Você está na página 1de 6

Proceedings of XI Workshop de Visão Computacional ‐ October 05th‐07th, 2015

Identification of foliar soybean diseases using local


descriptors

Rillian Diello Lucas Pires, Wesley Eiji Sanches Kanashiro, Wesley Nunes Gonçalves,
Bruno Brandoli Machado, Mauro dos Santos de Arruda and Jonatan Patrick Margarido Oruê
Faculdade de Computação, Universidade Federal de Mato Grosso do Sul, UFMS
Campo Grande, MS, Brasil
{wesskanashiro, rilliansf, jonatanorue, mauro.santos}@gmail.com, {wesley.goncalves, bruno.brandoli}@ufms.br

Resumo—The identification of foliar diseases is very impor- Este artigo tem como objetivo o desenvolvimento de uma
tant in the grain production. In the last decade, a great number ferramenta automatizada para caracterizar as folhas de soja, e
of soybean leaf diseases have impacted the croping in Brazil. consequentemente reconhecer a presença de alguma doença.
This paper presents a local feature approach to identify soybean Este processo é um desafio cientı́fico principalmente devido à
leaf diseases. We compared different local descriptors, such as natureza das folhas [5]. Para isso, este trabalho visa realizar
SIFT, Dense SIFT and SURF over a Bag-of-Visual-Words model.
Experimental results demonstrated that local descriptors are
uma análise comparativa entre os principais descritores locais
efficient in performing the recognition of foliar diseases. The de imagem que podem ser utilizados em conjunto com o
description based on Dense SIFT achieved the best result with histograma de palavras visuais - BOVW [6] (do inglês -
accuracy of 85%. Bag-of-Visual-Words). O BOVW consiste em construir um
vocabulário de palavras visuais a partir de pontos de interesse
I. I NTRODUÇ ÃO detectados por descritores locais. Após a construção do voca-
bulário, os pontos de interesse de uma determinada imagem são
No ano de 2013, o agronegócio, que compreende desde a rotulados em palavras visuais e um histograma de frequência
produção de insumo até a sua comercialização, representou é construı́do para formar o vetor de caracterı́sticas.
cerca 25% do PIB nacional. Segundo a Confederação da
Agricultura e Pecuária do Brasil (CNA) e o IBGE, o grande O primeiro passo para a construção do vocabulário é a
destaque foi a safra de grãos, que permitiu crescimentos de detecção e descrição de pontos de interesse. Existem hoje na
7% no PIB agropecuário e 2,3% no PIB nacional. Dentre os literatura diversos algoritmos que tem como objetivo detectar
grãos que mais contribuı́ram para esse aumento, o destaque foi e/ou descrever pontos. Deste, podemos citar o SIFT (Scale
dado à soja, cuja produção aumentou em 24,3%. Invariant Feature Transform) [7], SIFT Denso [8], SURF
(Speeded-UP Robust Features) [9], PHOW (Pyramid Histo-
Apesar da soja ser uma das plantas mais fáceis de se- gram Of Visual Words) [10], HOG (Histograms of Oriented
rem cultivadas, a exploração econômica do seu potencial de Gradients) [11] e o LBP (Local Binary Patterns) [12]. A
rendimento (superior a 4.000 kg/ha) dificilmente é alcançada detecção e descrição de pontos em imagens é uma etapa crucial
por falta de manejo adequado [1]. Entre os principais fatores do BOVW, pois é a partir dela que serão definidas as palavras
limitantes do rendimento estão as doenças que, em geral, visuais que compõem o vocabulário, que por sua vez, será
são de difı́cil controle. O número de doenças causadas por utilizado para a criação de um histograma para a classificação
bactérias, fungos, nematóides e vı́rus, continua aumentando a de uma imagem.
cada safra com a expansão da cultura para novos ambientes.
A importância de cada doença varia de ano para ano e de Neste trabalho, os três principais descritores locais SIFT,
região para região, dependendo das variedades predominantes SURF e SIFT Denso foram comparados no reconhecimento
e da condição climática de cada safra. Inicialmente a soja de doenças foliares na cultura da soja. O problema é detectar
se expandiu no Brasil com sanidade, todavia, após alguns se uma amostra microscópica de uma folha é sadia ou possui
anos de cultivo comercial surgiram doenças que passaram uma das três principais doenças que afetam as plantações no
então, a serem fatores limitantes ao aumento e estabilidade Brasil: duas variações de ferrugem e mı́ldio. Os resultados
do rendimento [2]. apontaram que o SIFT Denso alcançou a melhor acurácia den-
tre os descritores comparados, com uma taxa de classificação
Dessa forma, o monitoramento das doenças desde a fase do
correta de 85% com o tamanho do vocabulário K = 300,
plantio até a colheita é importante para o aumento da produção.
1.67% a mais que o SURF e 3.09% a mais que o SIFT,
Esse monitoramento deve ser rápido e eficaz, sugerindo que
ambos utilizando K = 900. Apesar da dificuldade inerente
métodos automáticos sejam realizados. Atualmente, trabalhos
no problema, podemos concluir que a utilização de descritores
utilizando imagens e visão computacional têm sido desenvol-
locais juntamente com o BOVW é uma forma eficiente para
vidos com o intuito de colaborar com o agronegócio. Como
reconhecer doenças foliares na cultura da soja.
exemplo, podemos citar um trabalho para avaliação do estado
nutricional do milho a partir de imagens digitais com auxı́lio Este artigo está organizado da seguinte forma: a Seção II
da visão computacional [3]. Além deste, Cruvinel e Karam [4] descreve brevemente os descritores locais e o BOVW. A Seção
propuseram um método baseado em visão computacional para III apresenta a base de imagens para detecção de doenças em
a construção de mapas de aplicação de herbicida para cultura folhas de soja e descreve os experimentos e os resultados para
do milho com foco em plantas invasoras. cada descritor local no BOVW. Por fim, a Seção IV relata as

242
Proceedings of XI Workshop de Visão Computacional ‐ October 05th‐07th, 2015

conclusões e os trabalhos futuros. diferença é que o SIFT Denso elimina a etapa de detecção
de pontos e utiliza uma grade densa de pontos de interesse,
II. T EORIAS por exemplo, todos os pixels da imagem ou uma grade que
considera de 8 em 8 pixels. A Figura 1 ilustra um exemplo de
Nesta seção, são apresentados os descritores locais que grade densa em uma imagem onde cada cı́rculo representa um
foram utilizados no reconhecimento de doenças foliares na ponto de interesse. Assim, cada ponto desta grade é descrito da
cultura da soja. Esses descritores, em geral, possuem 2 etapas: mesma maneira que o SIFT por meio do gradiente da região
localização de pontos de interesse e a descrição destes pontos. vizinha.

A. Scale Invariant Feature Transform - SIFT


O SIFT (Scale Invariant Feature Transform) [7] é um
algoritmo de visão computacional publicado por David Lowe.
Ele teve sua origem na necessidade de lidar com o reco-
nhecimento de objetos dentro de imagens reais onde podem
haver interferências, tais como mudança de escala, orientação
e oclusões.
Em sı́ntese o SIFT extrai um conjunto de vetores para
descrever cada ponto, que tem como principais caracterı́sticas:
alta distintividade; invariância a escala, rotação, parcialmente
a iluminação e variações 3D. Basicamente, o SIFT pode ser
descrito em 4 etapas: Figura 1. Exemplo de grade utilizada no SIFT Denso. Cada cı́rculo representa
um ponto de interesse na grade densa.
1) Espaço de Escalas: Nesta primeira etapa um espaço
de escalas é construı́do com o intuito de buscar pontos de A grande vantagem do SIFT Denso é que os pontos de
interesse em uma imagem. Para isto é utilizada a Diferença interesse cobrem toda a imagem. Dessa forma, o número de
de Gaussianas [13], para identificação de potenciais pontos de pontos depende exclusivamente da grade utilizada na imagem.
interesse pi que são invariantes à escala; Por exemplo, se todos os pixels forem considerados como
2) Localização e eliminação de pontos-chave: Para cada pontos de interesse, para uma imagem com w × h pixels são
ponto candidato pi , é determinada a sua posição e escala. Os obtidos M = w × h pontos de interesse.
pontos chave são selecionados com base em medidas de sua
estabilidade em uma pirâmide de imagens em diversas escalas. C. Speeded-UP Robust Features - SURF
Um ponto de máximo ou mı́nimo local é identificado por meio
da sua comparação com os vizinhos da escala abaixo e da O descritor SURF (Speeded-UP Robust Features), proposto
escala acima, como resultado desta fase temos a localização por Bay et al [9], apresenta um algoritmo rápido e robusto
espacial do ponto na imagem (xi , yi ) e a escala em que ele para a extração de pontos de interesse em uma imagem. O
foi detectado σi ; SURF foi parcialmente inspirado no SIFT [7]. Entretanto, os
autores consideram que o SURF apresenta pontos de interesse
3) Definição da orientação dos pontos-chave: Uma ou mais representativos além de ser mais rápido em comparação
mais orientações são atribuı́das para cada ponto chave pi com ao SIFT. Assim como o SIFT, o SURF busca descritores, que
base nas direções do gradiente predominantes. Como resultado, tenham como principais caracterı́sticas: alta distintividade entre
é atribuı́do uma orientação θi para cada ponto; os descritores; invariância a escala, rotação, parcialmente a
4) Geração dos descritores: O descritor de cada ponto iluminação e variações 3D.
chave pi é construı́do com base na região vizinha deste ponto Ele pode ser descrito em 4 etapas muito semelhantes as
na escala (imagem filtrada) em que ele foi detectado. O descri- encontradas no SIFT:
tor é composto por um histograma de oito direções usando a
magnitude do gradiente da vizinhança. A normalização do des- 1) Espaço de Escalas: Para a detecção de pontos de inte-
critor deixa-o invariante à iluminação. Como resultado desta resse, o SURF utiliza o determinante da aproximação da matriz
etapa temos um vetor hi contendo 128 valores representando Hessiana. A matriz Hessiana H(pi , σ) para um determinado
a região ao redor do ponto. ponto pi = (x, y) de imagem com escala σ é dada por
convoluções da derivada parcial Gaussiana de segunda ordem
Ao final das 4 etapas, o SIFT detecta M pontos de interesse nas direções horizontal, vertical e diagonal da imagem I no
com as seguintes propriedades: ϕi = [xi , yi , δi , θi , hi ], sendo ponto pi . Para otimizar o custo computacional, o SURF utiliza
(xi , yi ) a posição espacial do ponto, δi é a escala, θi a um conjunto de filtros de caixa 9 × 9 para a aproximação
orientação e hi são os descritores. da derivada Gaussiana de segunda ordem, isto reduz o tempo
de processamento e pode ser analisado com grande rapidez
B. SIFT Denso através da utilização de imagens integrais;
Após os bons resultados do SIFT, diversas variantes foram 2) Localização e eliminação de pontos: Esta etapa é res-
propostas, como PCA-SIFT [14] e SIFT Denso [8]. O SIFT ponsável pela obtenção da invariância a escala e eliminação de
Denso é um descritor que tem apresentado bons resultados nas ruı́dos. Geralmente, a invariância a escala é obtida através de
tarefas de reconhecimento de cenas e objetos [8]. A principal uma pirâmide de imagens em diversas escalas, como no SIFT.

243
Proceedings of XI Workshop de Visão Computacional ‐ October 05th‐07th, 2015

No entanto, o SURF obtém através de um conjunto de filtros Com a extração e descrição dos pontos de interesse, obte-
de caixa que aumenta de tamanho exponencialmente, para mos um conjunto H de descritores locais que representa uma
não perder informações intermediárias entre as escalas. Desta imagem I, como visto na Equação 2.
forma o SURF aplica uma supressão de não máximos em 3
dimensões pois, cada convolução por filtro gera uma matriz de
HI = [h1 , h2 , ..., hM ]T ∈ <M ×D , (2)
resultados, sendo necessário obter valores de máximos dentro
destas matrizes. O SURF também considera os valores das onde M representa a quantidade de pontos de interesse encon-
matrizes vizinhas, analisando os valores da primeira escala trados na imagem e D representa a dimensão dos descritores
superior e da primeira escala inferior, quando um ponto de de cada ponto. A quantidade de pontos de interesse M varia
máximo é localizado, todos os outros valores são suprimidos. de imagem para imagem.
Ao final o SURF devolve localização espacial do ponto na
Na Figura 2 temos um exemplo de detecção de pontos de
imagem (xi , yi ), e a escala em que ele foi obtido σi ;
interesse através dos descritores SIFT e SURF.
3) Definição da orientação dos pontos-chave: Para garantir
a invariância à rotação, identificam-se os pontos-chaves com
uma orientação calculada a partir da resposta da Transformada
Haar wavelets nas direções x e y em uma vizinhança circular
centrada no ponto de interesse e de raio dependente da escala
σ. As wavelets podem distinguir as caracterı́sticas locais de um
sinal em diferentes escalas e, por translações, elas cobrem toda
a região na qual o sinal é avaliado. As respostas são plotadas
em um espaço vetorial, e a orientação dominante do ponto é
definida através da soma dentro de um segmento de 60◦ , onde
o maior vetor define a orientação atribuı́da ao ponto-chave;
4) Descrição dos Pontos de Interesse: Com a vizinhança
Figura 2. Exemplo de pontos de interesse detectados através dos descritores
definida, é realizada uma divisão que resulta em um quadrante SURF (Verde) e SIFT (Amarelo).
de 4 × 4 sub-regiões, onde, para cada sub-região, é calculada
as respostas da Haar wavelets. Para cada sub-região, calcula- 2) Criação do Vocabulário: Esta etapa consiste em aplicar
se a soma das respostas dx e dy das Haar wavelets, conforme um algoritmo de agrupamento para a criação do vocabulário
Equação 1: de palavras visuais. Após obter os pontos de interesse das
X X X X imagens de treinamento, os mesmos são agrupados em um
v=( dx , dy , |dx |, |dy |) (1) conjunto D de descritores locais. Esse conjunto é formado
pelos descritores locais de todas as imagens de treinamento
(Equação 3).
Como 4 valores são calculados para cada uma das 4×4 sub-
regiões, os descritores de cada ponto de interesse é composto
por 64 valores. As respostas obtidas por Haar wavelets são D = [H1 , H2 , ..., Hn ], (3)
invariantes a iluminação.
onde n representa a quantidade de imagens de treinamento.
D. Bag-of-Visual-Words - BOVW Para a construção do vocabulário, um algoritmo de agru-
pamento é utilizado para separar os descritores locais em
O BOVW (Bag-of-Visual-Words) ou Histograma de Pa- grupos. Geralmente, o algoritmo usado é o K-means [16],
lavras Visuais é um algoritmo utilizado no campo de reco- por ser simples, intuitivo, produzir resultados fáceis de serem
nhecimento de imagens. Esta técnica extrai um histograma a interpretados, além de ter complexidade linear. O K-means
partir da contagem das ocorrências de uma determinada palava então é aplicado no conjunto de descritores locais D para obter
visual na imagem. Uma palavra visual é um ponto médio que um conjunto de centroides C, conforme Equação 4:
representa um grupo de pontos de interesse semelhantes [6],
[15].
C = K-means(D), (4)
O algoritmo BOVW é composto pelos seguintes passos:
detecção e descrição de pontos de interesse, criação do voca- O centroide de cada grupo corresponde a média dos valores
bulário e geração de um histograma. Cada um desses passos de todos descritores pertencentes aquele grupo. No K-means
são descritos nas subseções abaixo. a principio os K centroides são definidos aleatoriamente, em
seguida cada descritor do conjunto de entrada é associado ao
1) Detecção e Descrição dos Pontos de Interesse: Em
centroide mais próximo e por fim cada centroide tem seu valor
imagens, os pontos de interesse são pontos que se destacam e
atualizado pela média de todos os descritores associados ao seu
que podem ser utilizados em tarefas de reconhecimento. Em
grupo. Esse processo é feito até que o centroide tenha seu valor
geral, estes pontos estão em regiões onde existe uma variação
estabilizado ou o limite de iterações seja extrapolado.
intensa dos nı́veis de cinza. Para encontrá-los e descrevê-los,
descritores locais como SURF e o SIFT foram propostos. Estes Cada centroide ci ∈ C corresponde a uma palavra visual e
algoritmos detectam e descrevem os pontos de interesse através o conjunto das palavras visuais C formam o vocabulário visual.
de vetores numéricos contendo valores referentes a direção das Dessa forma, é possı́vel quantificar a frequência de palavras
variações que ocorrem ao redor do ponto. visuais presentes em uma determinada imagem.

244
Proceedings of XI Workshop de Visão Computacional ‐ October 05th‐07th, 2015

3) Geração do Histograma: Na geração do histograma, B. Experimentos


cada ponto de interesse de uma imagem é rotulado com base no
vocabulário de palavras visuais usando a distância Euclidiana. As imagens tiveram seus descritores extraı́dos a partir dos
Em seguida, gera-se um histograma para a imagem com base métodos SIFT, SURF e SIFT Denso. O histograma de palavras
nos pontos de interesse rotulados anteriormente. O histograma visuais (BOVW) foi utilizado para formar o descritor final,
possui o tamanho do vocabulário de palavras visuais e cada com o tamanho do vocabulário de palavras K variando de
posição representa a frequência em que cada palavra visual 100 a 1000 com incremento de 100. Na etapa de classificação
ocorre na imagem. foi utilizado o classificador Máquina de Vetores de Suporte
(do inglês - Support Vector Machine − SVM), por ser um dos
Na Figura 3 podemos visualizar cada passo do BOVW mais utilizados atualmente. O SVM foi utilizado por meio de
descrito acima. validação cruzada, com 10 dobras [18].

C. Resultados
O gráfico da Figura 4 apresenta a taxa de classificação
correta obtida por cada descritor utilizando o BOVW com K
palavras visuais. Os três descritores apresentaram resultados
similares, porém o descritor SIFT Denso se mostrou superior
aos demais descritores comparados, alcançando seu pico com
K = 300, onde obteve 85% de classificação correta, seguido
dos descritores SURF e SIFT que obtiveram 83.33% e 81.94%
respectivamente com K = 900.

Figura 3. Imagem ilustrando os passos do algoritmo BOVW (a) Corresponde


a detecção e descrição de pontos de interesse. (b) Corresponde a criação
do vocabulário visual. (c) Apresenta a contagem de palavras visuais. (d)
Corresponde a criação do histograma. Imagem baseada em [17]

III. E XPERIMENTOS E R ESULTADOS


Nesta seção, é descrito o banco de imagens utilizado e os Figura 4. Taxa de classificação correta obtida pelos descritores SIFT, SURF
resultados obtidos com os descritores locais SIFT, SURF e e SIFT Denso usando o classificador SVM, com o vocabulário de palavras K
SIFT Denso aplicados no reconhecimento de doenças foliares variando de 100 a 1000.
na cultura da soja, bem como, uma comparação entre os
descritores locais. A Tabela I apresenta um resultado comparativo utilizando a
melhor taxa de classificação correta obtida por cada descritor.
A. Banco de Imagens Além da porcentagem de classificação correta, a tabela também
apresenta o tamanho do vocabulário de palavras K, o desvio
O banco de imagens é composto por quatro classes de padrão e a medida-f, que são importantes na comparação.
imagens foliares de soja da cultivar Potência BMX, três delas Como pode ser observado, o SIFT denso necessita de menos
com a presença de alguma doença e uma classe de folhas palavras visuais K para alcançar o seu melhor resultado
sadias. As três doenças foliares: antracnose, ferrugem asiática e comparado com o SIFT e o SURF. Entretanto, o SIFT denso
mı́ldio, são causadas por fungo. A ferrugem asiática é causada utiliza mais pontos de interesse na construção do vocabulário,
pelo fungo Phakopsora pachyrhizie e causa lesões circulares pois detecta um ponto para cada pixel da imagem. Em média,
nas folhas. A antracnose é uma doença causada pelo fungo o SIFT denso extrai 576 pontos para cada imagem, enquanto
Colletotrichum truncatum e produz lesões nas nervuras das o SIFT e o SURF extraem 221 e 114 pontos, respectivamente.
folhas, hastes e vagens das plantas. O mı́ldio causa manchas Com o uso de mais pontos no K-means, este representa
criadas por camadas pulverulentas causada pelo fungo Pero- mais adequadamente o vocabulário, sendo necessário, portanto,
nospora manshurica, porém podem existir outras variações. menos palavras visuais.
Para cada classe foram capturadas 360 imagens microscópicas
com 200 vezes de aproximação, totalizando 1.440 amostras. As matrizes de confusão para os descritores são exibidas
As amostras possuem dimensão de 200 × 200 pixels e foram na Figura 6. Nesta figura, uma técnica com bom desempenho
convertidas para nı́veis de cinza. A Figura 5 mostra quatro é representada por uma matriz com a maioria dos seus valores
exemplos de cada classe. na diagonal principal e poucos valores fora dela. Desse modo,

245
Proceedings of XI Workshop de Visão Computacional ‐ October 05th‐07th, 2015

(a) Antracnose (b) Ferrugem (c) Mildio (d) Sadia

Figura 5. Conjunto de imagens composto por quatro classes de doenças. Uma delas é de folhas sadias e as outras três são doenças causadas por fungos.

(a) SIFT (b) SURF (c) SIFT Denso

Figura 6. Matrizes de confusão dos descritores SIFT, SURF e SIFT Denso, obtidas pelo classificador SVM.

Tabela I. R ESULTADOS COMPARATIVOS ENTRE OS DESCRITORES SIFT,


SURF E SIFT D ENSO ATRAV ÉS DO CLASSIFICADOR SVM. A TABELA
APRESENTA O MELHOR RESULTADO PARA CADA T ÉCNICA VARIANDO - SE A
DIMENSIONALIDADE DO VOCABUL ÁRIO DE PALAVRAS K.

Método K % (Desvio Padrão) Medida-F


SIFT 900 81.94 (±2.62) 0.8200
SURF 900 83.33 (±1.79) 0.8330
SIFT Denso 300 85.00 (±2.58) 0.8504

podemos visualizar a superioridade do descritor SIFT Denso


em relação aos demais. Também é possı́vel observar que existe
uma maior confusão entre as imagens pertencentes as doenças
antracnose e ferrugem, devido a similaridade das suas imagens
como pode ser observado na Figura 5.
Além disso, a Figura 7 apresenta a taxa de classificação
correta dos descritores comparados em relação a cada classe Figura 7. Taxa de classificação correta para cada classe de doença foliar,
de doença foliar. Assim, podemos observar que utilizando os obtida pelos descritores de caracterı́sticas SIFT, SURF e SIFT Denso usando
descritores SIFT e SIFT Denso, a classe antracnose apresentou o classificador SVM.
o pior resultado, com 72.22% e 74.16%, respectivamente.
Com o descritor SURF, a classe ferrugem apresentou a menor
acurácia, alcançando 75%. Também, podemos perceber que a cultura da soja. Os descritores SIFT, SURF e SIFT Denso
classe mildio alcançou a maior taxa de classificação correta, foram utilizados para detectar e descrever pontos de interesse
para todos os descritores comparados nesse trabalho, com na imagem, em seguida, o método BOVW foi utilizado para
96.11%, 94.72% e 94.44%, para os descritores SIFT, SURF combinar os pontos de interesse em um histograma de palavras
e SIFT Denso, nessa mesma ordem. visuais devido a sua popularidade na comunidade de visão
computacional. As caracterı́sticas extraı́das foram classificadas
IV. C ONCLUS ÃO pelo classificador SVM.
Este trabalho apresentou uma comparação entre descritores Com os resultados podemos concluı́r que o descritor SIFT
locais aplicados no reconhecimento de doenças foliares na Denso obteve o melhor resultado em identificar doenças foli-

246
Proceedings of XI Workshop de Visão Computacional ‐ October 05th‐07th, 2015

ares na cultura da soja, alcançando uma acurácia de 85.00%, [11] N. Dalal and B. Triggs, “Histograms of oriented gradients for human
seguido dos descritores SURF e SIFT, com 83.33% e 81.94%, detection,” in Computer Vision and Pattern Recognition, 2005. CVPR
2005. IEEE Computer Society Conference on, vol. 1. IEEE, 2005, pp.
respectivamente. Além disso, a doença mildio obteve uma 886–893.
taxa de reconhecimento muito satisfatória utilizando qual-
[12] T. Ojala, M. Pietikainen, and T. Maenpaa, “Multiresolution gray-scale
quer um dos descritores comparados, com 96.11%, 94.72% and rotation invariant texture classification with local binary patterns,”
e 94.44%, para os descritores SIFT, SURF e SIFT Denso, Pattern Analysis and Machine Intelligence, IEEE Transactions on,
respectivamente. Por outro lado, a doença antracnose obteve vol. 24, no. 7, pp. 971–987, 2002.
uma acurácia de 72.22% e 74.16%, para os descritores SIFT [13] G. L. G. Gonzáles, “Aplicação da técnica sift para determinação de
e SIFT Denso, sendo a doença menos reconhecida dentre as campos de deformações de materiais usando visão computacional,”
Ph.D. dissertation, PUC-Rio, 2010.
pertencentes a base de imagens.
[14] Y. Ke and R. Sukthankar, “Pca-sift: A more distinctive representation
Em trabalhos futuros, o objetivo é incluir novos descritores for local image descriptors,” in Proceedings of the 2004 IEEE Computer
Society Conference on Computer Vision and Pattern Recognition. IEEE
nas comparações realizadas (e.g HOG, LBP, PHOW). Também Computer Society, 2004, pp. 506–513.
pretende-se realizar uma análise do desempenho computaci-
[15] L. C. Ribas, M. Borth, A. A. de Castro Junior, W. N. Gonçalves, and
onal dos descritores. Da mesma forma, pretende-se validar H. Pistori, “Grammatical inference and sift for scene recognition,” in X
os descritores em novas bases de imagens, por exemplo, Workshop de Visão Computacional, 2014, pp. 293–298.
em imagens capturadas a partir de câmeras digitais. Além [16] F. C. S. Fonseca and W. A. R. Beltrame, “Aplicações práticas dos
disso, pretende-se incluir métodos que exploram informações algoritmos de clusterização k-means e bisecting k-means,” Universidade
espaciais do algoritmo BOVW como pirâmides espaciais. Federal do Espı́rito Santo (UFES). Vitória-ES.
[17] J. S. Souza, “Identificação de viabilidade de leveduras com corante vital
utilizando histogramas de palavras visuais em imagens coloridas,” 2015.
AGRADECIMENTOS [18] M. A. Hearst, S. Dumais, E. Osman, J. Platt, and B. Scholkopf, “Support
vector machines,” Intelligent Systems and their Applications, IEEE,
Ao Conselho Nacional de Desenvolvimento Cientı́fico e vol. 13, no. 4, pp. 18–28, 1998.
Tecnológico (CNPq), a Coordenação de Aperfeiçoamento de
Pessoal de Nı́vel Superior (CAPES) e a Fundação de Apoio ao
Desenvolvimento do Ensino, Ciência e Tecnologia do Estado
de Mato Grosso do Sul (FUNDECT) pelo apoio financeiro.

R EFER ÊNCIAS
[1] C. Casela, Doenças da soja, ser. EMBRAPA-UEPAE de Pelotas.
Circular técnica. EMBRAPA-UEPAE de Pelotas, 1979.
[2] J. T. Yorinori, “Riscos de surgimento de novas doenças na cultura
da soja,” in Congresso de Tecnologia e Competitividade da Soja no
Mercado Global, 2000, pp. 165–169.
[3] F. de Fátima da Silva, P. H. C. Luz, L. M. Romualdo, M. A. Marin,
A. M. G. Zúniga, V. R. Herling, and O. M. Bruno, “A diagnostic tool
for magnesium nutrition in maize based on image analysis of different
leaf sections,” Crop Science, vol. 54, no. 2, pp. 738–745, 2014.
[4] P. E. CRUVINEL and D. KARAM, “Método de reconhecimento de
padrões de plantas invasoras de folhas largas e estreitas da cultura
do milho (zea mays l.) baseado no uso de informações de textura e
visão computacional,” in Agricultura de precisão: um novo olhar, R. Y.
INAMASU, J. de M. NAIME, A. V. de RESENDE, L. H. BASSOI, and
A. de C. BERNARDI, Eds. São Carlos, SP: Embrapa Instrumentação,
2011.
[5] O. M. Bruno, R. de Oliveira Plotze, M. Falvo, and M. de Castro, “Fractal
dimension applied to plant identification,” Information Sciences, vol.
178, pp. 2722–2733, June 2008.
[6] G. Csurka, C. Dance, L. Fan, J. Willamowski, and C. Bray, “Visual
categorization with bags of keypoints,” in Workshop on statistical
learning in computer vision, ECCV, vol. 1, no. 1-22. Prague, 2004,
pp. 1–2.
[7] D. G. Lowe, “Distinctive image features from scale-invariant keypoints,”
International journal of computer vision, vol. 60, no. 2, pp. 91–110,
2004.
[8] C. Liu, J. Yuen, and A. Torralba, “Sift flow: Dense correspondence
across scenes and its applications,” Pattern Analysis and Machine
Intelligence, IEEE Transactions on, vol. 33, no. 5, pp. 978–994, 2011.
[9] H. Bay, T. Tuytelaars, and L. Van Gool, “Surf: Speeded up robust
features,” in Computer vision–ECCV 2006. Springer, 2006, pp. 404–
417.
[10] A. Bosch, A. Zisserman, and X. Muoz, “Image classification using
random forests and ferns,” in Computer Vision, 2007. ICCV 2007. IEEE
11th International Conference on. IEEE, 2007, pp. 1–8.

247