Sistemas Especialistas Aplicados ao Diagnóstico de Doenças em Plantas: Estado da Arte e Visão Crítica

1910

IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 4, APRIL 2016

Expert Systems Applied to Plant Disease Diagnosis: Survey and Critical View J. G. A. Barbedo Abstract— Expert systems have been applied to solve agricultural problems for some time. The complexities involved in plant disease diagnosis make this problem a prime candidate for the application of expert systems. Those same complexities, however, make the development of a viable system a very challenging task. Many attempts at creating such tools have been reported in the literature, with different scopes and degrees of success. This article had the objective of organizing all the information that has been published on the subject in the last four decades by presenting a brief individual description of each proposed system, and then condensing all the information into a critical analysis of how the problem was handled in the past, how it evolved into the current scenario, and which are the possible directions to be explored in the future. Keywords— Expert diagnosis, critical view.

O

systems,

plant

pathology,

disease

I. INTRODUÇÃO

TERMO "sistema especialista" foi originalmente criado na década de 1950, tendo recebido muitas definições ao longo dos anos. Algumas dessas definições foram discutidas por Edwards-Jones [1], o qual sugeriu que o termo "sistemas baseados em conhecimento" poderia ser mais apropriado por ser mais inclusivo. Porém, como discutido por Bobrow et al. [2], esta nomenclatura pode levar a interpretações muito amplas, a menos que haja alguma definição associada que limite seu escopo. Cowell et al. [3] colocaram que o termo "sistema especialista" se tornou anacrônico, mas destacaram que este é um bom rótulo para programas de computador que tentam resolver problemas que são ao mesmo tempo complexos e bem delineados, razão pela qual foi o adotado neste texto. Embora os termos "sistema especialista" (expert system) e "sistema baseados em conhecimento" (knowledge-based system) sejam os mais utilizados, outras expressões são empregadas para se referir a conceitos similares, como "inteligência artificial" (artificial intelligence), "sistema de diagnóstico" (diagnosis system), "sistema inteligente" (intelligent system) e "sistema de suporte à decisão" (decision support system). Todos esses termos foram utilizados na busca por trabalhos aqui realizada. A seleção dos trabalhos relacionados a agricultura foi realizada a partir da lista geral gerada com os termos acima. Apesar da riqueza de definições para o termo "sistema especialista", aparentemente não há uma única definição capaz de englobar todos os sistemas propostos na literatura sem ser J. G. A. Barbedo, Centro Nacional de Pesquisa Tecnológica em Informática paraAgricultura (CNPTIA), Empresa Brasileira de Pesquisa Agropecuária (Embrapa). Campinas, São Paulo, Brasil, [email protected]. Este projeto foi financiado pela Embrapa, projeto SEG 02.14.01.012.00.00.

excessivamente genérica. A definição adotada neste trabalho combina aquelas propostas por Forsyth [4] e Travis e Latin [5]: sistemas especialistas são programas de computador que emulam a lógica e proficiência de um especialista humano na resolução de problemas, são limitados a um domínio específico, são projetados para crescer de maneira incremental, são capazes de fornecer recomendações na sua saída, e são capazes de trazer vantagens financeiras para o usuário. A definição original proposta por Forsyth também colocava que sistemas especialistas são capazes de lidar com dados incertos, são capazes de explicar sua cadeia lógica de maneira compreensível, e são baseados em regras. É importante frisar, porém, que muitos sistemas não apresentam uma ou mais dessas características [1]. O uso de sistemas especialistas começou a ganhar impulso após Mycin, uma ferramenta para identificar bactérias que causam infecções severas, ter sido lançado em meados da década de 1970 [6]. A criação da linguagem de programação Prolog [7], projetada especificamente para implementação de sistemas especialistas, aumentou ainda mais o interesse no assunto. Os primeiros sistemas especialistas eram, em sua maioria, baseados em regras, usando uma estrutura do tipo "se-então". Muitos de tais sistemas foram propostos durante a década de 1980, sendo a maioria aplicada ao problema de diagnósticos médicos. Porém, de acordo com Guay e Gautier [8], sistemas baseados em regras são específicos de um domínio, não lidam bem com incerteza, e não combinam bem com problemas que requerem a identificação de múltiplas desordens simultaneamente. Os mesmos autores afirmaram que uma abordagem alternativa, baseada em quadros (frames), seria capaz de expandir a portabilidade dos sistemas, porém problemas relacionados com incerteza e múltiplas desordens simultâneas ainda existiriam. Eles argumentaram que abordagens como aquelas propostas por Peng e Reggia [9] e por eles próprios poderiam mitigar muitos desses problemas, especialmente se baseados em lógica abdutiva [10,11]. Apesar dos avanços incorporados a sistemas determinísticos, Pearl [12], usando o trabalho de Polya [13] como base, argumentaram que este tipo de abordagem está sujeita a paradoxos, sugerindo que um enfoque probabilístico poderia levar a melhores resultados. Pearl [12] argumentou que sistemas mais antigos preferiam abordagens determinísticas devido à crença de que abordagens probabilísticas exigiriam a inspeção da base de dados inteira a cada iteração do algoritmo. Porém, esse mesmo autor mostrou que redes Bayesianas fornecem um esquema de indexação que torna inspeções locais suficientes, como evidenciado pela ferramenta proposta por Andersen et al. [14]. Cowell et al. [3] enfatizaram ainda mais este ponto afirmando que, apesar de haver uma disputa sobre qual a melhor opção quando várias

GARCIA ARNAL BARBEDO : EXPERT SYSTEMS APPLIED

fontes de incerteza estão presentes, o uso de abordagens probabilísticas vinha crescendo de maneira consistente até então. Explicações mais aprofundadas sobre o uso de probabilidade associada a sistemas especialistas podem ser encontradas em [15] e [16]. Há muitos argumentos a favor e contra cada abordagem. Evidências sugerem que nenhuma das abordagens é claramente superior à outra para todos os tipos de aplicações, e que a seleção deveria ser baseada em uma análise cuidadosa do problema. O principal problema com sistemas propostos na década de 1980 está ligado ao fato de que estes foram tratados como verdadeiras panaceias, mas pouco tempo foi gasto na análise crítica dos problemas a serem solucionados. Uma boa visão crítica sobre o cenário ao final da primeira geração de sistemas especialistas foi apresentada por Jones [17]. Ele observou que, naquele ponto, o entusiasmo inicial tinha diminuído significativamente (o que explica porquê muitas das referências citadas neste trabalho terem sido publicadas antes de 1990), mas esse ajuste de expectativa levou a projetos mais realistas e pragmáticos, com objetivos mais bem definidos. Ao mesmo tempo, houve uma expansão da gama de aplicações. O uso de sistemas especialistas em agricultura, em particular, vem recebendo atenção considerável desde então. De acordo com Harrison [18], sistemas especialistas podem ser usados como suporte a uma sequência de decisões táticas ou decisões isoladas relacionadas ao projeto, seleção, interpretação, predição e diagnóstico aplicados a problemas agrícolas. Esta última aplicação é o foco principal deste artigo. Em particular, este texto está interessado em analisar sistemas especialistas projetados para identificar desordens que afetam plantas, o que pode incluir doenças, pragas, deficiências nutricionais e danos relacionados ao clima. Sistemas de gerenciamento agrícola foram considerados apenas se estes incluíam um ou mais módulos para identificação e diagnóstico de desordens. Sistemas especialistas aplicados a gestão de pragas [19-25], gestão de doenças [26-30], gestão de propriedades rurais [31,32], gestão de lavoura [33,34], gestão de produção [35,36], identificação de ervas daninhas [37], florescimento [38] e diagnóstico de doenças em animais [3947] não são parte do escopo do artigo. É importante destacar que este artigo foca nas particularidades técnicas dos sistemas mencionados ao longo do texto. A conceituação, princípios e aspectos teóricos dos sistemas especialistas não serão tratados porque estes já foram exaustivamente explorados em trabalhos anteriores, nos quais aspectos gerais [48-50] e tópicos específicos como epistemologia [51], classificação heurística [52], hibridização [53], nível de abstração [54], autenticidade de raciocínio [55], simplificação de árvores de decisão [56], medidas de incerteza [57], descoberta de conhecimento [58], conhecimento superficial e profundo [59], impacto do uso de sistemas especialistas [60], entre outros, já foram minuciosamente analisados e discutidos. Outra importante observação a ser feita diz respeito à avaliação e validação de sistemas especialistas. De acordo com Mahaman et al. [61], sistemas especialistas não devem ser considerados absolutamente válidos ou absolutamente

1911

inválidos, uma vez que a avaliação do sistema como um todo é um processo contínuo. Adicionalmente, a avaliação do desempenho em termos absolutos, o que normalmente é feito comparando os resultados com aqueles alcançados por humanos, nem sempre é apropriada, porque emular o processo de raciocínio humano nem sempre é desejável [18]. Como resultado, a avaliação de sistemas especialistas não é trivial, sendo que vários autores dedicaram um esforço considerável para definir critérios mínimos de avaliação de desempenho, tanto para aplicações gerais [62-71] quanto para sistemas agrícolas [18]. Devido às complexidades envolvidas na tarefa, julgamentos de desempenho foram evitados neste artigo, exceto nos casos para os quais evidência objetiva e incontroversa estava disponível para suportar esse tipo de conclusão. Como uma última observação introdutória, é útil considerar que apesar dos sistemas especialistas mencionados na próxima seção terem como objetivo primário o diagnóstico de desordens, eles podem também funcionar como ferramentas para instruir produtores e estudantes, uma vez que eles fornecem acesso fácil, rápido e contínuo a grandes quantidades de informação [72]. II. SISTEMAS ESPECIALISTAS PARA DIAGNÓSTICO DE DESORDENS EM PLANTAS A. Observações Iniciais Até onde vai o conhecimento do autor, os primeiros passos no desenvolvimento de sistemas especialistas aplicados ao diagnóstico de desordens na agricultura foram conduzidos por Chilausky et al. [73]. Com relação a outras aplicações, o interesse por este tipo de ferramenta cresceu durante a década de 1980 e diminuiu desde então. Porém, esse declínio não foi acentuado e, após relativa estagnação na segunda metade da década de 1990, a quantidade de novas propostas começou a crescer novamente. Há duas possíveis explicações para isso. Primeiro, o processo de criação de sistemas especialistas e as técnicas aplicadas em seu desenvolvimento têm evoluído significativamente e, mais importante, as expectativas associadas a esse tipo de ferramenta têm se tornado mais realistas e práticas. Segundo, a produção de ciência, a qual historicamente se concentrou em países industrializados, começou a se descentralizar e espalhar pelos países em desenvolvimento. Esses países tendem a ter uma maior proporção de produtores sem acesso a suporte técnico especializado, uma situação na qual sistemas especialistas podem ter um maior impacto. Contudo, é importante observar que, apesar dessa relativa retomada do interesse na área, o número de trabalhos propostos ainda é muito menor que o observado na década de 1980. Isto explica o porquê de uma grande parte dos trabalhos aqui citados terem sido publicados antes de 1990. Um dos objetivos deste artigo é justamente o de fomentar uma retomada mais forte do interesse nesta área, a qual ainda tem grande potencial de avanços. Algumas análises do estado da arte do uso de sistemas especialistas aplicados a problemas agrícolas podem ser encontradas na literatura [1,17,74-76], sendo algumas poucas dedicadas especificamente a doenças em plantas [77,78].

1912

Esses textos (particularmente aqueles dedicados a doenças de plantas) foram organizados mais como tutoriais, ao invés de fornecer uma análise aprofundada sobre o estado da arte da tecnologia na época. Adicionalmente, eles foram publicados antes do ano 2000, motivando o presente texto. Originalmente, os sistemas especialistas apresentados nesta seção foram divididos em grupos de acordo com a estrutura de raciocínio (baseados em regras, quadros, modelos ou probabilidades) ou a principal característica da ferramenta (uso de imagens, lógica nebulosa, redes neurais, etc.). Porém, logo se tornou claro que muitos sistemas não poderiam ser categorizados, uma vez que estes frequentemente empregam esquemas que ou não se encaixam em nenhuma dessas classes, ou adotam uma abordagem híbrida. Adicionalmente, esta divisão poderia separar trabalhos que na verdade são relacionados. Por esses motivos, foi decidido que uma melhor abordagem seria apresentar todas as referências em uma única seção, seguindo uma sequência cronológica, a qual explica melhor a evolução da tecnologia. Uma visão mais crítica dos sistemas citados nesta seção, onde tendências passadas, presentes e futuras são analisadas, é apresentada na seção de discussão. B. Revisão da Literatura Como comentado anteriormente, os primeiros esforços para desenvolver sistemas especialistas para diagnóstico de doenças em plantas foram conduzidos por Chilausky et al. [73]. O principal objetivo dos autores foi criar e implementar um procedimento automático para aprender regras de diagnóstico para fitopatologia. Seu sistema foi baseado na lógica de valores variados, a qual, por sua vez, é derivada do conceito de lógica de múltiplos valores. Para testar seu sistema, eles criaram 35 descritores como base para regras usadas na identificação de 15 doenças da soja. Tendo alcançado índices de acerto superiores a 90%, eles concluíram que a estratégia proposta foi adequada para derivar regras. Um passo adicional em direção a um sistema especialista completo foi dado por Michalski and Chilausky [79], os quais aplicaram inferência indutiva para criar um sistema capaz de gerar regras a partir de exemplos de decisões tomadas por especialistas. Testes foram realizados usando os mesmos 35 descritores e 15 doenças da soja considerados em seu trabalho anterior. Comparando os resultados usando regras de decisão derivadas de maneira indutiva com aquelas derivadas a partir da representação do conhecimento dos especialistas, eles observaram que as primeiras resultaram em um desempenho significativamente melhor. Esse resultado contraintuitivo, apesar de não ter sido completamente compreendido, indicou que técnicas de indução são um método de aquisição de conhecimento viável se o domínio do problema é suficientemente simples e bem definido. Os esforços de Michalski e sua equipe culminaram com a criação do primeiro sistema especialista aplicado ao diagnóstico de doenças em plantas, o PLANT/ds [80]. Os autores usaram regras geradas tanto indutivamente quanto pela representação do conhecimento especialista. Um terminal de computador foi desenvolvido especialmente para o sistema, o

IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 4, APRIL 2016

qual foi projetado tendo o usuário iniciante em mente. Os autores reportaram um índice de acerto de 98% na identificação das mesmas 15 doenças da soja citadas anteriormente. A incorporação do PLANT/ds a um sistema maior (PLANT), projetado para orientar usuários a respeito do diagnóstico e respectivas tomada de decisões, foi descrito em Michalski et al. [81]. A versão original do PLANT/ds foi criticada por seu tratamento inadequado de dados incompletos e pelo uso desbalanceado dos descritores dentro das regras, o que, por sua vez, causou problemas com a manipulação de exceções [82]. Esse trabalho propôs uma avaliação não-homogênea como uma maneira de mitigar esses problemas. De acordo com o autor, não-homogeneidade poderia ser concretizada através da adoção de um mecanismo de controle sobre o esquema de avaliação existente, o que permitiria a seleção do subgrupo apropriado de regras uma vez que houvesse evidência suficiente para eliminar todos os outros subgrupos. Ele também apontou que um possível esquema alternativo poderia ser criado através da definição de um grupo de regras especial capaz de trocar o grupo de regras de acordo com o esquema de avaliação. O trabalho pioneiro que resultou no PLANT/ds logo inspiraria novos sistemas. Fayet [83] propôs um sistema especialista para diagnosticar 50 desordens em cravos, as quais incluíam doenças criptogâmicas, virais e bacterianas, deficiências nutricionais, pragas, danos por geada, fitotoxicidade e problemas hormonais. O sistema foi desenvolvido usando uma ferramenta escrita em linguagem LISP [84]. O motor de inferência usado no sistema tinha capacidade de encadeamento direto e reverso, o que, de acordo com o autor, dotou o sistema de grande flexibilidade. O sistema, baseado em 329 regras, foi projetado de maneira a explicitar o raciocínio usado para se chegar a um diagnóstico. O autor concluiu destacando que o sistema proposto seria particularmente útil como ferramenta educativa, e que sua modularidade permitiria que modificações e inclusões de regras fossem realizadas sem a necessidade de uma revisão completa da base de conhecimento. O sistema foi validado por especialistas usando apenas casos teóricos, e não com problemas reais. Naquele mesmo ano, Roach et al. [85] propuseram POMME, um sistema especialista visando ajudar produtores de maçãs a gerenciar seus pomares. Apesar deste não ser um sistema de diagnóstico, ele incluía um módulo de diagnóstico contendo um modelo do ciclo da sarna da macieira, conferindo à ferramenta a capacidade de determinar se tal doença estaria presente. O sistema, implementado usando como base um sistema especialista de propósito geral codificado em Prolog, empregou uma combinação de regras e quadros hierárquicos. Macieiras foram também o alvo de Kemp et al. [86]. O sistema foi implementado em Prolog e, de acordo com os autores, uma de suas principais vantagens foi a clara separação, na base de conhecimento, do conhecimento heurístico e conhecimento genérico do mundo real. O motor de inferência usou um esquema de operação de dois modos no qual um procedimento de encadeamento direto seria aplicado

GARCIA ARNAL BARBEDO : EXPERT SYSTEMS APPLIED

inicialmente e, uma vez que a quantidade de dados coletada atingisse um nível suficiente, o sistema mudaria para o modo orientado ao alvo específico. A interface recebeu atenção considerável, uma vez que um dos principais objetivos dos autores foi tornar o uso do sistema especialista mais estimulante, especialmente para propósitos educacionais. Eles concluíram destacando que o sistema proposto combinou conceitos das representações superficiais e profundas do conhecimento, e que mais estudos seriam necessários a fim de reduzir as incertezas ainda presentes no sistema. Plant et al. [87] propuseram o sistema especialista chamado CALEX/Peaches para diagnóstico de 120 desordens afetando pêssegos e nectarinas. O sistema empregou uma estratégia baseada em regras, na qual fatores de certeza foram combinados a 600 regras a fim de chegar a um diagnóstico. O conhecimento foi subdividido em partes menores que poderiam ser consideradas separadamente a fim de reduzir a memória requerida. O motor de inferência foi projetado de modo a aceitar os modos de encadeamento direto, reverso ou híbrido, com ou sem fatores de certeza. Nos testes realizados com estudantes de pós-graduação usando nove exemplos de desordens, o sistema alcançou um índice de acerto de 96%. Adams et al. [88] criaram um sistema especialista para diagnóstico de 35 desordens pós-colheita em batatas. O sistema, originalmente projetado para as condições encontradas na França, foi adaptado para uso nos Estados Unidos. Uma base de conhecimento codificada na forma de regras "se-então" foi criada, e a interação com o usuário foi realizada através de um "shell" de sistema especialista, o qual era também responsável pelo diagnóstico final. De acordo com os autores, quando alimentado com as respostas corretas, o sistema foi capaz de identificar todas as desordens corretamente. O sistema especialista proposto por Itoga et al. [89], chamado Propa, foi implementado usando Prolog e projetado para diagnosticar doenças em mamoeiros, e também para recomendar soluções para os problemas. O sistema continha um tutorial que explicava seu funcionamento, e um módulo moderador para gerir o discurso do usuário. A parte de inferência do sistema foi construída para emular a presença de um painel de especialistas – à medida que o usuário respondesse as perguntas, um desses especialistas virtuais seria selecionado com base nos fatores de relevância associados. Esse especialista então interagiria com o usuário e, assim que finalizado, o módulo moderador verificaria se haveria outro especialista relevante para o problema descrito. O processo seria repetido até que todos os especialistas tivessem sido considerados, ou até todos os especialistas restantes terem sido considerados irrelevantes para aquele problema particular. Os autores concluíram que o sistema proposto poderia ser uma boa opção para ensino de horticultura. Por outro lado, eles observaram que problemas reais frequentemente requeriam que o usuário respondesse uma quantidade muito grande de questões, e o uso de vários especialistas virtuais frequentemente causava confusão. MDMS foi um sistema especialista proposto por Latin et al. [90] para diagnosticar 17 desordens afetando meloeiros. Ele

1913

foi desenvolvido usando uma linguagem de engenharia de conhecimento, e adotou uma representação de conhecimento baseada em regras, similar àquela usada no Mycin [6]. O sistema incluía tanto questões do tipo "sim-não" e quanto de múltipla escolha, assumindo que o usuário conhecia o pH do solo e tinha disponível lentes com magnificação de pelo menos 10X para inspecionar a superfície das lesões. A saída do sistema incluía um diagnóstico e o nível de confiança associado. Após o diagnóstico, o sistema era capaz de recuperar todas as seleções do usuário e, caso evidência suficiente estivesse disponível, alertar sobre a possibilidade de outras desordens estarem presentes. A validação, envolvendo apenas não-especialistas, incluiu 113 amostras representando 11 desordens, resultando num índice de acerto de 84%. Donahue et al. [91] desenvolveram um sistema especialista para diagnosticar 25 doenças que atacam plantações de tabaco no sul dos Estados Unidos. O conhecimento dos especialistas de domínio foi traduzido em uma série de questões "sim-não", permitindo assim a atualização das bases de conhecimento e regras à medida que novas informações se tornassem disponíveis. O sistema foi organizado em quatro subquadros descrevendo diferentes áreas da planta onde as doenças poderiam ocorrer. A ordem na qual as questões seriam apresentadas aos usuários foi determinada através do processo de encadeamento reverso. Os autores observaram alguns problemas durante o desenvolvimento do sistema: o nivelamento entre o especialista de domínio e do engenheiro de conhecimento foi difícil, algumas regras eram complexas demais, a terminologia nem sempre atendia às expectativas dos usuários, e o sistema não era capaz de lidar com múltiplas doenças simultâneas. Como no caso de muitos de seus predecessores, este sistema mostrou ser mais apropriado para propósitos educacionais do que para aplicação em casos reais. Guay e Gauthier [8] propuseram um sistema especialista para diagnóstico de seis doenças que afetam tomateiros. Sua implementação baseada em objetos foi realizada usando a linguagem Smalltalk. Os autores usaram o modelo de cobertura de conjuntos generalizada para representação do conhecimento, cujo raciocínio é baseado em inferência abdutiva. Essa escolha foi justificada pela alegada capacidade desta abordagem de lidar com tarefas tais como cálculo de incerteza e identificação de múltiplas desordens simultâneas, e também porque permitiria o uso de uma estratégia iterativa do tipo hipótese-teste durante o processo de consulta. A base de conhecimento usada no sistema baseou-se na construção de um léxico das possíveis manifestações, o que, de acordo com os autores, produziu uma base bastante compacta. Por outro lado, esse léxico foi também a principal fonte de limitações, porque a soma de observações individuais reportadas pelo usuário nem sempre correspondia perfeitamente à manifestação global sendo descrita. Uma das primeiras tentativas de se utilizar uma estratégia probabilística para o desenvolvimento de sistemas especialistas foi realizada por Stockwell [92]. Ele criou um "shell" para sistemas especialistas (Learning Base System LBS), escrito em Prolog e baseado em teoria Bayesiana. A principal estrutura representacional do sistema era uma matriz

1914

contendo as frequências de ocorrência dos valores das variáveis. O autor testou o sistema com três diferentes problemas, um dos quais sendo o diagnóstico de doenças em lavouras. Dois tipos de diagnóstico de doenças foram testados, um considerando cinco doenças virais do arroz e sete variáveis, e o outro considerando 18 doenças de leguminosas e 13 variáveis. Problemas surgiram do descasamento entre as características do problema e as duas suposições do algoritmo "naïve Bayes" usado no sistema: 1) apenas uma doença seria responsável por todos os sintomas presentes, e 2) haveria pouca interação entre as variáveis de diagnóstico. Como essas suposições não valem em muitos casos, o autor propôs como alternativa uma abordagem não-Bayesiana capaz de prover melhores resultados. A abordagem adotada por Wells et al. [93], ao invés de se basear em observações visuais dos sintomas para realizar o diagnóstico, usou a composição celular de ácidos graxos de 190 cepas de bactérias associadas a doenças pós-colheita de frutas e vegetais para derivar as regras de diagnóstico. De acordo com os autores, o uso de um sistema de gerenciamento de bases de dados relacionais foi essencial para o sucesso do sistema especialista. As regras adotadas no sistema usaram um conjunto de perguntas do tipo verdadeiro/falso, a fim de garantir simplicidade de uso. Testes de validação revelaram que somente duas das 190 cepas de bactérias não foram identificadas de maneira conclusiva. Quatro anos após o trabalho de Adams et al. [88], um novo sistema especialista foi proposto para diagnóstico de doenças da batata [94]. Escrito na linguagem C, o sistema usou 127 regras para diagnosticar 11 doenças patogênicas e 6 doenças não patogênicas. Suas oito bases de conhecimento eram acessadas via "blackboard". Os sintomas foram organizados de acordo com um esquema multiformato, no qual a informação era arranjada de maneira hierárquica de acordo com certos critérios. Isto permitiu a estruturação lógica da base de conhecimento e prototipagem rápida. O motor de inferência usou o encadeamento reverso de muitas regras relativamente simples, agrupadas por contexto e subcontexto. Os autores observaram que, apesar da escolha da representação de conhecimento baseada em regras (se-então), o uso de quadros (um para cada doença) poderia potencialmente melhorar o desempenho do algoritmo. O sistema especialista proposto por Cernohorska et al. [95], chamado Fytotrof, visou a identificação de deficiências nutricionais em plantas. Ele foi projetado para usar um "shell" diretamente inspirado pela ferramenta Mycin [6], isto é, teria como base regras em que suposições levariam a conclusões com um certo grau de confiança. A base de conhecimento foi inteiramente composta por informações a respeito dos sintomas visuais associados a cada deficiência nutricional, e o motor de inferência usou o encadeamento reverso clássico. O sistema oferecia em sua saída todas as possíveis deficiências, associando uma pontuação entre -5 e +5 a cada uma delas. O usuário podia requerer uma explicação para as conclusões oferecidas pelo sistema, onde a cadeia de regras afetando o resultado final seria apresentada. A maior deficiência do sistema era sua incapacidade de verificar se os sintomas

IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 4, APRIL 2016

poderiam ter uma causa não relacionada a deficiências nutricionais, como doenças e fitotoxicidade. A maior contribuição de CITPATH, um sistema proposto por Ferguson et al. [96], foi o uso de hipertextos para guiar o usuário através do processo de diagnóstico. O sistema, projetado para diagnosticar doenças fúngicas em folhas e frutos de citros, foi escrito em Prolog, e seu motor de inferência usou um conjunto de questões simples do tipo simnão. Cinco doenças foram consideradas. Após o sistema chegar a um diagnóstico, mais informações sobre a doença eram mostradas, e opções tais como imagens dos sintomas, mapas de ocorrência da doença, desenvolvimento sazonal da doença e ciclos de vida dos patógenos eram disponibilizadas por meio do programa de hipertexto. De acordo com os autores, testes com usuários potenciais foram bem sucedidos tanto em termos da identificação das doenças quanto em termos da interface com o sistema de conhecimento baseado em hipertextos. Um sistema similar (HFOREST) usando hipermídia foi proposto por Thomson e van Sickle [97] para diagnóstico e gestão de insetos e doenças em florestas. Yialouris e Sideridis [98] propuseram um sistema especialista para diagnóstico de doenças do tomate. Seu sistema foi projetado usando um "shell" que permitiu que a base de conhecimento fosse tratada como uma base de dados, oferecendo maior flexibilidade ao usuário. A aquisição de conhecimento seguiu um procedimento de quatro passos. Esse conhecimento foi codificado no sistema usando regras consistindo de simples sentenças verdadeiro/falso, ou na forma objeto-atributo-valor (OAV). O motor de inferência usou um esquema combinando encadeamento reverso e direto. Os fatores de confiança das regras foram calculados usando álgebra de lógica nebulosa. Os autores destacaram que a maioria das dificuldades ocorreram durante a aquisição de conhecimento, especialmente em relação à disponibilidade e disposição do especialista de domínio em fornecer as informações. Eles também chegaram à conclusão de que uma abordagem estatística ou probabilística poderia melhorar o desempenho do sistema, apesar de destacar que esse tipo de abordagem requereria a aquisição de uma quantidade muito maior de dados. A mesma equipe criou um sistema especialista multilinguagem (VEGES) para diagnóstico de 54 desordens afetando seis vegetais cultivados em estufas (berinjela, feijão, pepino, alface, pimentão e tomate) [99]. Como o sistema era voltado a produtores da região mediterrânea, sua primeira versão incluiu as línguas grega, francesa e inglesa, permitindo também que qualquer pessoa traduzisse a base de conhecimento para outras linguagens. A estrutura técnica adotada para este sistema foi similar àquela descrita no trabalho anterior [98]. O sistema foi avaliado por estudantes, os quais expressaram algumas preocupações com relação ao tempo necessário para se chegar a um diagnóstico e à dificuldade de distinguir diferenças sutis de cor associadas a certas desordens. EXSYS, proposto por Kramers et al. [100], foi um sistema especialista dedicado ao diagnóstico de doenças e pragas em bulbos de flores. A base de conhecimento do sistema incluía

GARCIA ARNAL BARBEDO : EXPERT SYSTEMS APPLIED

68 doenças, 137 formas, 319 sintomas e 120 contextos. O conhecimento foi representado como estruturas de quadros, onde as regras foram incorporadas. O motor de inferência usou encadeamento reverso. A validação do sistema foi dividida em duas fases: a primeira, envolvendo especialistas e pesquisadores, consistiu de testes controlados que revelaram que a maioria das falhas foram devidas à incompletude da base de conhecimento; a segunda fase foi a instalação do sistema em diferentes instituições diretamente envolvidas na indústria de flores, onde o sistema foi testado na prática por um ano, revelando que o sistema requeria um certo nível de perícia para ser usado corretamente. Outro sistema especialista aplicado ao diagnóstico de desordens do tomate foi proposto por El-Azhary et al. [101]. O chamado PCEST foi projetado para lidar com doenças, pragas e deficiências nutricionais e, além de fornecer um diagnóstico, era capaz de sugerir planos de tratamento. Os autores usaram uma estrutura desenvolvida anteriormente para aquisição de conhecimento, e uma abordagem de resolução de conflitos usando múltiplos especialistas para validação e verificação do conhecimento adquirido. O motor de inferência era composto de três partes: passos de inferência, os quais seriam uma definição declarativa da relação direcional entre os papeis de entrada e saída; papeis dinâmicos, os quais seriam os dados usados como entrada ou saída de um passo de inferência; papeis estáticos, os quais seriam os conhecimentos de domínio sobre os quais um passo de inferência operaria. O sistema proposto forneceu diagnósticos que foram ao menos tão bons quanto aqueles fornecidos por fitopatologistas experientes. O principal foco do trabalho de Tocatlidou et al. [102] foi levar em conta incertezas tanto nos dados quanto no conhecimento adquirido, a fim de chegar a um diagnóstico nos estágios iniciais das doenças. A fim de melhorar a robustez do sistema a circunstâncias incertas ou desconhecidas, um esquema capaz de aceitar valores de atributos exatos ou vagos, na forma de conjuntos nebulosos, foi adotado. O sistema baseado em regras foi organizado de tal maneira que poderia ser expandido modularmente, isto é, atualizações não requereriam modificações substanciais na estrutura original. Adicionalmente, a base de regras poderia ser refinada por usuários sempre que apropriado. Os autores reportaram uma taxa de sucesso acima de 80%. A mesma equipe grega propôs um sistema especialista para diagnóstico de desordens em lavouras de batata, tomate, berinjela e tabaco, entre outras [61]. O sistema, chamado DIARES-IPM e implementado usando o sistema EXSYS, era baseado em regras e capaz de sugerir tratamentos para o problema identificado. O conhecimento foi adquirido tanto por entrevistas com especialistas quanto por uma revisão da literatura, e incertezas foram tratadas da mesma forma que no trabalho anterior. De acordo com os autores, o desempenho do sistema, tanto em termos de acuidade quanto de usabilidade, ficou abaixo do esperado. Por outro lado, eles destacaram que a principal contribuição de seu sistema foi a base de conhecimento integrada, a qual continha informações não apenas sobre a maioria dos insetos e doenças que afetam as culturas consideradas, mas também sobre insetos benéficos.

1915

Alves et al. [103] propuseram um sistema especialista (Doctor Seed Fungi) para identificação de fungos em sementes e grãos de nove espécies de plantas (feijão comum, cenoura, milho, algodão, arroz, sorgo, soja, girassol e trigo). O sistema era baseado em regras e organizado em módulos a fim de facilitar atualização. A base de conhecimento foi baseada em observações por microscopia de estruturas fúngicas e seus efeitos usando o teste de incubação em papel de filtro. Os autores observaram que quando o sistema proposto foi empregado, o índice de acerto do diagnóstico aumentou para todos os usuários, independentemente de sua formação e especialidade. O sistema especialista desenvolvido por Prasad et al. [104], chamado AMRAPALIKA, foi projetado para diagnosticar 14 desordens em mangueiras. O sistema especialista baseado em regras foi implementado usando um "shell" para animação de textos (ESTA). A base de conhecimento foi quase toda baseada em consultas à literatura, e o motor de inferência usou lógica dedutiva combinada com encadeamento reverso. De acordo com os autores, o sistema funcionou relativamente bem, porém problemas surgiram devido a fatores como baixa qualidade e quantidade de imagens usadas como suporte às respostas dos usuários, e sequenciamento inapropriado das regras no sistema devido ao grade número de parâmetros. Mansingh et al. [105] propuseram um sistema especialista (CPEST) para gerenciar o diagnóstico e tratamento de quatro doenças e duas pragas em lavouras de café na Jamaica. CPEST foi escrito usando wxCLIPS, uma linguagem de programação para construção de sistemas especialistas, usando 150 regras para alcançar seus objetivos. Os autores adotaram encadeamento direto em seu motor de inferência, com a justificativa de que este tipo de abordagem é mais apropriada para uma estratégia de raciocínio baseada em dados, além de evitar a necessidade de levar em consideração todas as possíveis combinações de problemas. Como tem sido comum em sistemas especialistas mais recentes, uma base de imagens poderia ser acessada pelos usuários a fim de esclarecer certos termos usados na interface. Na última década, a maioria dos sistemas especialistas foi projetada para ser implementada em associação com uma interface web. As vantagens e desafios envolvidos na adoção de tal abordagem já foram exaustivamente discutidos na literatura [106,107]. Uma estrutura orientada a objetos para construção de sistemas especialistas voltados ao diagnóstico de doenças foi proposta por Massruhá et al. [108], a qual foi testada especificamente para o diagnóstico de doenças em plantas (milho). O sistema foi escrito em Prolog, a base de conhecimento foi desenvolvida usando a ferramenta PostGreSQL, e o motor de inferência combinou lógica abdutiva, lógica nebulosa e orientação a objetos para levar em consideração aspectos inerentes ao raciocínio de diagnóstico. A interface foi implementada usando Java J2EE e tinha dois módulos: o módulo especialista, onde especialistas poderiam acessar e alterar a configuração do sistema, e o módulo usuário, onde diagnósticos poderiam ser obtidos. Outro sistema especialista com interface web, neste caso aplicado ao diagnóstico de doenças e pragas em trigo, foi proposto por

1916

Khan et al. [109]. Este sistema foi implementado usando o "shell" e2gLite, empregando regras "se-então" convencionais para chegar a um diagnóstico. Abu-Naser et al. [110] propuseram um sistema especialista baseado em regras para diagnóstico de doenças em plantas em geral. A base de conhecimento foi desenvolvida a partir de entrevistas com especialistas e da literatura. O motor de inferência foi implementado usando CLIPS, um "shell" com encadeamento direto que tenta derivar regras a partir de fatos e padrões. O sistema foi implementado em duas versões, a primeira baseada na apresentação sequencial de questões a serem respondidas pelo usuário, e a segunda baseada em um conjunto de imagens rotuladas, a partir das quais o usuário escolheria aquela que mais se aproximaria do problema observado. De acordo com os autores, a segunda versão foi preferida pelos usuários devido à sua simplicidade. Sistemas especialistas mais antigos não podiam incluir imagens de alta qualidade para apoiar o processo de diagnóstico porque a capacidade de armazenamento necessária seria proibitiva. Porém, à medida que recursos computacionais se tornaram mais baratos e abundantes, este tipo de abordagem se tornou factível, sendo usada na maioria dos sistemas propostos após 2005, seja como suporte à parte principal, seja como principal elemento da estrutura. O sistema proposto por Kumar et al. [111] para identificação de doenças da mostarda se encaixa no segundo caso. Esse sistema empregou uma classificação hierárquica e uma combinação de descrição textual, fotografias e desenhos artísticos. Outro sistema para diagnóstico de doenças em tomateiros (JAPIEST) foi proposto por López-Morales et al. [112]. O sistema foi projetado para lidar especificamente com plantas em estufas hidropônicas e foi implementado com uma interface web, sendo esta a principal razão para o uso da linguagem Java para codificar o sistema e MySQL para gerir as bases de dados. JAPIEST foi organizado em quatro módulos: base de regras (organizada em uma estrutura de encadeamento direto), base de dados, suporte gráfico (o qual empregou imagens digitais para permitir ao usuário validar o diagnóstico fornecido) e recomendação de tratamento. O artigo apresentou apenas a concepção do sistema, de modo que a validação não foi mencionada. O sistema especialista proposto por Pinto et al. [113] levou em consideração uma grande quantidade de desordens do cafeeiro (13 doenças, 8 deficiências nutricionais, 9 pragas, 41 espécies de nematoides, e 12 outras desordens). O sistema empregou 229 regras e usou 182 imagens para apoiar o processo de diagnóstico. O sistema foi construído usando o "shell" EXSYS, e sua interface foi implementada usando Delphi. A avaliação de desempenho foi realizada de acordo com três critérios: verificação, na qual a lógica interna foi avaliada; validação, na qual o desempenho do sistema foi testado com usuários; e análise de sensibilidade, na qual o impacto do sistema como ferramenta educacional foi medido. Gonzalez-Andujar et al. [114] propuseram um sistema especialista para identificação de 9 ervas daninhas, 14 insetos e 14 doenças em oliveiras. Conhecimento foi coletado através de entrevistas estruturadas e não-estruturadas com

IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 4, APRIL 2016

especialistas, e o sistema adotou a representação de conhecimento "se-então" tradicional. O sistema foi dividido em três subsistemas (doenças, pragas e ervas daninhas), de tal modo que somente parte das regras estariam ativas simultaneamente. O sistema empregou 150 imagens digitais para auxiliar o usuário com o processo de identificação. O sistema foi verificado e validado de acordo com as diretrizes sugeridas por Harrison [18]. No mesmo ano, a mesma equipe de pesquisadores propôs um sistema similar aplicado à identificação de 11 ervas daninhas, 20 insetos, 14 doenças, e três fatores abióticos em pimenteiras [115]. O sistema especialista com interface web proposto por Patil et al. [116] foi projetado especificamente para identificar cinco tipos de deficiências nutricionais. O sistema usou inferência indutiva baseada em regras combinada com uma árvore de decisão, e foi implementado usando a estrutura proposta por Massruhá et al. [108] descrita anteriormente nesta seção. Babu e Rao [117] aplicaram o conceito de algoritmos evolutivos em um sistema especialista para identificação de cinco doenças em alho. O algoritmo Colônia Artificial de Abelhas (ABC em inglês) foi usado para processar a informação coletada a partir das respostas do usuário e fornecer um diagnóstico confiável. Este sistema foi implementado usando Java Server Pages (JSP) e MySQL. De acordo com os autores, o sistema teve melhor desempenho que aqueles baseados em regras convencionais, apesar de não haver, no artigo, evidências que corroborem essa afirmação. O sistema especialista para o diagnóstico de 23 doenças do milho proposto por Lai et al. [118] usou programação orientada a objetos para combinar regras textuais e imagens digitais em uma única estrutura capaz de fornecer estimativas confiáveis. O motor de inferência usou lógica dedutiva e uma árvore de decisão binária para alcançar seus objetivos. O sistema usou uma arquitetura em três níveis contendo uma camada relacionada à interface web, uma camada de negócios, e uma camada de serviços ligada à base de dados. De acordo com os autores, esta divisão em camadas dotou o sistema de uma boa flexibilidade para atualizações, distribuição balanceada de carga e melhor gestão de segurança. Experimentos de verificação e validação não foram descritos. O "shell" ESTA foi usado por Sarma et al. [119] para desenvolver um sistema especialista para diagnosticar doenças do arroz. O conhecimento usado no sistema foi adquirido através de uma revisão da literatura e entrevistas com especialistas. A estratégia baseada em regras (se-então) foi adotada no motor de inferência usando encadeamento reverso. Experimentos de validação e verificação não foram mencionados no artigo, e não foram feitas observações sobre o desempenho do sistema. Uchôa et al. [120] desenvolveram um sistema especialista (Dr. Citrus) capaz de lidar com uma ampla gama de desordens do citros, incluindo 3 doenças, 40 pragas e 34 fatores abióticos. Um total de 562 questões foram criadas para expressar 322 regras no motor de inferência. Como tem sido o caso na maioria dos sistemas especialistas recentes, Dr. Citrus incluiu um conjunto de imagens a fim de guiar os usuários durante a navegação pelo sistema. De acordo com os autores,

GARCIA ARNAL BARBEDO : EXPERT SYSTEMS APPLIED

um índice de acerto de 94% foi obtido quando o sistema proposto foi empregado, e 46% caso contrário. Devraj e Jain [121] propuseram um sistema especialista (PulsExpert) para diagnóstico de 19 doenças que afetam leguminosas. O sistema foi projetado de maneira que a base de conhecimento poderia ser atualizada por múltiplos especialistas, com a nova informação sendo automaticamente integrada à base existente. O motor de inferência do PulsExpert usou encadeamento direto a fim de reduzir o espaço de busca. Sua interface foi baseada na web e projetada para demandar mínimo esforço por parte do usuário. O sistema usou lógica nebulosa para lidar com as incertezas inerentes ao problema (ver Yeung e Tsang [122] para mais informações sobre lógica nebulosa aplicada a sistemas especialistas). Experimentos de validação e verificação indicaram que o sistema proposto tem bom desempenho em todos os casos. Lógica nebulosa foi também a base do sistema proposto por Kolhe et al. [123], chamado WIDDS. O sistema foi aplicado no diagnóstico de doenças afetando oleaginosas, incluindo soja, amendoim e mostarda. Ele baseou-se numa metodologia de promoção de regras, a qual, combinada com um modelo de inferência orientado a objetos, uma base de conhecimento criada dinamicamente e uma interface gráfica audiovisual, foi capaz de reduzir o número de questões feitas ao usuário. A base de conhecimento usou uma representação do tipo objeto-atributo-valor, e o motor de inferência aplicou tanto encadeamento reverso quanto direto. A incerteza dos diagnósticos foi calculada por meio de fatores de confiança. O sistema alcançou bom desempenho considerando os critérios de validação e verificação. Os mesmos autores propuseram outro sistema especialista [124], o qual era tecnicamente similar ao seu predecessor, porém focando mais na interface multimídia a ser apresentada ao usuário. A interface foi criada para gerir três subsistemas: base dinâmica de conhecimento, modelo de inferência inteligente orientado a objetos, e interface gráfica audiovisual. Um conversor texto-voz foi também empregado, o que foi particularmente importante para a inclusão de pessoas analfabetas ou com deficiência visual. Essa nova interface expandiu consideravelmente a aplicabilidade da ferramenta em comparação com suas predecessoras. Os mesmos autores combinaram todos os avanços reportados em seus trabalhos anteriores em um único sistema especialista para diagnóstico de doenças em soja [125]. Silva et al. [126] propuseram um sistema especialista para diagnosticar 13 deficiências nutricionais em cana de açúcar. A arquitetura web foi desenvolvida usando a estrutura proposta por Massruhá et al. [108]. A fim de eliminar a possibilidade de que os sintomas observados fossem provenientes de outros tipos de desordens, tais como doenças e pragas, alguns testes de conformidade poderiam ser aplicados antes do sistema especialista propriamente dito, desde que ao menos dois dos seguintes três critérios fossem válidos: presença dos sintomas em áreas significativamente maiores que uma única planta, existência de algum gradiente visível nas cores dos sintomas, e presença de simetria de sintomas quando pares de folhas são consideradas. Os autores não mencionaram testes de validação

1917

e verificação. Outro sistema dedicado a cana de açúcar, neste caso visando ao diagnóstico de 50 tipos de desordens diferentes, foi proposto por Hasan et al. [127]. Este sistema, chamado CaneDES, tinha uma base de conhecimento contendo objetos, atributos, sintomas e outras entidades, e um motor de inferência que combinava encadeamento reverso e direto. Como no caso de muitos de seus predecessores, o sistema quantificava incerteza por meio de fatores de confiança. Testes de verificação e validação foram ambos bem sucedidos. III. DISCUSSÃO O uso de sistemas especialistas em várias áreas diferentes, incluindo agricultura, experimentou grande aumento na década de 1980. Como aconteceu com muitas novas tecnologias, este foi um período marcado por exploração básica e por otimismo exagerado em relação às capacidades da tecnologia. Jones [17] discutiu muitos dos problemas enfrentados nas primeiras tentativas de aplicar sistemas especialistas à agricultura, alguns dos quais são sintetizados abaixo: - A tradução de conceitos para soluções técnicas era muito mais difícil que o previsto. - Aquisição de conhecimento não era trivial. - Equipes enfrentaram problemas de relacionamento entre os membros e falta foco. - Os usuários pretendidos, normalmente extensionistas e produtores, requeriam interfaces cuidadosamente projetadas para levar em conta suas peculiaridades, algo que as primeiras propostas não consideraram. - O escopo dos sistemas era frequentemente mal definido e amplo demais. - Pesquisadores relutavam em testar seus sistemas em campo. - Não havia critérios claros para testar o desempenho do sistema. - A qualidade de muitos dos trabalhos publicados era pobre, especialmente em conferências. Esses pontos ainda são relevantes atualmente, apesar de todos eles terem sido considerados em algum momento, com diferentes graus de sucesso, como discutido a seguir. Os problemas enfrentados pelos primeiros sistemas especialistas aplicados a problemas agrícolas evidenciaram que a teoria por trás do conceito era promissora, mas dependia de uma modelagem cuidadosa do sistema. Como apontado por Jones [17], áreas da indústria como controle de processos e administração financeira conseguiam aplicar sistemas especialistas de maneira eficiente, porque os problemas a serem resolvidos eram restritos e bem definidos. No caso da agricultura, e diagnóstico de doenças em particular, há muitos fatores complexos envolvidos. Alguns diagnósticos são tão difíceis a ponto de não apenas a inspeção visual não ser suficiente para se chegar a uma conclusão, como análises laboratoriais não são capazes de fornecer uma resposta [128]. Nesses casos, um verdadeiro trabalho de detetive é necessário para se obter uma resposta confiável. Isso não é facilmente emulado por um sistema especialista, especialmente se o

1918

universo de possibilidades é amplo (o que normalmente é o caso). A fim de tornar o sistema especialista realmente útil, algumas soluções criativas devem ser empregadas. A maioria dos sistemas especialistas discutidos na seção anterior evitaram os problemas apontados limitando seu escopo, de modo a lidar com um pequeno grupo de desordens [8,105,116,117]. Isto tornou o problema mais tratável, mas também fez com que muitos dos sintomas que poderiam ser o resultado de outras desordens não fossem considerados na base de conhecimento. Outro problema resultante desta estratégia reside no fato de que normalmente apenas as desordens mais comuns são escolhidas para fazer parte do sistema. Numa primeira análise, isto faria sentido, uma vez que estas têm maior probabilidade de se manifestar em campo. Porém, como elas são mais comuns, são também mais conhecidas e facilmente identificadas pelos produtores. O grande desafio reside na identificação de desordens mais raras, em cujo caso sistemas especialistas poderiam ter mais impacto, aumentando a chance de adoção. Algumas propostas tentaram evitar essas limitações levando em consideração tantas desordens quanto possível [83,87,88,99,100,113,115,120,127], cobrindo assim mais casos desafiadores. Isto melhora a atratividade do sistema, mas torna seu desenvolvimento muito mais complicado. A fim de lidar com esses desafios, muitos sistemas recentes começaram a combinar os conceitos originais de sistemas especialistas com técnicas tais como lógica nebulosa [122], redes neurais [129] e algoritmos evolutivos [117], com relativo sucesso. Lógica nebulosa, em particular, permite ao sistema lidar com muitas incertezas inerentes ao problema de diagnóstico de doenças em plantas, levando a respostas mais realistas. Porém, por mais poderosa que seja essa ferramenta, ainda requer uma concepção cuidadosa do sistema. Avanços foram obtidos nesse sentido [108,121,123], porém ainda há muito a ser feito. A maioria dos artigos encontrados na literatura citam três grupos principais de usuários: estudantes, extensionistas e produtores agrícolas. Como mencionado por Jones [17], todos os sistemas especialistas são, em algum grau, bem sucedidos sob a óptica pedagógica, porque ao menos algum conhecimento sobre o sistema precisa ser coletado, organizado e, potencialmente, usado para educar pessoas envolvidas em fitopatologia. De fato, muito autores afirmaram que suas propostas teriam bom potencial educacional [16,25,29,34,37,61,72,89,98,102,113,123]. Por outro lado, apenas alguns poucos testaram seus sistemas em campo, ou mesmo consideraram uma aplicação prática [20,100,121,127]. As falhas técnicas mencionadas anteriormente estão certamente entre as principais razões para a baixa adoção de sistemas especialistas no campo, mas há vários outros fatores que contribuem para agravar a situação, como discutido nos próximos parágrafos. O nível educacional de usuários potenciais é muito variado. Produtores com nível educacional mais alto normalmente têm uma melhor situação econômica e, como resultado, mais acesso a suporte técnico de agrônomos e laboratórios. Apesar desses produtores poderem se beneficiar de sistemas

IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 4, APRIL 2016

especialistas, especialmente para acelerar o tempo da primeira resposta aos problemas observados em suas lavouras, esta tecnologia sem dúvida tem maior impacto para aqueles que têm pouco ou nenhum acesso a orientação técnica especializada. O nível educacional destes usuários é frequentemente baixo. Isso não significa que eles são incapazes de usar o sistema, mas tal sistema precisa ser projetado levando em consideração as limitações de seus potenciais usuários. Os primeiros sistemas especialistas tinham, em geral, interfaces muito simples e pouco amigáveis. Há duas razões para isso: 1) os recursos computacionais eram muito limitados, tanto para desenvolver quanto para implementar interfaces mais amigáveis; 2) pesquisadores (especialmente na academia) estavam mais preocupados com a investigação das propriedades e potencial dos sistemas especialistas do que com sua adoção. A situação começou a mudar à medida que mais recursos computacionais se tornaram disponíveis e a importância de uma boa interface se tornou mais clara. Alguns autores começaram a dar grande ênfase ao desenvolvimento da interface, levando em consideração as características dos potenciais usuários [37,118,121,123,127]. Recentemente, algumas interfaces começaram até mesmo a incluir módulos de conversão de texto para fala para permitir seu uso por pessoas analfabetas e com deficiências visuais [124]. Sistemas especialistas dependem das respostas fornecidas pelos usuários para chegar a uma conclusão. As questões a serem apresentadas ao usuário são determinadas pelo interação entre o engenheiro de conhecimento e um ou mais especialistas do domínio. O nivelamento de entendimento entre essas pessoas é uma tarefa bastante complexa por si só [91], mas um desafio ainda maior é refinar o sistema de maneira a adequar suas conclusões com o processo de raciocínio dos usuários [89]. Dado o alto grau de heterogeneidade entre usuários, esta pode ser uma tarefa muito difícil. Inicialmente, a única opção era simplificar as questões tanto quanto possível, garantindo ao mesmo tempo que informações suficientes seriam coletadas para que o sistema funcionasse adequadamente [5,24,27,94,99,104,121]. À medida que recursos computacionais se tornaram mais abundantes, virtualmente todos os sistemas propostos começaram a associar imagens às questões a fim de reduzir a chance de confusão ([104,105,111] e quase todos os sistemas propostos após 2008). Uma tendência que atualmente está largamente difundida é o uso de arquitetura web ([108,109,112,116,118,121] e todos os sistemas lançados após 2011). Isto tornou possível o acesso às funcionalidades do sistema usando um navegador de internet, evitando assim a necessidade de baixar e instalar programas. Além disso, a divulgação se tornou mais efetiva, uma vez que usuários poderiam facilmente localizar essas ferramentas usando sítios de busca. Um fator importante para aumentar a adoção de sistemas especialistas para diagnóstico de doenças em plantas que dificilmente é mencionado na literatura é a possibilidade de usá-los em dispositivos móveis. Apesar de computadores estarem cada vez mais presentes, pessoas em áreas rurais,

GARCIA ARNAL BARBEDO : EXPERT SYSTEMS APPLIED

especialmente em países em desenvolvimento, têm acesso limitado a esses bens. Smartphones, por outro lado, vêm se tornando ubíquos devido ao baixo custo e múltiplas funcionalidades. Sistemas baseados na web têm o potencial de funcionar nesses dispositivos, desde que desenvolvidos de maneira apropriada. Isto poderia ter um grande impacto nos níveis de adoção desses sistemas, mas estranhamente poucos trabalhos sequer mencionam tal possibilidade [123]. Há três possíveis explicações para isso: 1) os sistemas não funcionam bem em dispositivos móveis; 2) os autores sequer consideram essa possibilidade; 3) os sistemas podem funcionar em dispositivos móveis, mas os autores não mencionam isso em seus trabalhos. As duas primeiras explicações parecem ser mais prováveis que a terceira. Qualquer que seja a resposta, esta questão deveria receber mais atenção no futuro a fim de que sistemas especialistas de fato se tornem parte da rotina da gestão agrícola. Como observado anteriormente, um dos principais problemas enfrentados pelos primeiros sistemas especialistas foi a falta de critérios claros para testar o desempenho do sistema. Com as recomendações sugeridas por Harrison [18], este problema foi significativamente reduzido. Em resumo, Harrison [18] colocou que sistemas especialistas agrícolas deveriam ser avaliados de acordo com três critérios: verificação, a qual deve indicar se o sistema especialista funciona da maneira pretendida; validação, a qual examina a questão mais ampla de quão apropriada é a estrutura utilizada; análise de sensibilidade, a qual avalia como a saída do sistema varia quando mudanças nas regras são introduzidas ou quando as respostas do usuário são modificadas. Porém, muitos dos artigos encontrados na literatura (especialmente os mais recentes) não mencionam experimentos de validação e verificação, e um número ainda menor realiza uma análise de sensibilidade [113]. Isto faz com que seja difícil avaliar o sucesso da ferramenta proposta, reduzindo seu impacto. É importante notar que, apesar dos conceitos fundamentais de sistemas especialistas permanecerem os mesmos, à medida que as áreas de computação, telecomunicações e inteligência artificial evoluem, muitas das dificuldades enfrentadas vão sendo superadas. Isto é particularmente verdadeiro em fitopatologia, devido às complexidades intrínsecas dos problemas e às dificuldades em traduzir os avanços técnicos em uma ferramenta apropriada aos potenciais usuários. Progressos futuros provavelmente continuarão a acontecer pela incorporação adequada de avanços alcançados em campos de pesquisa relacionados. IV. CONCLUSÃO Este artigo apresentou uma revisão da literatura de sistemas especialistas aplicados ao problema de diagnóstico de doenças em plantas. Uma análise crítica dos cenários passado, corrente e futuro para esta área de pesquisa foi apresentada, onde a evolução dos principais desafios e respectivas soluções foram discutidas. A principal conclusão deste trabalho é que ainda há uma grande lacuna entre o que é oferecido pelos sistemas especialistas e as reais necessidades dos usuários. Por outro lado, avanços científicos em áreas como computação,

1919

telecomunicações, inteligência artificial e mesmo ciências sociais, podem ajudar a reduzir essa lacuna. Essa é uma tendência que vem sendo observada há algum tempo e que provavelmente guiará pesquisas futuras no assunto. REFERÊNCIAS [1] [2] [3] [4] [5] [6] [7]

[8] [9]

[10]

[11] [12] [13] [14]

[15]

[16] [17] [18] [19] [20]

[21] [22]

G. Edwards-Jones, "Knowledge-based systems for crop protection: theory and practice," Crop Protection, vol. 12, no. 8, pp. 565–578, 1993. D. G. Bobrow, S. Mittal, and M. J. Stefik, "Expert systems: perils and promise," Communications of the ACM, vol. 29, pp. 880–894, 1986. R. G. Cowell, P. Dawid, S. L. Lauritzen, and D. J. Spiegelhalter, Probabilistic Networks and Expert Systems: Exact Computational Methods for Bayesian Networks, 1st ed., Springer-Verlag, 1999. R. Forsyth, "The architecture of expert systems," in R. Forsyth (Ed.), Expert Systems: Principles and Case Studies, Chapman and Hall, pp. 9–17, 1987. J. W. Travis and R. X. Latin, "Development, implementation, and adoption of expert systems in plant pathology," Annual Review of Phytopathology, vol. 29, pp. 343–360, 1991. E. H. Shortliffe and B. G. Buchanan, "A model of inexact reasoning in medicine," Mathematical Biosciences, vol. 23, no. 3–4, pp. 351–379, 1975. K. L. Clark and F. G. McCabe, "PROLOG: A Language for Implementing Expert Systems," in J. E. Hayes, D. Michie, Y.-H. Pao (Eds.), Machine Intelligence 10, Ellis Horwood Ltd. and John Wiley and Sons, pp. 455–470, 1982. R. Guay and L. Gauthier, "Knowledge representation in a tomato disorder diagnosis system," Computers and Electronics in Agriculture, vol. 6, no. 1, pp. 21–32, 1991. Y. Peng and J. A. Reggia, "A probabilistic causal model for diagnostic problem solving, part I: integrating symbolic causal inference with numeric probabilistic inference," IEEE Transactions on Systems, Man, and Cybernetics, vol. 17, no. 2, pp. 146–162, 1987. J. A. Reggia, B. T. Perricone, D. S. Nau, and Y. Peng, "Answer justification in diagnostic expert systems--Part I: Abductive inference and its justification," IEEE Transactions on Biomedical Engineering, vol. 32, no. 4, pp. 263–267, 1985. J. R. Josephson and S. G. Josephson, Abductive Inference: Computation, Philosophy, Technology, Cambridge University Press, 1996. J. Pearl, Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, 1st ed., Morgan Kaufmann, 1988. G. Polya, Patterns of Plausible Reasoning (vol. II): Mathematics and Plausible Reasoning, Princeton University Press, 1954. S. K. Andersen, K. G. Olesen, F. V. Jensen, and F. Jensen, "HUGIN — A shell for building Bayesian belief universes for expert systems," in Proceedings of the 11th international joint conference on artificial intelligence, pp. 1080–1085, 1989. E. Horvitz, J. Breese, and M. Henrion, "Decision Theory in Expert Systems and Artificial Intelligence," Journal of Approximate Reasoning, Special Issue on Uncertainty in Artificial Intelligence, vol. 2, pp. 247–302, 1988. D. J. Spiegelhalter, A. P. Dawid, S. L. Lauritzen, and R. G. Cowell, "Bayesian analysis in expert systems," Statistical Science, vol. 8, no. 3, pp. 219–247, 1993. P. Jones, "Agricultural applications of expert systems concepts," Agricultural Systems, vol. 31, no. 1, pp. 3–18, 1989. S. R. Harrison, "Validation of Agricultural Expert Systems," Agricultural Systems, vol. 35, no. 3, pp. 265–285, 1991. G. M. Pasqual and J. Mansfield, "Development of a prototype expert system for identification and control of insect pests," Computers and Electronics in Agriculture, vol. 2, no. 4, pp. 263–276, 1988. W. D. Batchelor, R. W. McClendon, D. B. Adams, and J. W. Jones, "Evaluation of SMARTSOY: An expert simulation system for insect pest management," Agricultural Systems, vol. 31, no. 1, pp. 67–81, 1989. H. W. Beck, P. Jones, and J. W. Jones, "SOYBUG: An expert system for soybean insect pest management," Agricultural Systems, vol. 30, no. 3, pp. 269–286, 1989. R. H. Messing and B. A. Croft, "NERISK: an expert system to enhance the integration of pesticides with arthropod biological control," Acta Horticulturae, vol. 276, pp. 15–20, 1990.

1920 [23] R. J. Drapek, J. A. Calkin, and G. C. Fisher, "A hazelnut pest management expert system," Acta Horticulturae, vol. 276, pp. 21–26, 1990. [24] T. H. Jones, J. D. Mumford, J. A. F. Compton, G. A. Norton, and P. S. Tyler, "Development of an expert system for pest control in tropical grain stores," Postharvest Biology and Technology, vol. 3, no. 4, pp. 335–347, 1993. [25] S. Kaloudis, D. Anastopoulos, C. P. Yialouris, N. A. Lorentzos, and A. B. Sideridis, "Insect identification expert system for forest protection," Expert Systems with Applications, vol. 28, no. 3, pp. 445–452, 2005. [26] J. Caristi, A. L. Scharen, E. L. Sharp, and D. C. Sands, "Development and preliminary testing of EPINFORM, an expert system for predicting wheat disease epidemics," Plant Disease, vol. 71, pp. 1147–1150, 1987. [27] P. Ellison, G. Ash, and C. McDonald, "An expert system for the management of Botrytis cinerea in Australian vineyards. I. Development," Agricultural Systems, vol. 56, no. 2, pp. 185–207, 1998. [28] D. Shtienberg, A. Dinoor, and A. Marani, "Wheat disease control advisory, a decision support system for management of foliar diseases of wheat in Israel," Canadian Journal of Plant Pathology, vol. 12, pp. 195–203, 1990. [29] R. M. Cu and R. F. Line, "An expert advisory system for wheat disease management," Plant Disease, vol. 78, no. 2, pp. 209–215, 1994. [30] K. Y. Mundankar, S. D. Sawant, and I. S. Sawant, J. Sharma, "An expert system for the management of powdery mildew disease of grapes in India," Acta Horticulturae, vol. 785, pp. 297–300, 2008. [31] O. W. Morgan, M. J. McGregor, M. Richards, and K. E. Oskoui, "SELECT: An expert system shell for selecting amongst decision or management alternatives," Agricultural Systems, vol. 31, no. 1, pp. 97– 110, 1989. [32] R. E. Plant, "An integrated expert decision support system for agricultural management," Agricultural Systems, vol. 29, no. 1, pp. 49– 66, 1989. [33] H. Lemmon, "Comax: An expert system for cotton crop management," Computer Science in Economics and Management, vol. 3, pp. 177–185, 1990. [34] N. D. Clarke, J. L. Shipp, A. P. Papadopoulos, W. R. Jarvis, S. Khosla, T. J. Jewett, and G. Ferguson, "Development of the Harrow Greenhouse Manager: a decision-support system for greenhouse cucumber and tomato," Computers and Electronics in Agriculture, vol. 4, no. 3, pp. 195–204, 1999. [35] J. W. Travis, E. Rajotte, R. Bankert, K. D. Hickey, L. A. Hull, V. Eby, P. H. Heinemann, R. Crassweller, J. McClure, T. Bowser, and D. Laughland, "A working description of the Penn State Apple Orchard Consultant, an expert system," Plant Disease, vol. 76, no. 6, pp. 545– 554, 1992. [36] S. A. Edrees, A. Rafea, I. Fathy, and M. Yahia, "NEPER: a multiple strategy wheat expert system," Computers and Electronics in Agriculture, vol. 40, no. 1–3, pp. 27–43, 2003. [37] J. L. Gonzalez-Andujar, C. Fernandez-Quintanilla, J. Izquierdo, and J. M. Urbano, "SIMCE: An expert system for seedling weed identification in cereals," Computers and Electronics in Agriculture, vol. 54, no. 2, pp. 115–123, 2006. [38] L. G. Albrigo, J. I. Valiente, and H. W. Beck, "Flowering expert system development for a phenology based citrus decision support system," Acta Horticulturae, vol. 584, pp. 247–254, 2002. [39] J. E. McClure, M. Tomasko, and C. H. Collison, "BEE AWARE, an expert system for honey bee diseases, parasites, pests and predators," Computers and Electronics in Agriculture, vol. 9, no. 2, pp. 111–122, 1993. [40] I. J. McKendrick, G. Gettinby, Y. Gu, S. W. J. Reid, and C. W. Revie, "Using a Bayesian belief network to aid differential diagnosis of tropical bovine diseases," Preventive Veterinary Medicine, vol. 47, no. 3, pp. 141–156, 2000. [41] D. Li, Z. Fu, and Y. Duan, "Fish-Expert: a web-based expert system for fish disease diagnosis," Expert Systems with Applications, vol. 23, no. 3, pp. 311–320, 2002. [42] B. D. Mahaman, P. Harizanis, I. Filis, E. Antonopoulou, C. P. Yialouris, and A. B. Sideridis, "A diagnostic expert system for honeybee pests," Computers and Electronics in Agriculture, vol. 36, no. 1, pp. 17–31, 2002. [43] Y. Duan, Z. Fu, and D. Li, "Toward developing and using web-based tele-diagnosis in aquaculture," Expert Systems with Applications, vol. 25, no. 2, pp. 247–254, 2003. [44] M. Seidel, C. Breslin, R. M. Christley, G. Gettinby, S. W. J. Reid, and C. W. Revie, "Comparing diagnoses from expert systems and human

IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 4, APRIL 2016 experts," Agricultural Systems, vol. 76, no. 2, pp. 527–538, 2003. [45] J. C. Gutiérrez-Estrada, E. P. Sanz, R. López-Luque, and I. PulidoCalvo, "SEDPA, an expert system for disease diagnosis in eel rearing systems," Aquacultural Engineering, vol. 33, no. 2, pp. 110–125, 2005. [46] X. Zhang, Z. Fu, W. Cai, D. Tian, and J. Zhang, "Applying evolutionary prototyping model in developing FIDSS: An intelligent decision support system for fish disease/health management," Expert Systems with Applications, vol. 36, no. 2, pp. 3901–3913, 2009. [47] J. Gu, C. Deng, X. Lin, and D. Yu, "Expert system for fish disease diagnosis based on fuzzy neural network," In Proceedings of the Third International Conference on Intelligent Control and Information Processing, pp. 146–149, 2012. [48] R. O. Duda and E. H. Shortliffe, "Expert Systems Research," Science, vol. 220, no. 4594, pp. 261–268, 1983. [49] D. S. Nau, "Expert computer systems," IEEE Computer, vol. 16, no. 2, pp. 63–85, 1983. [50] B. G. Buchanan and R. G. Smith, "Fundamentals of expert systems," Annual review of computer science, vol. 3, pp. 23–58, 1988. [51] W. J. Clancey, "The epistemology of a rule-based expert system — a framework for explanation," Artificial Intelligence, vol. 20, no. 3, pp. 215–251, 1983. [52] W. J. Clancey, "Heuristic classification," Artificial Intelligence, vol. 27, no. 3, pp. 289–350, 1985. [53] S. Sahin, M. R. Tolun, and R. Hassanpour, "Hybrid expert systems: A survey of current approaches and applications," Expert Systems with Applications, vol. 39, no. 4, pp. 4609–4617, 2012. [54] B. Chandrasekaran, "Generic Tasks in Knowledge-Based Reasoning: High-Level Building Blocks for Expert Systems," IEEE Expert, vol. 1, no. 3, pp. 23–30, 1986. [55] P. E. Johnson, "What kind of expert should a system be?," The Journal of Medicine and Philosophy, vol. 8, pp. 77–97, 1983. [56] J. R. Quinlan, "Simplifying decision trees," International Journal of Man-Machine Studies - Special Issue: Knowledge Acquisition for Knowledge-based Systems, vol. 27, no. 3, pp. 221–234, 1987. [57] P. Walley, "Measures of uncertainty in expert systems," Artificial Intelligence, vol. 83, no. 1, pp. 1–58, 1996. [58] W. J. Frawley, G. Piatetsky-Shapiro, and C. J. Matheus, "Knowledge Discovery in Databases: An Overview," AI Magazine, vol. 13, no. 3, pp. 57–70, 1992. [59] P. K. Fink, J. C. Lusth, and J. W. Duran, "A general expert system design for diagnostic problem solving," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 7, no. 5, pp. 553-560, 1985. [60] S. Sivakami and C. Karthikeyan, "Evaluating the effectiveness of expert system for performing agricultural extension services in India," Expert Systems with Applications, vol. 36, no. 6, pp. 9634–9636, 2009. [61] B. D. Mahaman, H. C. Passam, A. B. Sideridis, and C. P. Yialouris, "DIARES-IPM: a diagnostic advisory rule-based expert system for integrated pest management in Solanaceous crop systems," Agricultural Systems, vol. 76, no. 3, pp. 1119–1135, 2003. [62] M. Suwa, A. C. Scott, and E. H. Shortliffe, "An approach to verifying completeness and consistency in a rule-based expert system," AI Magazine, vol. 3, no. 4, pp. 16–21, 1982. [63] R. M. O’Keefe, O. Balci, and E. P. Smith, "Validating expert system performance," IEEE Expert, vol. 2, no. 4, pp. 81–89, 1987. [64] J. A. Swets, "Measuring the accuracy of diagnostic systems," Science, vol. 240, pp. 1285–1293, 1988. [65] L. Gilstrap, "Validation and verification of expert systems," Telematics and Informatics, vol. 8, no. 4, pp. 439–448, 1991. [66] U. G. Gupta, "Validation and verification of knowledge-based systems: a survey," Journal of Applied Intelligence, vol. 3, pp. 343–363, 1993. [67] R. S. Sharma and D. W. Conrath, "Evaluating expert systems: a review of applicable approaches," Artificial Intelligence Review, vol. 7, no. 2, pp. 77–91, 1993. [68] R. M. O’Keefe and D. E. O'Leary, "Expert system verification and validation: a survey and tutorial," Artificial Intelligence Review, vol. 7, no. 1, pp. 3–42, 1993. [69] S. Lee and R. M. O’Keefe, "Developing a strategy for expert system verification and validation," IEEE Transactions on Systems, Man and Cybernetics, vol. 24, no. 4, pp. 643–655, 1994. [70] N. P. Zlatareva, "A refinement framework to support validation and maintenance of knowledge-based systems," Expert Systems with Applications, vol. 15, pp. 245–252, 1998. [71] E. Mosqueira-Rey and V. Moret-Bonillo, "Validation of intelligent systems: a critical study and a tool," Expert Systems with Applications, vol. 18, no. 1, pp. 1–16, 2000.

GARCIA ARNAL BARBEDO : EXPERT SYSTEMS APPLIED [72] R. M. Crassweller, J. W. Travis, P. H. Heinemann, and E. G. Rajotte, "The future use and development of expert system technology in horticulture," HortTechnology, vol. 3, pp. 203–205, 1993. [73] R. Chilausky, B. Jacobsen, and R. S. Michalski, An application of variable-valued logic to inductive learning of plant disease diagnostic rules. In Proceedings of the sixth international symposium on Multiplevalued logic, pp. 233–240, 1976. [74] J. M. McKinion and H. E. Lemmon, "Expert systems for agriculture," Computers and Electronics in Agriculture, vol. 1, no. 1, pp. 31–40, 1985. [75] R. Doluschitz and W. E. Schmisseur, "Expert systems: applications to agriculture and farm management," Computers and Electronics in Agriculture, vol. 2, no. 3, pp. 173–182, 1988. [76] M. J. Carrascal and L. F. Pau, "A survey of expert systems in agriculture and food processing," AI Applications, vol. 6, no. 2, pp. 27– 49, 1992. [77] J. W. Travis and R. X. Latin, "Development, implementation, and adoption of expert systems in plant pathology," Annual Review of Phytopathology, vol. 29, pp. 343–360, 1991. [78] E. A. Pozza, L. A. Maffia, C. A. B. Silva, and J. L. Braga, "Desenvolvimento e aplicações de sistemas especialistas e redes neuronais em fitopatologia," Revista Brasileira de Agroinformática, vol. 2, no. 1, pp. 28–61, 1999. [79] R. S. Michalski and R. L. Chilausky, "Knowledge acquisition by encoding expert rules versus computer induction from examples: a case study involving soybean pathology," International Journal of ManMachine Studies, vol. 12, no. 1, p. 63–87, 1980. [80] R. S. Michalski, J. H. Davis, V. S. Bisht, and J. B. Sinclair, "PLANT/ds: an expert consulting system for the diagnosis of soybean diseases," In Proceedings of the European Conference on Artificial Intelligence, pp. 133–138, 1982. [81] R. S. Michalski, J. H. Davis, V. S. Bisht, and J. B. Sinclair, "A computer-based advisory system for diagnosing soybean diseases in Illinois," Plant Disease, vol. 67, no. 4, p. 459–463, 1983. [82] C. T. Uhrik, "PLANT/ds revisited: non-homogeneous evaluation schema in expert systems," In Waltz, D. L. (ed.), AAAI-82, AAAI Press, pp. 217–220, 1982. [83] J. C. Fayet, "An expert system to diagnose carnation diseases," Acta Horticulturae, vol. 216, pp. 141–150, 1987. [84] E. C. Berkeley and D. G. Bobrow (eds.) The Programming Language LISP: Its Operation and Applications, MIT Press, 1964. [85] J. Roach, R. Virkar, C. Drake, and M. Weaver, "An expert system for helping apple growers," Computers and Electronics in Agriculture, vol. 2, no. 2, pp. 97–108, 1987. [86] R. H. Kemp, T. M. Stewart, and A. Boorman, "An expert system for diagnosis of pests, diseases, and disorders in apple crops," New Zealand Journal of Crop and Horticultural Science, vol. 17, pp. 89–96. [87] R. E. Plant, F. G. Zalom, J. A. Young, and R. E. Rice, "CALEX/Peaches, an expert system for the diagnosis of peach and nectarine disorders," Hortscience, vol. 24, no. 700, 1989. [88] S. S. Adams, W. R. Stevenson, P. Delhotal, and J. Fayet, "An expert system for diagnosis of post-harvest potato diseases," Bulletin OEPP/EPPO, vol. 20, pp. 341–347, 1990. [89] S. Y. Itoga, C. L. Chia, R. S. Yost, and R. F. L. Mau, "Propa: a papaya management expert system," Knowledge-Based Systems, vol. 3, no. 3, pp. 163–169, 1990. [90] R. X. Latin, G. E. Miles, J. C. Rettinger, and J. R. Mitchell, "An expert system for diagnosing muskmelon disorders," Plant Disease, vol. 74, no. 1, pp. 83–87, 1990. [91] D. W. Donahue, R. S. Sowell, N. T. Powell, and T. A. Melton, "An expert system for diagnosing diseases of tobacco," Applied Engineering in Agriculture, vol. 7, no. 4, pp. 499¬–503, 1991. [92] D. R. B. Stockwell, "LBS: Bayesian learning system for rapid expert system development," Expert Systems With Applications, vol. 6, no. 2, pp. 137–147, 1993. [93] J. M. Wells, J. E. Butterfield, and L. G. Revear, "Identification of bacteria associated with postharvest diseases of fruits and vegetables by cellular fatty acid composition: an expert system for personal computers," Phytopathology, vol. 83, pp. 445–455, 1993. [94] D. W. Boyd and M. K. Sun, "Prototyping an expert system for diagnosis of potato diseases," Computers and Electronics in Agriculture, vol. 10, no. 3, pp. 259–267, 1994. [95] J. Cernohorska, M. Dvorak, D. Harmancova, V. Novak, and L. Natr, "Fytotrof - An expert system for diagnosis of plant nutrient deficiency based on visual symptoms," Scientia-Agriculturae-Bohemica, vol. 26,

1921 no. 3, pp. 199–208, 1995. [96] J. J. Ferguson, F. S. Zaueta, and J. I. Valiente, "CITPATH: Diagnostic and hypertext software for fungal diseases of citrus foliage and fruit," HortTechnology, vol. 5, no. 3, pp. 277–278, 1995. [97] A. J. Thomson and G. A. van Sickle, "Forest insects and disease diagnosis and management using expert system-guided hypermedia," AI Applications, vol. 10, no. 2, pp. 23–32, 1996. [98] C. P. Yialouris and A. B. Sideridis, "An expert system for tomato diseases," Computers and Electronics in Agriculture, vol. 14, no. 1, pp. 61–76, 1996. [99] C. P. Yialouris, H. C. Passam, A. B. Sideridis, and C. Métin, "VEGES—A multilingual expert system for the diagnosis of pests, diseases and nutritional disorders of six greenhouse vegetables," Computers and Electronics in Agriculture, vol. 19, no. 1, pp. 55–67, 1997. [100] M. A. Kramers, C. G. M. Conijn, and C. Bastiaansen, "EXSYS, an expert system for diagnosing flowerbulb diseases, pests and nonparasitic disorders," Agricultural System, vol. 58, no. 1, pp. 57–85, 1998. [101] E.-S. El-Azhary, H. A. Hassan, and A. Rafea, "Pest control expert system for tomato (PCEST)," Knowledge and Information Systems, vol. 2, pp. 242–257, 2000. [102] A. Tocatlidou, H. C. Passam, A. B. Sideridis, and C. P. Yialouris, "Reasoning under uncertainty for plant disease diagnosis," Expert Systems, vol. 19, no. 1, pp. 46–52, 2002. [103] M. C. Alves, E. A. Pozza, J. C. Machado, and M. G. G. Carvalho, "Desenvolvimento e validação de um sistema especialista para identificar fungos na análise sanitária de sementes," Revista Brasileira de Sementes, vol. 28, no. 1, pp. 176–186, 2006. [104] R. Prasad, K. R. Ranjan, and A. K. Sinha, "AMRAPALIKA: An expert system for the diagnosis of pests, diseases, and disorders in Indian mango," Knowledge-Based Systems, vol. 19, no. 1, pp. 9–21, 2006. [105] G. Mansingh, H. Reichgelt, and K.-M. O. Bryson, "CPEST: An expert system for the management of pests and diseases in the Jamaican coffee industry," Expert Systems with Applications, vol. 32, no. 1, pp. 184– 192, 2007. [106] Y. Duan, J. S. Edwards, and M. X. Xu, "Web-based expert systems: benefits and challenges," Information Management, vol. 42, no. 6, pp. 799–811, 2005. [107] N. Dunstan, "Generating domain-specific web-based expert systems," Expert Systems with Applications, vol. 35, no. 3, pp. 686–690, 2008. [108] S. M. F. S. Massruhá, J. P. Dutra, S. A. B. Cruz, S. Sandri, J. Wainer, and M. A. B. Morandi, "An object-oriented framework for virtual diagnosis," In Proceedings of the Biennial Conference of European Federation of IT in Agriculture, 2007. [109] F. S. Khan, S. Razzaq, K. Irfan, F. Maqbool, A. Farid, I. Illahi, and T. Amin, "Dr. Wheat: A web-based expert system for diagnosis of diseases and pests in Pakistani wheat," In Proceedings of the World Congress on Engineering (Vol. I), 2008. [110] S. S.Abu-Naser, K. A. Kashkash, and M. Fayyad, "Developing an expert system for plant disease diagnosis," Journal of Artificial Intelligence, vol. 1, no. 2, pp. 78–85, 2008. [111] V. Kumar, S. Lehri, A. K. Sharma, P. D. Meena, and A. Kumar, "Image based rapeseed-mustard disease expert system: An effective extension tool," Indian Research Journal of Extension Education, vol. 8, no. 2&3, pp. 10–13, 2008. [112] V. López-Morales, O. López-Ortega, J. Ramos-Fernández, and L. B. Muñoz, "JAPIEST: An integral intelligent system for the diagnosis and control of tomatoes diseases and pests in hydroponic greenhouses," Expert Systems with Applications, vol. 35, no. 4, pp. 1506–1512, 2008. [113] A. C. S. Pinto, E. A. Pozza, S. M. Chalfoun, and G. T. S. Timóteo, "Desenvolvimento de sistema especialista para diagnóstico de doenças, deficiências e nematóides do cafeeiro," In Proceedings of the II Brazilian Symposium of Coffee Research, pp. 1091–1100, 2008. [114] J. L. Gonzalez-Andujar, "Expert system for pests, diseases and weeds identification in olive crops," Expert Systems with Applications, vol. 36, no. 2, pp. 3278–3283, 2009. [115] L. Gonzalez-Diaz, P. Martínez-Jimenez, F. Bastida, and J. L. GonzalezAndujar, "Expert system for integrated plant protection in pepper (Capsicum annuun L.)," Expert Systems with Applications, vol. 36, no. 5, pp. 8975–8979, 2009. [116] S. S. Patil, B. V. Dhandra, U. B. Angadi, A. G. Shankar, and N. Joshi, "Web based expert system for diagnosis of micro nutrients' deficiencies in crops," In Proceedings of the World Congress on Engineering and Computer Science (Vol. I), 2009.

1922 [117] M. S. P. Babu and N. T. Rao, "Implementation of artificial bee colony (ABC) algorithm on garlic expert advisory system," International Journal of Computer Science and Research, vol. 1, no. 1, pp. 69-74, 2010. [118] J.-C. Lai, B. Ming, S.-K. Li, K.-R. Wang, R.-Z. Xie, and S.-J. Gao, "An image-based diagnostic expert system for corn diseases," Agricultural Sciences in China, vol. 9, no. 8, pp. 1221–1229, 2010. [119] S. K. Sarma, K. R. Singh, and A. Singh, "An expert system for diagnosis of diseases in rice plant," International Journal of Artificial Intelligence, vol. 1, no. 1, pp. 26–31, 2010. [120] C. N. Uchôa, E. A. Pozza, R. B. Bassanezi, M. B. Spósito, P. T. Yamamoto, J. C. Barbosa, and A. A. S. Oliveira, "Development of a decision support system for the diagnosis of citrus diseases, pests, and abiotic factors," Summa Phytopathologica, vol. 36, no. 2, p. 155–157, 2010. [121] Devraj and R. Jain, "PulsExpert: An expert system for the diagnosis and control of diseases in pulse crops," Expert Systems with Applications, vol. 38, no. 9, pp. 11463–11471, 2011. [122] D. S. Yeung and E. C. C. Tsang, "A multilevel weighted fuzzy reasoning algorithm for expert systems," IEEE Transactions on Systems, Man, and Cybernetics—Part A: Systems and Humans, vol. 28, no. 2, pp. 149–158, 1998. [123] S. Kolhe, R. Kamal, H. S. Saini, and G. K. Gupta, "A web-based intelligent disease-diagnosis system using a new fuzzy-logic based approach for drawing the inferences in crops," Computers and Electronics in Agriculture, vol. 76, no. 1, pp. 16–27, 2011. [124] S. Kolhe, R. Kamal, H. S. Saini, and G. K. Gupta, "An intelligent multimedia interface for fuzzy-logic based inference in crops," Expert Systems with Applications, vol. 38, no. 12, pp. 14592–14601, 2011. [125] S. Kolhe, R. Kamal, H. S. Saini, and G. K. Gupta, "Expert system for disease diagnosis in soybean–ESDDS," Journal of the Indian Society of Agricultural Statistics, vol. 67, no. 1, pp. 79–88, 2013. [126] F. C. Silva, S. M. F. S. Massruhá, R. S. Deus, A. D. Santos, V. Barbieri, S. A. B. Cruz, and E. Malavolta, "A web-based expert system for diagnosis of nutritional deficiency in sugarcane," Bioenergia em Revista: Diálogos, vol. 1, no. 1, pp. 26–48, 2011. [127] S. S. Hasan, S. Solomon, A. Baitha, M. R. Singh, A. K. Sah, R. Kumar, and S. K. Shukla, "CaneDES: A web-based expert system for disorder diagnosis in sugarcane," Sugar Tech, vol. 17, no. 4, pp. 418–427, 2015. [128] M. B. Riley, M. R. Williamson, and O. Maloy, "Plant disease diagnosis," The Plant Health Instructor, DOI: 10.1094/PHI-I-20021021-01, 2002. [129] H. Song and Y. He, "Crop nutrition diagnosis expert system based on artificial neural networks," In Proceedings of the Third International Conference on Information Technology and Applications, 2005. Jayme Garcia Arnal Barbedo, graduou-se em Engenharia Elétrica pela Universidade Federal de Mato Grosso do Sul em 1998 e recebeu os títulos de mestre e doutor pela Universidade Estadual de Campinas em 2001 e 2004, respectivamente. Em 2004, juntou-se à Diretoria de TV Digital da Fundação CPqD de Campinas, onde trabalhou na área de codificação de sinaisfonte no âmbito do projeto para determinação do sistema brasileiro de televisão digital. Entre 2005 e 2010, conduziu pesquisas de pós-doutorado na Universidade Estadual de Campinas, Harvard University (EUA) e University of Victoria (Canadá). Desde 2011, atua como pesquisador na Embrapa Informática Agropecuária, em Campinas, São Paulo. Suas áreas de interesse incluem processamento digital de voz, processamento digital de música, TV digital e processamento digital de imagens.

IEEE LATIN AMERICA TRANSACTIONS, VOL. 14, NO. 4, APRIL 2016