Escolar Documentos
Profissional Documentos
Cultura Documentos
Autor:
Supervisor:
Autor:
Supervisor:
Declaro que o estudante Richaldo do Lito Elias entregou no dia 21/ 06/ 2019, as 03
cópias do relatório do seu Trabalho de Licenciatura com referência 2019EITLD103,
intitulado: Detecção e classificação de doenças em plantas agrícolas com recurso a
inteligência artificial.
A Chefe da Secretaria
________________________________________________
FACULDADE DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA ELECTROTÉCNICA
DECLARAÇÃO DE HONRA
O Autor
________________________________________________
i
Agradecimentos
Estou aqui para possibilitar que o propósito divino do universo se releve. Desta forma,
agradeço ao criador do universo, o todo poderoso, por permitir que aqui esteja e que
conheça pessoas maravilhosas com quem tenho vivido e convivido.
Agradeço à minha mãe, por trazer-me ao mundo e por mostrar-me o caminho da escola
e ensinar-me o valor da humildade.
Agradeço à minha avó, que é minha segunda mãe, por me ter criado junto da minha mãe
e por me ter educado.
Agradeço aos meus colegas, por me mostrarem o melhor da vida, por mostrarem que
também se pode ter diversão estudando.
Agradeço sem igual aos meus docentes, por deixarem-me beber dos seus
conhecimentos.
Agradeço em especial ao: Engo Rúben Manhiça e ao dr. Vali Issufo – por deixarem-me
sedento por aprender.
ii
Epígrafe
R. Buckminster Fuller
iii
Resumo
De uma forma geral, em vários países do mundo, os agricultores têm sofrido perdas
agrícolas causadas por doenças nas plantas, e Moçambique não é excepção.
Moçambique, possui ainda, condições edafoclimáticas que propiciam o desenvolvimento
de doenças nas plantas, aliando a esse facto, a pesquisa neste trabalho centra-se na
detecção e classificação de doenças em plantas agrícolas com recurso a inteligência
artificial, a fim de propor-se um mecanismo para o diagnóstico de doenças nas plantas.
A inteligência artificial por sua vez, é uma ferramenta tecnológica que procura aumentar
a produtividade e/ou eficácia de qualquer processo, nesta ordem de ideias, procura-se
identificar no trabalho, o impacto que as novas tecnologias têm trazido neste ramo da
agricultura, culminando-se deste modo na elaboração de um modelo, assim como, na
implementação deste modelo de aprendizagem que é por sua vez capaz de diagnosticar
doenças nas plantas usando novos avanços de deep learning (redes convulsionais). A
pesquisa bibliografia e documental, mostrou que na agricultura familiar o que leva à
perda de produtividade é a falta de conhecimentos sobre a sanidade vegetal, e na
agricultura moderna, a falta de um mecanismo que possibilita fazer análises de forma
mais confiável torna-se um calcanhar de Aquiles, o que impõe a constatação de que um
mecanismo baseado em inteligência artificial é de grande valia para a agricultura familiar
assim como a moderna.
iv
Abstract
Generally speaking, in many countries around the world, farmers have been suffering
agricultural losses caused by plant diseases, and Mozambique is no exception.
Mozambique has also edaphoclimatic conditions that favor the development of plant
diseases, allied to this fact, the research in this work focuses on the detection and
classification of diseases in agricultural plants using artificial intelligence, in order to
propose a mechanism for the diagnosis of plant diseases. Artificial intelligence, on the
other hand, is a technological tool that seeks to increase the productivity and/or
effectiveness of any process. In this order, we seek to identify in work, the impact that
new technologies have brought on this field of agriculture, culminating in this way, we
develop a model as well as the implementation of this learning model, which is in turn
capable of diagnosing plant diseases using new advances in deep learning (convolutional
networks). Bibliographic and documentary research has shown that in family farming
what leads to loss of productivity is a lack of knowledge about plant health, and in modern
agriculture, the lack of a mechanism that enables more reliable analysis becomes Achilles
heel, which requires the realization that a mechanism based on artificial intelligence is of
great value to family as well as modern agriculture.
v
Índice
1.1. Contextualização........................................................................................... 1
vi
3.1.4. Os mecanismos de reconhecimento de doenças em plantas............... 16
Bibliografia ............................................................................................................... 58
Anexos ....................................................................................................................... 1
viii
Lista de figuras
ix
Figura A3- 1: Diagrama de sequências para efectuar diagnóstico e reportar doença
..............................................................................................................................A3-1
Figura A3- 2: Dia grama de sequência para receber conselhos sobre a sanidade
vegetal...................................................................................................................A3-2
Figura A3- 3: Diagrama de sequência para aceder a conhecimentos ...................A3-2
Figura A3- 4: Diagrama de classes de alto nível ...................................................A3-3
Figura A6- 1: Diagrama de fluxo de dados……………………………………………A6-1
x
Lista de tabelas
xi
Lista de abreviaturas e acrónimos
xii
Glossário de termos
xiii
1. Capítulo I – Introdução
1.1. Contextualização
Segundo Picon, et al. (2018), infecções de fungos representam até 50% de perdas
agrícolas, fazendo com que seja necessária a aplicação de um tratamento efectivo e
custo-eficiente. Sendo que a tal eficiência depende do tipo de infecção, da situação e da
época. Neste caso, uma identificação precoce e correcta de uma infecção específica é
mandatória, de modo a minimizar as perdas agrícolas e aumentar a eficiência e eficácia
dos tratamentos. E de acordo com Ferentinos (2018), o diagnóstico de doenças em
plantas através de observação óptica dos sintomas nas folhas, incorpora um alto nível
de complexidade. Por causa desta complexidade e de elevado número de plantas e seus
problemas fitopatológico1, até agrónomos e patologistas2 de plantas geralmente
encontram dificuldades de diagnosticar correctamente algumas doenças específicas, e
como consequência, as decisões tomadas podem levar a conclusões e tratamentos
errados.
De acordo com Mosca (2019), a agricultura familiar constituí a actividade económica que
ocupa grande parte da população moçambicana, podendo alcançar mais de 75% dos
cidadãos – esta pratica, para Sousa (2019), corresponde à produção agrícola
1 Relativo à fitopatologia (patologia vegetal) que é um ramo da medicina que se ocupa da natureza e das
modificações estruturais e/ou funcionais produzidas por doença nas plantas.
2 Especialista em patologia.
1
desenvolvida por familiares, cujo rendimento é voltado para a subsistência, e geralmente
não usam equipamentos sofisticados comparados com a agricultura moderna.
Segundo Nuvunga (2006), boa parte dos habitantes do país depende da actividade
agrícola, e a mesma população, reside em zonas rurais onde a taxa de educação é baixa,
o que contribui para a baixa taxa de conhecimento sobre a sanidade vegetal, fazendo
com que medidas atempadas não sejam tomadas em caso de surgimento de doenças
nas plantas.
2
1.2. Definição do problema
O problema que este trabalho procura resolver é designado como sendo um “Problema
de engenharia”, pois, segundo Kerlinger (1980) citado por Gil (2002), referem-se à como
fazer algo de forma eficiente, este trabalho, indaga-se sobre a possibilidade de tornar a
produção agrícola mais eficiente reduzindo-se perdas agrícolas causadas por doenças.
3
Os mecanismos de diagnóstico tradicionais não se têm mostrado eficiente, pois, de
acordo com Picon, et al. (2018), infecções de fungos – doenças – representam até 50%
de perdas agrícolas, mostrando que há ainda necessidade de reduzir-se essas perdas.
De acordo com Lakatos & Marconi (1992) um problema representa uma dificuldade, seja
prática ou teórica, e que seja de real importância. Deste modo, este trabalho fundamenta
a sua pesquisa nas seguintes questões:
4
1.3. Motivação
É muito comum no centro e norte do país, ouvir-se sobre pessoas que dormem sem
comer, algumas, acabam contraindo doenças, tais como a desnutrição, que constitui um
grande problema em Moçambique. Esta desnutrição, é causada pela falta de nutrientes
que podem ser encontradas em alimentos.
A produção de alimentos por sua vez, tem sofrido grandes perdas face às doenças em
plantas. Savary, et al. (2012) afirma que as doenças das plantas contribuem com 10-
16% de perda da colheita global, trazendo um prejuízo de aproximadamente 5 bilhões
de dólares.
As défices de alimentos que temos enfrentado neste século, podem ainda agravar-se,
pois, de acordo com a FAO (2009), prevê que a população mundial atingirá 8 bilhões de
pessoas até 2025 e 9.6 bilhões de pessoas até 2050, que na prática significa que um
aumento de 70% na produção de alimentos deve ser alcançado até 2050 em todo o
mundo.
O grande aumento da população mundial e a crescente demanda por produtos de alta
qualidade criam a necessidade de modernização e intensificação das práticas agrícolas.
Ao mesmo tempo, a necessidade de alta eficiência no uso da água e outros recursos
também é mandatória (Tzounis, et al., 2017).
A produção agrícola precisa ser aumentada de forma a satisfazer as necessidades
alimentares de uma população em constante crescimento, por outro lado, o uso
abundante de produtos químicos como bactericidas e fungicidas para controlar doenças
de plantas tem causado efeitos adversos ao agro-ecossistema, sem esquecer que o uso
de químicos não recomendados, pode diminuir a fertilidade do campo de produção, o
que é algo comum quando os agricultores não têm conhecimentos sobres as boas
práticas agrícolas.
5
1.4. Objectivos
A lista com marcas abaixo, representa os objectivos específicos para este trabalho:
➢ Descrever a agricultura em Moçambique no que tange as doenças em plantas;
➢ Descrever os mecanismos utilizados pelos agricultores para a detecção de
doenças em plantas;
➢ Identificar o impacto que as novas tecnologias têm trazido no ramo da agricultura;
➢ Elaborar um modelo para a detecção e classificação de doenças em plantas;
➢ Implementar um modelo de aprendizagem de máquina para a detecção e
classificação de doenças em plantas para praticantes de agricultura familiar;
➢ Desenvolver um protótipo para a agricultura familiar.
6
1.5. Estrutura do Trabalho
7
se pude mencionar no corpo do trabalho, porém, foram cruciais para a realização
deste trabalho, trazendo mais entendimento sobre as matérias abordadas.
▪ Secção dos Anexos – nesta parte, estão inclusos os diagramas que melhor
ajudam a compreender o protótipo desenvolvido, e os demais elementos que
esclarecem o conteúdo do trabalho.
8
2. Capítulo II – Metodologia
De forma a ter melhor compreensão do trabalho, é importante saber como foi concebido,
e é por esta razão, que são apresentadas as restantes classificações metodológicas.
Para Gerhardt & Silveira (2009), à abordagem de pesquisa pode ser qualitativa,
quantitativa ou mista. Para Goldenberg (1997), a pesquisa qualitativa não se preocupa
com representatividade numérica, mas, sim, com o aprofundamento da compreensão do
problema, enquanto, segundo Fonseca (2002), a pesquisa quantitativa procura
quantificar os resultados usando uma abordagem numérica. Este trabalho, quanto à
abordagem:
Pela necessidade das duas marcas de lista a cima, quanto à abordagem, o trabalho
mescla a abordagem qualitativa e quantitativa, tornando-se desta forma mista.
9
2.2.2. Quanto aos objectivos:
Indo de acordo com Gil (2002), quanto aos objectivos, este trabalho é exploratório, pois
procura em primeiro lugar trazer conceitos sobre o problema.
Para Marconi & Lakatos (2003), nas técnicas de colecta de dados encontram-se a fase
de pesquisa em que se inicia a aplicação dos instrumentos elaborados e das técnicas
selecionadas, a fim de se efectuar a colecta dos dados previstos. Na mesma ordem de
ideias, o presente trabalho resumiu-se na colecta documental (dataset de PlantVillage)
10
que de acordo com as mesmas autoras, busca informações quer de forma directa e/ou
indirecta, quer ainda de forma física ou virtual.
Para o trabalho, o paradigma usado para programação foi a orientação a objectos, pela
proximidade que ela proporciona entre conceitos de modelação e entidades do mundo
real, destacando-se como vantajosa na concepção de sistemas de software que
procuram resolver um problema real.
▪ Python, que é uma linguagem orientada a objecto de alto nível que tem maior
suporte na comunidade de desenvolvedores de sistemas baseados em
inteligência artificial.
▪ Java, que é também orientada a objectos, usada pela necessidade de
programação de um dispositivo móvel para servir como agente classificador.
11
2.4.4. Testagem de resultados
12
3. CAPÍTULO III – Revisão da Literatura
A agricultura é uma prática de grande importância, pois ela fornece não só alimentos,
mas também matéria prima para uma grande gama de industrias. De acordo com o Artigo
103 da Constituição da República de Moçambique, a agricultura é a base do
desenvolvimento do país.
De acordo com a FAO (2009), espera-se que a demanda global por alimentos cresça em
70%, enquanto, cada vez mais, as culturas também podem ser usadas para bioenergia
e outras finalidades. A nova demanda e tradicional por produtos agrícolas colocará
pressão crescente em recursos agrícolas já escassos. Enquanto a agricultura será
forçada a competir por terra e água com assentamentos urbanos alastrando-se, também
será necessário para servir em outras necessidades: adaptar-se e contribuir para a
mitigação das mudanças climáticas, preservar a biodiversidade. Para responder a essas
demandas, os agricultores precisarão de novas tecnologias para produzir mais a partir
de menos terra.
A agricultura deve também fazer frente às mudanças climáticas, produzindo desta forma
matéria prima para a produção de bioenergias.
Produção de alimentos
Agricultura
Produção de matéria prima
13
Não importando qual a abordagem da agricultura se está tomando, a produtividade é
reduzida por vários factores, estes, são abordados na secção 3.1.2. Apesar da existência
de vários factores que condicionam a prática agrícola, neste trabalho, focar-se-á nas
doenças das plantas.
14
▪ Factores socioeconómicos – disponibilidade de capital financeira, disponibilidade
de transporte e vias de comunicação, mercado de comercialização, insumos
agrícolas, políticas agrárias, investimentos.
▪ Factores políticos – Políticas governamentais, Boa governação e
estabilidade política.
Analisando-se o manual escrito por Segeren, et al. (1994), que é o guião de campo,
pode-se compreender que as doenças se manifestam em diferentes locais da planta,
algumas surgem na raiz, caule e outras nas folhas. Os danos que a doença causa, quer
na raiz, no caule ou nas folhas causam sinais visualmente perceptíveis, vide a figura 3.
15
3.1.4. Os mecanismos de reconhecimento de doenças em plantas
O primeiro passo para reduzir-se as perdas causadas por doenças nas plantas, é de
grande importância o reconhecimento das doenças – este, é feito a partir da observação
dos seus sintomas.
A sintomatologia é de acordo com Brioso (2015), uma ciência que estuda os sintomas
decorrentes das enfermidades vegetais. Segundo o mesmo autor, uma das
classificações dos sintomas é a classificação morfológica, que descreve às alterações á
nível de anatomia ou formação de órgãos.
Figura 4: (esq.) folha de soja, (dir.) ferrugem Asiática da soja causada por Phakopsora
pachyrhizi. Fonte: Arieira (2013) e Agronovas (2017)
O conhecimento das características morfológicas é de grande importância para a
identificação das doenças em plantas, pois, observando alguma alteração na fisiologia
da planta pode levar à descoberta de algumas doenças e que a posterior, culmina em
informações valiosas para a tomada de decisões no campo de cultivo.
16
3.1.5. Os constrangimentos nos mecanismos actuais
A ONU citada por Caldeira (2016), afirma que a chamada “pérola do Índico”4 continua a
ser um dos Países menos desenvolvidos do mundo, que de acordo com Kelman, et al.
(2019), as perdas nas colheitas causadas por doenças agravam-se em países menos
desenvolvidos, onde o acesso à métodos de controle de doenças é limitado e perdas
anuais de 30 à 50% não são incomuns para as principais culturas. Em Moçambique, as
perdas são estimadas em 40% da produção agrícola anual, isso devido a
pragas/doenças (MASA, 2011).
A agricultura familiar, de acordo com MASA (2011), é o sector responsável pela maior
produção alimentar, onde de acordo com Nuvunga (2006), 80% dos habitantes do país
vivem nas zonas rurais e dependem da actividade agrícola.
De acordo com Pederi & Cheporniuk (2015), o principal problema que os agricultores em
todo o mundo enfrentam, é a falta de eficiência e flexibilidade nos métodos de proteção
de culturas. Os métodos actuais baseados principalmente em máquinas terrestres, como
tratores, são lentos, dispendiosos e caros. Este facto faz com que os agricultores,
especialmente em países como a Ucrânia, não usem a proteção de cultivos, dependendo
somente de bom tempo e solo fértil, fazendo com que na maioria dos casos, os
agricultores não tenham ideia sobre a saúde de suas plantações, a tal abordagem leva
a grandes perdas de rendimento.
Pederi & Cheporniuk Cheporniuk (2015), ainda sustentam que novos métodos
tecnológicos baseados em veículos aéreos não tripulados (UAV) alavancam a
abordagem de agricultura de precisão que inclui o monitoramento de culturas que
fornecem aos agricultores dados em tempo real sobre a saúde das plantas e produtos
18
químicos de pulverização de culturas em campo. Essa abordagem inovadora pode
ajudar os agricultores a saber mais sobre o campo de cultivo, e desta forma, maximizar
a produção de seus campos.
A inteligência artificial, de acordo com Luger (2009) pode ser definida como o ramo da
ciência de informação que se preocupa com a automação de comportamento inteligente.
Russell & Norvig (2010), sugerem que inteligência artificial é um campo universal, pois
preocupa-se com conceitos gerais como aprendizagem e percepção à conceitos
específicos como: a provação de teoremas matemáticos, condução de carros de forma
automática – sem a intervenção humana, o diagnóstico de doenças, entre outros.
19
Na agricultura, Bagchi (2018), faz menção de algumas aplicações de inteligência
artificial, que são:
• Detecção de doenças;
• Identificação de prontidão de colheitas;
• Gestão de campo de cultivo.
Yua, et al. (2019) explicam que as ervas daninhas, quando estão no campo de cultivo,
competem por recursos ambientais, tais como: nutrientes, água e raios solares,
culminando com a redução de recursos ambientais que serviriam para o aumento da
produção. Daí que propõem o uso de tecnologias de visão computacional para a
detecção em tempo real das ervas daninhas, que pode ainda ser combinado com
pulverizadores inteligentes para a aplicação precisa de herbicidas. O que é possível com
o desenvolvimento da área de machine learning.
O escritor Géron (2017) define machine learning como sendo uma ciência (e arte) de
programar computadores de forma que eles possam aprender a partir de dados. E Arthur
Samuel, citado por Géron (2017) define machine learning como o campo de estudo que
fornece aos computadores a habilidade de aprender sem que sejam explicitamente
programados.
20
De acordo com LeCun et al. (2015) citado por Ferentinos (2018), com o desenvolvimento
dos sistemas computacionais, em particular GPU, possibilitaram o crescimento
exponencial das técnicas de machine learning, que culminou com novas abordagens e
metodologias que agora formam uma nova categoria de machine learning, que é Deep
Learning.
Deep learning refere-se ao uso de redes neurais artificiais que contêm muitas camadas
de processamento, e por sua vez, Ferentinos (2018) define redes neurais artificiais como
modelos matemáticos que imitam os princípios gerais das funções cerebrais como
neurônios e sinapses que se interconectam. A sua maior característica é a sua habilidade
de serem treinados através do processo chamado “Aprendizagem supervisionada”,
neste processo os neurônios são treinados de forma a mapearem um conjunto de
entradas a uma série de saídas.
De acordo com Goodfellow, et al. (2016), o objectivo de uma rede neural é aproximar
algumas funções, por exemplo, para um classificador, y = f(x) mapeia uma entrada x para
uma categoria y. Uma rede feedforward define um mapeamento y = f (x; θ) e aprende o
valor dos parâmetros θ que resultam na melhor aproximação de função.
Esses modelos são chamados feedforward porque a informação flui através da função
sendo avaliada de x, através dos cálculos intermediários usados para definir “f” e,
finalmente, para a saída y.
21
Figura 7: Rede neural do tipo feedforward fonte: (Academy, 2019)
Na prática, se precisa-se alcançar melhores resultados, redes do tipo feedforward não
são ideias, para tarefas de classificação, pois esta arquitectura não leva em conta a
estrutura espacial das imagens, daí que vem as redes neurais convulsionais (CNN) que
é um algoritmo de Deep learning que pode receber uma imagem como entrada, atribuir
importância a vários aspectos ou objectos da imagem e ser capaz de diferenciar um do
outro (Academy, 2019).
22
Ao se trabalhar com datasets grandes, redes neurais grandes são necessárias, estas,
levam muito tempo para treinar, além da rede, muito mais dados de treinamento são
necessários, trazendo mais limitações para o alcance do objectivo. Quando se quer
resolver um problema do mundo real com limitações de recursos, engenheiros usam uma
técnica chamada transferência de aprendizagem (Vasilev, et al., 2019).
23
Função de perda
Uma rede neural, é de acordo com Goodfellow, et al. (2016), um aproximador de funções,
onde mostra-se dados reais, vai-se ajustando os parâmetros até que se ache uma função
óptima. Minimizando as perdas em relação aos parâmetros da rede, pode-se encontrar
configurações onde a perda é mínima, possibilitando que a rede seja capaz de encontrar
as classes correctas com alta precisão. Para se encontrar as perdas mínimas, recorre-
se a um processo chamado gradiente descendente (Gradient Descent).
Gradiente Descendente
Repita:
ⅇx i
J = Precisão =
Σ i ⅇ xi
→ − (())
24
Bibliotecas para implementação de ML
25
4. CAPÍTULO IV – Proposta de solução
❖ Proposta de solução
▪ Um mecanismo para informar os agricultores sobre o diagnóstico das plantas
e fornecer aconselhamento sobre o que fazer de forma a minimizar as perdas
da cultura.
Primeiro, precisa-se saber qual é a doença presente num campo de cultivo, segundo,
deve-se fornecer aconselhamento ao agricultor sobre o que deve fazer para combater
a(s) doença(s) presente(s) no seu campo de produção agrícola, e este aconselhamento
deve estar de acordo com os regulamentos fornecidos pelo MASA.
Ajudando desta forma a garantir o uso correcto de terra – não contaminando o solo com
o uso indevido de substâncias químicas.
26
4.2. Stackholders e beneficiários pela solução
Stakeholders Benefícios
Agricultores Com a aplicação do mecanismo propostos, os agricultores
passam a ter menos perdas agrícolas, fazendo com que as
perdas das culturas sejam mínimas, culminando com a produção
desejada.
Consumidores Com a aplicação dos conselhos fornecidos aos agricultores, as
culturas, terão uma elevação de qualidade e pela maior produção
agrícola, os preços aplicados ao consumidor reduzem.
Governo Com a redução das perdas agrícolas, o país passa a produzir
mais alimento, que vai alimentar o povo, aumentar a exportação,
alavancando desta forma a economia nacional.
27
4.4. Análise da solução
Pelas análises acima, a passagem de responsabilidade pela parte dos agricultores para
a identificação das doenças que assolam o seu campo de produção para uma entidade
especializada, que será responsável por identificar a doença na amostra e em seguida
dar recomendações ao agricultor de forma a evitar que perdas aconteçam.
28
4.5. Implementação da solução proposta
A solução que propõe, no contexto da agricultura familiar, pode ser implementada pelo
menos de quatro formas, a seguir apresentadas:
Quando o agricultor identificar alguma característica irregular na planta, deve pegar uma
amostra da planta e enviar para o departamento de sanidade vegetal do MASA, o
departamento por sua vez, analisa a amostra com base nas suas características e envia
o relatório com o nome da doença e recomendações que devem ser seguidas de forma
a eliminar-se a infestação.
Os motores de buscas, apesar de não serem uma fonte especializada, consegue, trazer
boa parte da informação que procuramos. No contexto de sanidade vegetal, o agricultor,
pode pesquisar num motor de busca como o google, bing ou outro pelas características
29
que a planta está apresentando. Depois de encontrar um resultado satisfatório, poderá
começar a pesquisar pelas formas de curar a mesma doença.
Tendo já a imagem, deve usar uma aplicação móvel com inteligência artificial que
consiga identificar a doença que esteja na planta, de forma a mostrar recomendações
que o agricultor deve seguir para evitar grandes perdas no seu campo de cultivo. Vide
a figura 13.
30
Figura 13: Modelo de funcionamento da solução 3
Esta opção é a mais cara de todas, necessitando um grande investimento a longo prazo
– este investimento vai desde a educação, tomando em consideração que de acordo
com INE (2019) a maioria dos praticantes da agricultura familiar é iletrada. E é por isso
que o autor considera esta alternativa a prior, não sendo viável a curto prazo.
31
Tabela 2: Análise comparativa das alternativas de implementação da solução
32
Terceira Baixa • Só faz inferências para • Diagnóstico em
alternativa doenças conhecidas; tempo real;
• Necessidade de • Fácil
actualizações da aplicação adaptabilidade
para novas
doenças;
• Acesso a novas
pesquisas para a
minimização de
perdas;
• Não há custos
associados.
• Um ponto de
treinamento;
33
4.6. Descrição da solução para agricultura moderna
Para a resolução deste problema, o autor propõe o uso de veículos não tripulados
(drones) para a captação de imagens de todo o campo de produção agrícola. E que estas
imagens seriam analisadas por computadores com instâncias de inteligência artificial.
Pelo facto de poder-se saber a localização exacta, da origem da fotografia, pode-se fazer
um mapeamento de uma dada doença a um lugar específico, desta forma, saber-se-á,
em que local do campo de produção agrícola uma doença em particular faz-se presente,
possibilitando desta forma saber onde pulverizar um determinado tipo de substâncias
que vai livrar as plantas da doença presente nelas.
34
Figura 14: Modelo de funcionamento de solução para agricultura moderna
35
5. CAPÍTULO V – Desenvolvimento de um protótipo da solução para agricultura
familiar
Engenharia de software por sua vez, tem por objectivo apoiar o desenvolvimento
profissional de software, mais do que a programação individual. Ela inclui técnicas que
apoiam a especificação, projecto e evolução de programas, que normalmente não são
relevantes para o desenvolvimento de software pessoal (Sommerville, 2011).
Para o desenvolvimento desde protótipo, usou-se uma abordagem ágil, que combina
filosofia com um conjunto de princípios de desenvolvimento. Esta filosofia defende a
satisfação do cliente e a entrega de incremental prévio; equipes de projecto pequenas e
altamente motivadas; métodos informais; artefacto de engenharia de software mínimos
e, acima de tudo, simplicidade no desenvolvimento geral. Os princípios de
desenvolvimento priorizam a entrega mais que análise e projecto (embora essas
actividades não sejam desencorajadas); também priorizam a comunicação activa e
contínua entre desenvolvedores e clientes.
Na abordagem ágil, embora haja valor nos itens à direita, valoriza-se os itens a esquerda:
36
software e possibilita que se consiga ter uma percepção mais ampla sobre os
resultados solicitados, factores principais e funcionalidade.
• Projecto – segue rigorosamente o princípio KIS. É preferível sempre um projecto
simples do que uma representação mais complexa.
• Codificação – nesta fase, faz-se o desenvolvimento de testes de unidades, após
isso, o desenvolvedor foca-se no que deve ser implementado para ser aprovado
no teste.
• Testes – executa-se as series de testes de unidade, aceitação. De forma a não
tornar o processo de testes trabalhoso, recomenda-se o uso de automação dos
testes, junto a implementação de práticas como a integração continua.
Para representar o que será realizado dentro do sistema, pode-se recorrer aos users
stories ou a diagrama de casos de uso. O diagrama de caso de uso foi preferencial pelo
38
facto de ter uma notação universalmente formalizada numa linguagem de modelação
unificada (UML).
O diagrama de casos de uso, define somente o que existe fora do sistema (actores) e o
que deve ser realizado pelo sistema (casos de uso) (Pressman,2011).
Para Sommerville (2003), requisitos de usuários são declarações que o sistema deve
fornecer, como o sistema deve reagir a entradas específicas e como deve-se comportar
em determinadas situações.
39
Em projectos de desenvolvimento ágil, os requisitos são priorizados, de forma a
desenvolver-se os requisitos que agreguem maior favor aos stakeholders em primeira
instância. Neste trabalho a priorização segue os seguintes critérios:
• Essencial – constitui uma série de requisitos sem os quais o sistema não tem
razão de existir. Geralmente implementados na primeira disponibilização de um
software.
• Importante – aqueles que vem para melhores processos essências e adicionar
mais valor a aplicação.
• Desejável – aqueles que a sua implementação é facultativa, sem as quais o
software pode ter seu funcionamento pleno.
40
melhores práticas de
produção agrícola.
RF04 Receber notícias Permite aos utilizadores a Importante
serem informados sobre
determinados surtos, de
doenças e formas de
prevenção.
RF05 Reportar doenças Permite aos utilizadores a Desejável
não classificadas reportarem doenças que o
sistema não consegue
diagnosticar.
RF06 Exportar PDF Exportar conhecimentos e Desejável
resultados dos conselhos
fitopatológicos fornecidos
pelo sistema.
RF07 Receber conselho Permite aos utilizadores a Importante
ficarem informados sobre o
que devem fazer em
determinados casos.
Para Sommerville (2003), requisitos não funcionais são restrições sobre os serviços ou
funções oferecidas pelo sistema. Para este sistema de software os requisitos não
funcionais são:
41
intuitivo, não precisando fazer
mais de 6 cliques para
alcançar um objectivo.
RFN03 Tempo de resposta O tempo de resposta não Essencial
deve estar associado a
restrições relacionadas com a
Internet, devendo responder
em menos de 60s.
RFN04 Privacidade Não deve de jeito algum, Desejável
partilhar os dados do
utilizador. E todos os dados
que forem necessários
devem ser encriptadas.
RFN05 Uso de recursos O uso de recursos Importante
computacionais computacionais deve ser
mínimo, desta forma, depois
de fazer-se a identificação ou
reporte da doença, a imagem
não será persistida, não
ocupando desta forma a
memória.
42
Quanto ao ambiente de execução o autor usou os listados abaixo:
▪ Serviço web
43
▪ Aplicações autocontidas
44
Figura 20: Arquitectura do sistema proposto
Neste trabalho usou-se uma outra biblioteca para Machine Learning – Pytorch, pelas
facilidades de depuração e pelo uso da mesma tipologia que a linguagem de
programação Python que é a linguagem de base para as tarefas de inteligência artificial
neste trabalho. A biblioteca Pytorch não fornece mecanismos que facilitam a
implementação de modelos de ML em dispositivos móveis, entretanto, Tensorflow possui
uma versão específica para dispositivos móveis chamado Tensorflow lite. Buscando usar
as vantagens das duas bibliotecas, o autor introduz o ONNX que é um formato aberto
para representar modelos de Deep Learning.
45
5.3. Treinamento do modelo computacional
Para o treinamento de modelos de Deep Learning três coisas são relevantes, a escolha
de arquitectura, os dados, e mecanismos de avaliação.
Para este trabalho, usou-se o dataset de PlantVillage, que é um projecto que notando a
falta de datasets públicas de imagem relacionadas a patologia vegetal decidiu criar a sua
própria e deixou a mesma sobre o domínio público, isto é, é um repositório de dados
abertos que todos podem ter acesso (Hughes & Salathé, 2015). Este dataset, contêm
54 309 imagens, estas comportam 14 espécies como por exemplo cultura de milho,
batata, laranja, tomate, e etc. contêm também vários tipos de doenças desde doenças
fúngicas até doenças virais. Podemos encontrar a tabela de distribuição das doenças no
anexo 4.
Validação Técnica
46
Figura 22: Alteração de ambiente de execução de CPU para GPU
47
100
87.98
90
80
70
60
50
40
30
20
A aplicação que será desenvolvida deve cumprir com os requisitos descritos nas secções
4.1 e 4.2, deve ter um comportamento visual simples e deve ir de acordo com os mockups
descritos no anexo 1 e que a mesma aplicação tenha um fluxo de eventos igual aos
descritos nos diagramas de sequências nos anexos 3.
48
6. CAPÍTULO VI – Testes do algoritmo
Goodfellow, et al. (2016) ainda afirma que normalmente se está interessado em saber o
quão bom o algoritmo de aprendizado em dados que não viu (dados que não foram
usados para treinar o algoritmo), isto porque, determinará o quão bem funcionará quando
implementado no mundo real. Por tanto, avaliamos essas medidas de desempenho
usando um conjunto de dados de teste que é separado dos dados usados para treinar o
sistema de aprendizagem.
Para o teste do algoritmo usou-se uma fasquia de 20% dos dados disponíveis no dataset.
Dataset
20%
Dados de Treinamento
Dados de Teste
80%
49
Tendo se alcançado uma precisão de aproximadamente a 100%, significando que os
números de casos classificados como pertencentes a uma classe errada são reduzidos,
como pode-se ver na imagem abaixo.
50
7. CAPÍTULO VII – Discussão de resultados
A conjugação destes factores, culmina de acordo com Picon, et al. (2018), com uma
perda até 50% dos produtos agrícolas. O que pode ser reduzido, com a aplicação de um
tratamento efectivo e custo-eficiente. A tal eficiência depende da situação, neste caso,
Picon, et al. (2018), afirma que uma identificação precoce é mandatória de forma a
minimizar as perdas, o que se agrava pela falta de conhecimentos no lado praticantes
de agricultura familiar.
51
concordam que a existência de um sistema computacional automatizado, para a
detecção e diagnóstico de doenças em plantas, ofereceriam uma assistência valiosa aos
agrónomos que tem de fazer algum diagnóstico de folhas infectadas através da
observação óptica, e que para a agricultura moderna que segundo Agropecuariamoz
(2016) , tem acesso a equipamentos especializados e está disposta a fazer investimentos
para aumentar a sua produtividade, Ferentinos diz ainda que o sistema proposto por
Mohanty et al., (2016) e Yang & Guo (2017), pode ser combinado com veículos não
tripulados de forma a garantir maior abrangência no estudo do seu campo de cultivo.
Esta observação responde de forma clara as questões levantadas na introdução
referentes a agricultura moderna.
52
7.2. Proposta de solução
▪ Na agricultura familiar
▪ Não há necessidade de investimento na contratação de um profissional
especializado em matérias sobre a sanidade vegetal pela parte os
agricultores.
▪ Não há necessidade de investimento para o transporte da amostra para
uma agência que é responsável por assuntos relacionados com a sanidade
vegetal.
▪ Não há necessidade de muita espera, para saber o que se deve fazer caso
uma doença venha a ocorrer num campo de plantação, o que é de grande
importância porque quanto mais cedo se aplicar algum tratamento, menos
serão as perdas.
▪ Facilidade de distribuição de informação, para agricultores em locais
remotos, pois, pode-se enviar notificações aos agricultores caso venha a
surgir doenças que podem afectar seu campo de produção, informando
medidas preventivas.
▪ Sugerir conselhos que vão de acordo com as regulamentações de
pesticidas e fertilizantes, ajudando deste modo a garantir a saúde pública
e a qualidade do ambiente.
▪ Para agricultura moderna
▪ Para a agricultura moderna, fornece um mecanismo conveniente para a
obtenção de conhecimentos sobre o campo de cultivo em pouco tempo.
▪ As análises feitas no campo de cultivo, são feitas na população, evitando
desta maneira erros que surgem devido a colecta de amostras.
53
Das soluções propostas, o custo de implementação da solução escolhida é a mais baixa,
requerendo até pouco esforço do lado dos utilizadores finais, agregando deste modo
mais valor.
Em termos de dados, com a implementação desta solução, reduzir-se as perdas que vão
até 40% actualmente, provendo da segundo forma maiores ganhos não só na economia
do país, mas também na segurança alimentar.
54
8. CAPÍTULO VIII – Conclusões e Recomendações
8.1. Conclusões
Este trabalho, teve como objectivo geral – propor mecanismos para a detecção e
classificação de doenças em plantas de forma eficiente com recurso a inteligência
artificial, e efectivamente o trabalho conseguiu cumprir com este objectivo pelo facto de
que no capítulo IV, propôs-se modelos que ajudam a detectar e classificar doenças em
plantas quer na agricultura familiar, assim como na agricultura moderna. Onde na
agricultura familiar, buscou-se dentre várias alternativas a que seria mais adequada para
resolver o problema que o trabalho apresenta.
Este trabalho contou também com cinco (6) objectivos específicos, onde:
55
▪ No quarto, procurou-se elaborar um modelo para a detecção e classificação de
doenças em plantas, onde o autor propôs um modelo para cumprir a tarefa a cima
mencionada.
▪ No quinto, procurou-se implementar um modelo de aprendizagem de máquina
para a detecção e classificação de doenças em plantas para praticantes de
agricultura familiar, onde verificou-se resultados motivadores para a aplicação do
modelo no dia-a-dia, chegando a uma precisão de 99% de acertos sobre todas as
culturas – nos dados de teste.
▪ No ultimo, procurou-se desenvolver uma aplicação que usa o modelo de
aprendizagem para fazer inferências e fornecer conselhos sobre sanidade
vegetal.
56
8.2. Recomendações
A agricultura, não só é importante em Moçambique, mas no mundo todo, pois, com ela,
pode-se resolver uma parte do problema do milénio. No desenvolvimento deste trabalho,
o autor, teve algumas limitações, recomendando aos próximos investigadores a
procurarem formas de captar dados aéreos de campos de cultivos para possibilitar o
treinamento de algoritmos de inteligência artificial, pois estes são dependentes de dados,
mas, só o captar não é suficiente, precisa-se também de um trabalho extra para a
rotulagem dos mesmos dados, de forma a serem usados em algoritmos de
aprendizagem de máquina baseados em redes neurais.
As culturas de maior valor económico de Moçambique, como por exemplo chá, planta de
caju, não puderam ser beneficiadas pelo modelo desenvolvido, porque não houve dados
de treinamento, recomendando desta forma ao governo moçambicano, a fazer um
trabalho para desenvolver um dataset das culturas praticadas no país e as respectivas
doenças.
Recomenda-se também por ultimo, que os investigadores que tenham interesse neste
tema, pesquisem sofre a actualização da rede neural de forma remota, possibilitado
desta maneira que os algoritmos possam ter novos conhecimentos sem se ter de fazer
actualizações da aplicação, sendo oportuno, para às zonas com pouca conectividade.
57
Bibliografia
Referências Bibliográficas
[1] Academy, D. S. (2019, Abril 10). Deep Learning Book. Retrieved Junho 12, 2019, from
http://www.deeplearningbook.com.br
[2] Agronovas. (2017, Dezembro 17). Ferrugem Asiática. Retrieved Maio 8, 2019, from
http://www.agronovas.com.br/ferrugem-asiatica-6/
[4] Aguiar, H. M., & Zaghetto, A. (2017). Proposta de modelo evolucionário para
simulação da evolução da camuflagem em seres vivos.
[7] Ballão, C., & al., e. (2012). Metodologia da pesquisa. Curitiba: Instituto Federal do
Paraná.
[8] Brioso, P. S. (2015, Março 18). SINTOMATOLOGIA. Retrieved Maio 8, 2019, from
http://www.fito2009.com/fitop/Sintom237.pdf
[11] FAO. (2009). Global agriculture towards 2050. Retrieved Abril 28, 2019, from
http://www.fao.org/fileadmin/templates/wsfs/docs/Issues_papers/HLEF2050_Glo
bal_Agriculture.pdf
58
[12] FAO. (2009, Outubro 13). How to Feed the World in 2050. Retrieved Abril 29, 2019,
from
http://www.fao.org/fileadmin/templates/wsfs/docs/expert_paper/How_to_Feed_th
e_World_in_2050.pdf
[13] FAO. (2018). E-agriculture Solutions Forum 2018. Retrieved Maio 20, 2019, from
http://www.fao.org/e-agriculture/ESF2018
[14] Ferentinos, K. P. (2018). Deep learning models for plant disease detection and
diagnosis. Elsevier, 311.
[15] Géron, A. (2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow (1ª
ed.). Sebastopol: O’Reilly Media, Inc.
[16] Gil, A. C. (2002). Como Elaborar Projeto de Pesquisa. São Pauo, Brazil: EDITORA
ATLAS S.A.
[17] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. USA: MIT Press.
[18] Hughes, D. P., & Salathé, M. (2015). An open access repository of images on plant
health to enable the development of mobile disease diagnostics.
[19] INE. (2019, Abril 29). IV Recenseamento Geral da População e Habitação. Retrieved
from Instituto Nacional deEstatistíca: http://www.ine.gov.mz/iv-rgph-
2017/mocambique/apresentacao-resultados-do-censo-2017-1
[20] Kelman, A., Shurtleff, M. C., Pelczar, R. M., & Pelczar, M. J. (2019, Maio 10).
Encyclopedia Britannica. Retrieved Maio 15, 2019, from
https://www.britannica.com/science/plant-disease
[22] Lakatos, E. M., & Marconi, M. d. (1992). Metodologias do Trbalho Científico. São
Paulo: EDITOR ATLAS S.A.
[23] Luger, G. F. (2009). Artificial intelligence : structures and strategies for complex
problem solving (6ª ed.). London: Pearson.
[24] Malthus, T. K., Flew, A., & Flew, A. (1983). An Essay on the Principle of Population
. Penguin Classics.
59
[25] MASA. (2011). Plano Nacional de Investimento do Sector Agrário PNISA 2013-2017.
[26] MASA. (2019, Maio 15). SANIDADE VEGETAL. Retrieved from MASA:
http://www.masa.gov.mz/agricultura/sanidade-vegetal
[27] Mohanty, S. P., Hughes, D., & Salathé, M. (2016). Using Deep Learning for Image
Based Plant Disease Detection (Vol. 7). Frontiers in Plant Science.
doi:10.3389/fpls.2016.01419
[28] Molin, J. P., & Amaral, L. R. (2015). Agricultura de Precisão (1ª ed.). São Paulo:
Oficina de Textos.
[30] Mundial, B. (2018, Outubro 17). Banco Mundial: quase metade da população global
vive abaixo da linha da pobreza. Retrieved April 17, 2019, from nacoesunidas.org:
https://oglobo.globo.com/economia/onu-divulga-dados-mundiais-de-pobreza-
sem-informacoes-sobre-brasil-23085580
[31] NATIONS, U. (2015). Millennium Development Goals And Beyond 2015. We can
End Poverty , 2.
[32] Nations, U. (2019, Abril 24). Plant pests and diseases. Retrieved from Food and
Agriculture Organization: http://www.fao.org/emergencies/emergency-types/plant-
pests-and-diseases/en/
[34] Pederi, Y., & Cheporniuk, H. (2015). Unmanned Aerial Vehicles and New
Technological Methods of Monitoring and Crop Protection in Precision Agriculture.
IEEE.
[35] Picon, A., Alvarez-Gila, A., Seitz, M., Ortiz-Barredo, A., Echazarra, J., & Johannes,
A. (2018). Deep convolutional neural networks for mobile capture device-based
crop disease classification in the wild. Elsevier, 11.
60
[36] Pressman, R. S. (2011). Engenharia de Software : uma abordagem profissional (7ª
ed.). Porto Alegre: McGrawHill.
[38] Russell, S. J., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3ª ed.).
Pearson.
[40] Savary, S., Ficke, A., Aubertot, J.-N., & Hollier, C. (2012). Crop losses due to
diseases and their implications for global food production losses and food security.
23. doi: 10.1007/s12571-012-0200-5
[41] Segeren, P., Oever, R. V., & Compton, J. (1994). Pragas, Doenças e Ervas Daninhas
nas culturas alimentares em Moçambique. Maputo: Instituto Nacional de
Investigação Agronómica.
[42] Sommerville, I. (2003). Engenharia de Software (6ª ed.). São Paulo: Addison Wesley.
[43] Sommerville, I. (2011). Engenharia de Software (9ª ed.). São Paulo: PEARSON.
[44] Sommerville, I. (2011). Software engineering (9ª ed.). New York: Addison-Wesley.
[47] Tzounis, A., Katsoulas, N., Bartzanas, T., & Kittas, C. (2017). Internet of Things in
agriculture, recent advances and future challenges. ELSEVIER.
61
[48] Vasilev, I., Slater, D., Spacagna, G., Roelants, P., & Zocca, V. (2019). Python Deep
Learning (2ª ed.). Mumbai: Packt Publishing Ltd.
[49] Yua, J., Sharpea, S. M., Schumannb, A. W., & Boyd, N. S. (2019). Deep learning for
image-based weed detection in turfgrass. Elsevier.
Outras bibliografias
[1] Agrios, G. N. (2005). Plant Pathology. San Diego: Elsevier Science Publishing Co Inc.
[3] Britannica, E. (2019, Maio 20). Encyclopædia Britannica. Retrieved from Anthracnose:
https://www.britannica.com/science/anthracnose
[4] Buczacki, S. T., & Harris, K. (2014). Pests, Diseases and Disorders of Garden Plants.
London: HarperCollins Publishers.
[5] Buduma, N., & Locascio, N. (2017). Fundamentals of Deep Learning: Designing Next-
Generation Machine Intelligence Algorithms. O'reilly.
[6] Shalloway, A., Bain, S., Pugh, K., & Kolsky, A. (2011). Essential Skills for the Agile
Developer. London: Addison-Wesley.
62
Anexos
Anexo 1: Protótipo (mockup)
Para a apresentação do protótipo para o modelo de aplicação para a agricultura
familiar, a autor preferiu usar um storyboard de forma a não só dar uma visão de telas
únicas, mas, de permitir a observação da navegabilidade em toda aplicação.
A1-1
Anexo 2: Especificação de casos de uso
O sistema conta com seis (6) casos de uso, sendo que um deles não é directamente
acessível pelo actor.
A2-1
Tabela A2- 2: Especificação do caso de uso: Reportar doença não classificada
A2-2
Tabela A2- 4: Especificação do caso de uso: Aceder a conhecimentos.
A2-3
Anexo 3: Diagramas de sequência
Diagrama de sequências é um dos tipos de diagramas presentes no UML, este
descreve como e em qual ordem objectos presentes numa iteracção trabalham em
conjunto para alcançar um determinado objectivo. De forma a compreender-se melhor
a sequência de eventos, o autor, recomenda ver a figura A1-1 no anexo 1, onde
descreve-se as telas por onde o utilizador final poderá navegar, facilitando deste
modo a compreensão dos diagramas que vêm a seguir.
A3-1
Figura A3- 2: Diagrama de sequência para receber conselhos sobre a sanidade
vegetal
A3-2
O caso de uso receber notificações, não é descrito porque não é iniciado pelo actor
principal do sistema.
A3-3
Anexo 4: Descrição dos dados de plantvillage
Os registros de dados contêm 54309 imagens, estas, abrangem 14 espécies de
plantas, estas produzem: maça, mirtilo, cereja, milho, uva, laranja, pêssego, pimenta,
batata, framboesa, soja, abóbora, morango e tomate. Estas culturas têm a seguinte
distribuição de doenças: 17 doenças fúngicas, 4 doenças bacterianas, 2 as de mofo
(oomicetos), 2 doenças virais e 1 doença causada por um ácaro. 12 espécies de
culturas contêm também imagens de folhas saudáveis que não são visivelmente
afetadas por uma doença (Hughes & Salathé, 2015). A tabela abaixo, resumo o
conjunto de dados.
A4-1
Maçã Gymnosporangi 1645
u
m juniperi-
virginianae (276)
Venturia
insequalis (630)
Botryospaeria
obtuse (621)
Milho Cercospora 1162
zeaemaydis
(513)
Puccinia sorghi
(1192)
Exserohilum
turcicum (985)
Miltilo 1502
Morango Diplocarpon 456
earlianum
(1109)
Pêssego Xanthomo 360
nas
campestre
s (2291)
Soja 5090
Pimenta Xanthomo 1478
nas
campestri
s (997)
A4-2
Tomate Alternaria solani Xanthomo Phytophth Toma Tetranyc
(1000) nas ora to hus
Septoria campestri Infestans YellLe urticae
lycopersici s pv. (1910) af (1676)
(1771) Vesicatori Curl
Corynespora a Virus
cassiicola (1404) (2127) (5357
Fulvia fulva )
(952)
Toma
to
Mosai
c
Virus
(373)
A4-3
Anexo 5: Procedimentos para a colheita de amostras
De acordo com Segeren, et al. (1994) quando não se consegue identificar a causa
dos sintomas de um problema fitossanitário e se quer obter informações a seu
respeito, há quatro locais que podem ser procurados:
A5-1
Anexo 6: Diagrama de fluxo de dados
Este diagrama de fluxo de dados, é uma representação gráfica e formal, que do “fluxo”
de dados através de um sistema de informação, que modela os seus aspectos de
processos decorrentes dentro da aplicação, mostra também que dados entram ou
saem da aplicação. O ONNX, é a última entidade externa que se conecta
directamente com a aplicação representada pelo processo Modelo Móvel, que vai
gerar dados para dentro da aplicação.
A6-1
Anexo 7: Definição e treinamento do algoritmo
A figura abaixo, apresenta o processo de treinamento do algoritmo, seguindo
os dados fornecidos na secção 4.3.2.
A7-1
Anexo 8: Consultas na web
A pesquisa pode torna-se complicada, principalmente quando se trata de questões
ou aspectos técnicos.
De forma a ter-se melhores resultados nas pesquisas, caso se procure uma segunda
opinião sobre um dado diagnóstico pode recorrer aos sites:
A8-1