EDITAL IFPI/DPI Nº 002/2019

ANEXO I - MODELO DO RESUMO

MODELO NEURAL COM EXTREME LEARNING MACHINE (ELM) COMO
MECANISMO DE PRÉ-DIAGNÓSTICO DA DOENÇA BACTERIANA GREENING EM
FRUTAS CÍTRICAS
Roney Nogueira de Sousa (Autor Principal, ICV – IFCE - Campus Tianguá-CE) 1
Janaide Nogueira de Sousa Ximenes (Autor Principal, ICV - UECE – Fortaleza - Ceará) 2
Prof. Rhyan Ximenes de Brito (Orientador, IFCE – Campus Tianguá- CE) 3

Introdução: A utilização de técnicas de Inteligência Artificial tem-se destacado na

resolução de diversos tipos de problemas nas mais diversas áreas do conhecimento.
Nessa perspectiva realizou-se um estudo implementando uma rede neural ELM
(Extreme Learning Machine) para o pré-diagnóstico da doença bacteriana greening
causada pela bactéria Candidatus Liberibacter asiaticus, que afeta citros como a
laranja, o limão e a tangerina, trazendo consigo inovação e avanços tecnológicos para
uma vida mais sustentável. Objetivo: O trabalho teve como objetivo a utilização da rede
neural ELM como mecanismo auxiliador no pré-diagnóstico da doença bacteriana
greening em um pomar de tangerinas da variedade poncã. Metodologia: A metodologia
foi implementada com base em 292 amostras e 8 atributos coletadas na cidade de
Tianguá no estado do Ceará na localidade conhecida como sítio Buriti. A base de
dados foi construída com ênfase no treinamento e teste para classificação das
amostras utilizadas. Vale destacar que as amostras foram balanceadas e
normalizadas, assim como utilizou-se o método de validação cruzada k-fold, onde a
base de dados foi dividida em 10 partes, 9 para treinamento e 1 para o teste, de forma
alternada. Resultados: Os resultados analisados basearam-se nos percentuais de
acurácia adquiridas nos treinamentos e testes assim como na discussão dos resultados
encontrados por meio das amostras do banco de dados coletadas. Nesses termos
observou-se que para os 10 treinamentos e testes obteve-se os seguintes resultados:
91,7% de acerto e 8,3% de erro; 78,9% de acerto e 21,1% de erro; 89,2% de acerto e
10,8% erro; 83,2% de acerto e 16,8% de erro; 64,5% de acerto e 35,5% erro; 92,8% de
acerto e 7,2% de erro; 89,1% de acerto e 10,9% erro; 91,8% de acerto e 8,2% erro;
98,7% de acerto e 1,3% erro, 93,8% de acerto e 6,2% de erro. Entre os 10
treinamentos obteve-se 98,7% de acerto e 1,3% de erro para o melhor caso e 64,5%
de acerto e 35,5% de erro para o pior caso. Conclusão: Este trabalho relata a utilização
da rede neural artificial ELM como ferramenta de aprendizagem de máquina abordando
a possibilidade de auxílio na identificação de plantas como a tangerina poncã de
estarem infectadas pela doença greening, de forma que possa auxiliar profissionais da
agricultura a procederem com as medidas cabíveis para minimizar os impactos na
produção das mesmas.
Palavras-Chave: Classificação. Doença. Redes. ELM.

1
Estudante do curso Bacharelado em Ciência da Computação, IFCE – Tianguá/CE. E-mail do primeiro
autor: roneynog@outlook.com,
2
Estudante pós-graduação Mestrado Acadêmico em Ciências da Computação, UECE – Fortaleza/CE. E-
mail do orientador: nogueirajanaide@gmail.com.
3
Orientador, IFCE – Tianguá/CE. E-mail do orientador: rxbrito@gmail.com.