UNIVERSIDADE FEDERAL DE SANTA CATARINA

CAMPUS DE CURITIBANOS
CENTRO DE CIÊNCIAS RURAIS
PROGRAMA DE PÓS-GRADUAÇÃO EM ECOSSISTEMAS AGRÍCOLAS E NATURAIS – PPGEAN
-----------------------------------------------------------------------------------------------------------------------------------
Acadêmica: Paola Ribeiro
Disciplina: DPAIA

Detecção precoce e quantificação contínua de

doença em plantas usando Correspondência de Modelo
(OCM) e Support Vector Machine Algorithms (SMV)
Rong Zhou, Shun’ichi Kaneko
Fumio Tanaka, Miyuki Kayamori, Motoshige Shimizu
2013
 Introdução

 A beterraba sacarina (Beta vulgaris L.)

 Família Chenopodiaceae, é uma planta cuja raiz contém
uma concentração elevada de sacarose;
 Cultivada comercialmente produção de açúcar;
 30% produção mundial de açúcar;
 Três maiores produtores → União Europeia o Estados
Unidos e Rússia.
 Introdução
 Cercospora beticola, é o agente etiológico da cercosporiose;

conidióforos

Manchas
necróticas

colapso total
das folhas

Fonte: LEUKER, 2018.

 Introdução
 CERCOSPORIOSE → diminui a produção e qualidade da beterraba→ aumento da concentração
de impurezas , diminuição da concentração de açúcar nas raízes e diminuição do peso da raiz estão
correlacionados com a gravidade da doença.
 Beterraba com maiores concentrações de impurezas rende menos açúcar puro e mais açúcar não
refinado (melaço) no processo de extração.
RESISTÊNCIA
A Rotação de
RESISTÊNCIA FUNGICIDAS culturas
Genética
Hospedeiros
 Introdução

A mancha de Ocorre em todo

Cercospora (CLS) em mundo e causam menos renda para
Essencial a detecção
beterraba sacarina é grande redução no fábricas de açúcar e
precoce da doença
causada pelo fungo rendimento bruto de produtores
Cercospora beticola, açúcar
 Introdução

• Neste estudo, os autores propõem uma nova estrutura para detecção e quantização contínua
de CLS em beterraba sacarina, combinando o método de correspondência de modelo de (
OCM) e Support Vector Machine Algorithms SMV;
• Artigo se concentra na escala de folha única como base detecção de doenças, em vez da
escala de toda a planta.
 Material e Métodos
Temp. 25-23ºC
Ur 15%

A planta doente foi

Infectaram as transportada para o
Cultivo de beterraba em plantas A planta infectada foi colocada
vaso (cv. Amaibuki, saudáveis laboratório para
em uma estufa de plástico em observação de
2004, beterraba Nippon borrifando
sugar Manufacturing resíduo de 90% UR a 25 ºC → 3 semanas imagens no estágio
Co., Ltd., Japan). folha → produção de conidióforos. inicial
infectada. de infecção.
 Material e Métodos

Fotos RGB
com resolução
DELINEAMENTO Fotos de vista superior foram Luz florescente no
de 2144 x
EXPERIMENTAL tiradas a cada uma hora; período da noite
1424 (Câmera
Nikon D300)

3 estágios
 Material e Métodos
 Modelo que permite a identificação da
folha.
 Para conseguir isso → segmentar a folhas
de seus fundos desordenados, como solo,
vaso e placa de fundo.
 Utilizado uma segmentação de planta fator
de GR

Fig. 2 Seleção automática de modelos iniciais (modelos

efetivos) para correspondência de modelo adaptável. (a)
imagem RGB da planta;(b) imagem cinza de (a) por
transformação do fator GR; (c) imagem binária; (d) grade
de imagem.
 Material e Métodos

Adequado pois na
→ algoritmo em que calcula cada pixel da presença de
Definição de OCM: imagem no gradiente das cores (RGB) irregularidades e más
condições, tais a
Definição de gradiente é derivada iluminação variações
de fundo

Gradiente
Localização do
horizontal
pixel
Ângulo do gradiente do pixel é
obtido por →Cálculos da derivada
horizontal e vertical
 Material e Métodos
 Aplicação de OCM Aditivo para Observação de Plantas Coutiniosas:
 Leva em consideração observação do desenvolvimento da doença contínua;
 O tamanho da janela de pesquisa neste estudo é 50x50 pixels;
 Busca uma correspondência no modelo ao lado.
▲t= tempo
W= janela de
intervalo
Tempo
 Material e Métodos

 Neste estudo, um método de

aprendizado de máquina de SVM foi
ainda usado para identificar e
quantificar a doença em
desenvolvimento.

Criado um banco de
imagens

Fig. 3 Um exemplo comparável de histograma 2D de cor xy para modelos

pertencentes a doença, saudável e plano. (a) extração de três modelos diferentes
da imagem da planta; (b) os três modelos de saudável, doença e histórico;(c)
histograma 2D de cores xy para os três padrões; (d) a visão
 Resultados

 Seleção automática de modelos efetivos iniciais de todos os

lugares quadro de imagem capturado em 18 de março de 2013. (a)
grade de imagem; (b) resultado da visualização para a seleção
efetiva do modelo
Resultados
Resultados
Resultados
 Resultados

 Resultado dos 3 métodos propostos na detecção precoce e quantificação de

Cercospora.
CONCLUSÃO

 Como conclusão, o método proposto é viável para a detecção precoce da doença e

quantização contínua sob condições de luz natural, o que seria potencial para ser
implementado em situação de campo para detecção e quantificação do
desenvolvimento de doenças de plantas específicas;
 melhor interpretação e do mecanismo de propagação de doenças e manejo da
aplicação de fungicidas.
OBRIGADA PELA ATENÇÃO!
 Referências Bibliográficas
Weiland, J. and Koch, G. (2004), Sugarbeet leaf spot disease (Cercospora beticola Sacc.). Molecular
Plant Pathology, 5: 157-166. https://doi.org/10.1111/j.1364-3703.2004.00218.x.
F. Ullah, S. Kaneko, S. Igarashi, “Orientation Code Matching for robust object search,” IEICE Trans.
On Inf. & Sys, E48- D, No. 8, pp. 999- 1006, 2001.