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).

Autor(a) principal:

Luiz F. S. Coletta