguns passos são necessários. 1. Aquisição da imagem em formato RGB 2. Detecção da forma da folha 3. Detecção de borda baseado no filtro Sobel, para remover as partes da imagem não desejadas. 4. Análise de características como textura, cor e forma identificam doenças que atingem a folha como um todo. 5. Caso a doença seja causada por fungo ou bactéria a área afetada é segmentada e analisada.
A segmentação em imagens com um plano de fundo com muitas informações gráficas pode ser um desafio para a análise dessas imagens, na análise de folhas de plantas é necessário simplificar a representação da imagem através da extração das informações do fundo dessa folha. No trabalho de [Valliammal e Geethalakshmi, 2012] é utilizado um algoritmo de segmentação de folhas de plantas usando agrupamento baseado em k-média não linear. Ainda de acordo com [Valliammal e Geethalakshmi, 2012] a técnica de segmentação baseado em K-média é o método mais popular, outros trabalhos abordam o mesmo assunto [Lin et al 2010] [Gocławski 2009] [Isa, 2005]. Porém poucos trabalhos utilizam técnicas baseadas em rede de Petri e esse trabalho propõe a aplicação e comparação dessa técnica com as mais utilizadas, a fim de analisar sua validade como uma técnica efetiva de segmentação. Ao segmentar uma folha de planta e suas áreas doentes é possível obter as características necessárias para classificar a doença que a afeta. Diversas técnicas são utilizadas para efetuar a classificação e nesse trabalho os algoritmos genéticos serão o ponto de partida para a investigação da sua eficiência na determinação da doença em folhas de plantas.
5. Objetivos Esse trabalho possui como objetivo geral a investigação e elaboração de técnicas para a detecção de folhas saudáveis e doentes sem intervenção humana. Para isso alguns objetivos específicos devem ser traçados a fim de que o objetivo geral possa ser alcançado. Como objetivos específicos têm-se: 1.Investigar técnicas de segmentação em folhas de plantas baseada em redes de Petri unidas com outras técnicas de segmentação 2.Comparar técnicas de classificação de doenças 3.Formalizar uma classificação baseada em Algoritmos Genéticos
6. Resultados Esperados Esperam-se como resultados desse projeto de doutorado: •
Investigação e formalização de um método de segmentação de imagens baseada em redes de Petri
•
Elaboração de um modelo de classificação de doenças em folhas com a formalização de uma técnica baseada em Algoritmos Genéticos
•
Desenvolvimento de um sistema
•
Publicação de quatro artigos em conferências internacionais qualificadas (A ou B – Capes)
•
Publicação de dois artigos em periódicos qualificados.
•
Defesa de uma tese de doutorado
Referências [Al-Hiary et al., 2011] H.Al-Hiary, S. Bani-Ahmad, M.Reyalat, M.Braik and Z.AlRahamneh, Fast and Accurate Detection and Classification of Plant Diseases, International Journal of Computer Applications (0975-8887), Volume 17No.1.March 2011. [Ananthi e Varthini, 2012] Ananthi, S., and S. Vishnu Varthini. "Detection and classification of plant diseases." International Journal of Research in Engineering & Applied Sciences, 2012 [Arivazhagan et al, 2013] Arivazhagan, S., Shebiah, R. N., Ananthi, S., & Varthini, S. V. (2013). Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features. Agricultural Engineering International: CIGR Journal, 15(1), 211-217. [Backes e Bruno, 2009] Backes, A. R., e Bruno, O. M., "Plant leaf identification using multi-scale fractal dimension." Image Analysis and Processing–ICIAP 2009. Springer Berlin Heidelberg, 2009. 143-150. [Backes et al., 2006] Backes, A. R., Bruno, O. M., Campiteli, M. G., & Martinez, A. S. (2006). Deterministic tourist walks as an image analysis methodology based. In Progress in Pattern Recognition, Image Analysis and Applications (pp. 784-793). Springer Berlin Heidelberg. [Bernardes, 2011] Bernardes, A.A., Identificação de Doenças em Folhas Vegetais da Cultura do Algodão. 2011, 101 f. Dissertação (Mestrado) – Curso de Mestrado em Ciência da Computação. Universidade Estadual Paulista “Júlio de Mesquita Filho”. [Cardoso e Valette, 1998] Cardoso, J., Valette, R. Redes de Petri. Editora da UFSC, Santa Catarina, 1998. [Darwin, 2004] Darwin, C. A Origem das Espécies e a Seleção Natural. Brasil: Editora Madras, 2004. 2 [Ferneda, 2012] Ferneda, E., Introdução aos Modelos Computacionais de Recuperação de Informação. Editora Ciência Moderna Ltda. 2012. Rio de Janeiro. ISSN: 978.85.399.0188-3, 165 pgs. [Gocławski 2009] Jarosław Gocławski, An Automatic Segmentation Method for Scanned Images of Wheat root Systems with Dark Discolourations, Int. J. Appl. Math. Comput. Sci., Vol. 19, No. 4, pp.679–689, 2009. [Holland, 1992] Holland, J. H. Adaptation in natural and arti_cial Systems. Massachusetts: MIT Press, 1992. 2 [Isa, 2005] Nor Ashidi Mat Isa, " Automated Edge Detection Technique for Pap Smear Images Using Moving K-Means Clustering and Modified Seed Based Region Growing Algorithm", International Journal of The Computer, the Internet and Management Vol. 13.No.3 ,pp 45-59, 2005.
[Ivasic-Kos, Ipsic e Ricaric, 2010] Ivasic-Kos, M., Ipsic, I., & Ribaric, S. (2010, December). Image annotation using fuzzy knowledge representation scheme. In Soft Computing and Pattern Recognition (SoCPaR), 2010 International Conference of (pp. 407-412). IEEE. [Lin et al., 2010] Wan-Ting Lin, Chuen-Horng Lin, Tsung-Ho Wu, and YungKuan Chan, Image Segmentation Using the K-means Algorithm for Texture Features, World Academy of Science, Engineering and Technology, 65, 2010. [Linden, 2008] Linden, R. Algoritmos genéticos. 2. ed. Rio de Janeiro: Brasport, 2008. [Mahmoudi et al., 2012] Mahmoudi, L., Azawi, A. A., Zaart, A. E., Haidar, A., “A Novel Petri Net model For Image Segmentation”. In 2nd International Conference on Advances in Computational Tools for Engineering Applications. 2012 [Meunkaewjinda et al, 2008] Meunkaewjinda, A., Kumsawat, P., Attakitmongcol, K., & Srikaew, A. (2008, May). Grape leaf disease detection from color imagery using hybrid intelligent system. In Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology, 2008. ECTI-CON 2008. 5th International Conference on (Vol. 1, pp. 513-516). IEEE. [Murata, 1989] Murata, T. Petri Nets: Properties, Analysis and applications. Proceedings of the IEEE. Vol.77, no 4, 541-580, 1989 [Pais, 2004] Pais, R. M. C., Geração de Executores e Analisadores de Redes de Petri. Dissertação de mestrado. Departamento de Informática/ Faculdade de Ciências e Tecnologia/Universidade Nova de Lisboa, 2004 [Perse et al., 2009] Perše, M., Kristan, M., Perš, J., Mušič, G., Vučkovič, G., & Kovačič, S. (2010). Analysis of multi-agent activity using petri nets. Pattern Recognition, 43(4), 1491-1501. [Petri, 1966] Petri, C. A., Communication with Automata, New York: Griffiss Air Force Base. Tech. Rep. RADC-TR-65-377, vol. 1, Suppl. 1, 1966 [Sannakki et al, 2011] Sannakki, Sanjeev S., Vijay S. Rajpurohit, and V. B. Nargund. "SVM-DSD: SVM Based Diagnostic System for the Detection of Pomegranate Leaf Diseases." Proceedings of International Conference on Advances in Computing. Springer . India, 2012. [Sannakki et al., 2012] Sannakki, S. S., Rajpurohit, V. S., Nargund, V. B., Kumar, A., & Yallur, P. S. Leaf Disease Grading by Machine Vision and Fuzzy Logic. International Journal, 2. 2012 [Valliammal e Geethalakshmi, 2012] Valliammal, N., and S. N. Geethalakshmi. "Plant Leaf Segmentation Using Non Linear K means Clustering." International Journal of Computer Science 9 (2012). [Weizheng et al., 2008] Weizheng, S., Yachun, W., Zhanliang, C., & Hongda, W. (2008, December). Grading method of leaf spot disease based on image processing. In Computer Science and Software Engineering, 2008 International Conference on (Vol. 6, pp. 491-494). IEEE. [Woodward, 2009] Jean Williams-Woodward, Extension Plant Pathologist, (2009)Georgia Plant Disease Loss Estimates, www.caes.uga.edu/publications.
