Desenvolvimento de uma plataforma de fenotipagem de alta performance baseada em visão computacional para a ferrugem da videira

Abstract

A ferrugem da videira (Neophysopella tropicalis), cuja detecção se dá pelo aparecimento de pústulas amareladas no limbo foliar, apresenta importância econômica pelo potencial de causar danos a Vitis spp. No setor da viticultura, o melhoramento genético para a resistência a doenças é majoritariamente realizado por análises fenotípicas manuais, um processo cansativo, dispendioso temporalmente e que não apresenta necessariamente uma precisão significativa. Alternativamente, o uso de aprendizado de máquina (machine learning) reduz drasticamente o tempo de classificação e apresenta elevada precisão, fundamentais para a condução dos programas de melhoramento. O presente estudo objetivou desenvolver uma plataforma de fenotipagem baseada em visão computacional para avaliar a resistência de genótipos de videira à ferrugem. O experimento foi conduzido em 5 blocos, cada qual com 201 discos foliares de videira com 10 mm de diâmetro. Esses discos foliares foram inoculados com 30 μL de suspensão de esporos de ferrugem e registrados por câmera fotográfica acoplada a sistema automático de captura de imagens (‘Blackbird’), do quarto até o décimo dia após a inoculação (DAI). Para automatizar a análise da doença, essas imagens foram utilizadas para o desenvolvimento de Redes Neurais em duas arquiteturas diferentes. A primeira metodologia foi a de Rede Neural Convolucional (CNN), em que segmentações das imagens foram usadas para treinamento, validação e teste. A segunda análise foi realizada por Rede Neural Convolucional Baseada em Região para Máscaras (Mask R-CNN), que objetivou segmentar as áreas das pústulas de ferrugem. A partir desse método, estimou-se a severidade da doença e o número de pústulas, que foram comparados a dados de 105 imagens classificadas manualmente. As diferenças médias de severidade calculadas por CNN e Mask R-CNN, em relação à severidade real, foram de 19,30% e 0,37%, respectivamente, demonstrando que a Mask R-CNN apresenta um erro significativamente menor. Em relação à CNN, a Mask R-CNN apresenta a vantagem de segmentar apenas a área que seria correspondente à pústula, à medida que a CNN classifica as segmentações como um todo, de maneira a não distinguir as áreas sadias e afetadas nas segmentações. A diferença entre o número de pústulas real e calculado automaticamente, por Mask R-CNN, foi de 7,51 (16,12%), em média. Esse erro absoluto se deve, majoritariamente, à sobreposição de pústulas, principalmente do sétimo até o décimo DAI, o que inviabiliza a contagem precisa. A segmentação de instâncias por Mask R-CNN, além de reduzir o erro de severidade, em relação à CNN, permitiu a contagem do número de pústulas, que pode ser aperfeiçoada pelo treinamento com novas imagens, data augmentation e alteração de hiperparâmetros. Essa metodologia de análise para a ferrugem da videira é inédita na literatura e, associada ao Blackbird, permitiu o desenvolvimento de uma plataforma inédita de alta performance para a fenotipagem da ferrugem da videira.