O objetivo deste trabalho foi a avaliação de sete algoritmos de classificação (Redes Bayesianas, Naive Bayes, Multilayer Perceptron, Máquina de Vetores de Suporte, K-Vizinhos Mais Próximos, Árvore de Decisão e Floresta Aleatória) para o reconhecimento automático de duas
doenças que afetam a produção de soja, a saber: a Podridão Vermelha da Raiz (PVR) e Oídio.
Para atingirem seus resultados, estes classificadores necessitaram de uma representação
numérica de imagens de folhas de soja. No que se refere às representações, foram utilizados
descritores de imagens, com o intuito de se caracterizar uma imagem em termos de suas cores,
textura, etc. Para tanto, foram implementados computacionalmente três descritores, o CIE-
LAB, Border/Interior pixel Classification (BIC) e Haralick, gerando, cada qual, um certo
número de atributos. Estes atributos foram utilizados tanto de forma independente como
também combinados, buscando-se analisar os impactos das diferentes representações no
resultado final da classificação. Verificou-se que, os melhores resultados foram obtidos ao se
usar Árvores de Decisão e Florestas Aleatórias sobre um conjunto/espaço de atributos formado
pelas combinações LAB-BIC, LAB-BIC-Haralick e, principalmente, através de representações
de baixa dimensionalidade, como a obtida por um filtro de atributos (Correlation-based Feature
Selection) ou apenas pelo uso do descritor CIE-LAB (LAB).
Coautores:
Pedro H. S. Pereira, Gabriel V. de Oliveira, Rafael S. S. Yokoo, Mariana Matulovic
