Processamento digital de imagens para identificação das deficiências de fósforo e potássio na cultura da banana

Abstract

O estado nutricional das plantas tem grande importância em estudos sobre o metabolismo, crescimento e produção das plantas, necessitando de um modelo que possa estimar a deficiência nutricional em plantas de banana, pois quando conseguimos identificar visualmente, estima-se que parte da produção já foi comprometida. Nesse aspecto, o trabalho investigou a utilização do processamento digital de imagens em conjunto com a análise de componentes principais e redes neurais artificiais como ferramentas para apoiar uma melhor identificação da deficiência nutricional, em nível de campo, para que a intervenção possa ser adotada rapidamente, reduzindo danos e prejuízos causados nas folhas de banana e produtividade geral da área. Foram coletadas imagens digitais de folhas de bananeiras sadias e com deficiência nutricional de fósforo e potássio. A seguir, extraíram-se histogramas dos componentes de cada imagem no sistema RGB (Red, Green e Blue) para 256 intensidades de cinza das amostras, totalizando 768 variáveis para cada amostra. Com a aplicação de técnicas de seleção de atributos a análise de componentes principais, reduziram-se as variáveis de entrada de 768 para 31 variáveis canônicas. Em seguida, considerando as variáveis canônimas, realizou a fase de classificação com os usos das redes neurais artificiais. Os valores de sensibilidade e especificidade mostram que o modelo é altamente eficiente na identificação da deficiência (sensibilidade) e com alta capacidade de identificação na ausência de deficiência no campo (especificidade). O modelo estudado na presente pesquisa demonstrou que poderá ser uma ferramenta eficaz para auxiliar na diagnose nutricional das classes de fósforo, potássio e sadia minimizando a subjetividade da diagnose visual realizada por agrônomos ou técnicos agropecuários. De maneira geral, obtivemos alta taxa de acertos, mostrando robustez do classificador gerado, evidenciada pela baixa probabilidade de classificação incorreta (15%).

Plant nutritional status is crucial in studies regarding plant metabolism, growth, and yield; consequently, there is a need for a model capable of early detection of nutritional deficiencies in banana plants, as visual identification often occurs only after a portion of the yield has already been compromised. In this context, this study investigated the use of digital image processing combined with principal component analysis and artificial neural networks as tools to improve field-level identification of nutritional deficiencies. Such tools enable rapid intervention, thereby mitigating damage to banana leaves and losses in overall area productivity. Digital images were collected from healthy banana leaves and from those exhibiting phosphorus and potassium deficiencies. Subsequently, histograms of the RGB (Red, Green, and Blue) components were extracted for each image across 256 gray-level intensities, resulting in a total of 768 variables per sample. Through the application of feature selection techniques and principal component analysis, the input variables were reduced from 768 to 31 canonical variables. Next, a classification phase was conducted using artificial neural networks based on these canonical variables. Sensitivity and specificity values indicate that the model is highly efficient at identifying deficiencies (sensitivity) and highly capable of correctly identifying the absence of deficiencies in the field (specificity). The model studied here demonstrated potential as an effective tool for assisting in the nutritional diagnosis of phosphorus-deficient, potassium-deficient, and healthy plants, thereby minimizing the subjectivity inherent in visual diagnoses performed by agronomists or agricultural technicians. Overall, a high accuracy rate was achieved, demonstrating the robustness of the resulting classifier, as evidenced by the low probability of misclassification (15%).