FACULDADE DE ENGENHARIA

DEPARTAMENTO DE ENGENHARIA ELECTROTÉNICA

LICENCIATURA EM ENGENHARIA INFORMÁTICA

Detecção e Classificação de Doenças em Plantas Agrícolas com

Recurso a Inteligência Artificial.

Autor:

ELIAS, Richaldo do Lito

Supervisor:

Engo Ruben Moisés Manhiça

Maputo, Junho de 2019

 FACULDADE DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA ELECTROTÉCNICA
LICENCIATURA EM ENGENHARIA INFORMÁTICA

Detecção e Classificação de Doenças em Plantas Agrícolas com

Recurso a Inteligência Artificial.

Autor:

ELIAS, Richaldo do Lito

Supervisor:

Engo Ruben Moisés Manhiça

Maputo, Junho de 2019

 FACULDADE DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA ELECTROTÉCNICA

TERMO DE ENTREGA DO RELATÓRIO DE TRABALHO DE LICENCIATURA

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.

Maputo, 31 de Junho de 2019

A Chefe da Secretaria

________________________________________________
 FACULDADE DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA ELECTROTÉCNICA

DECLARAÇÃO DE HONRA

Declaro sob compromisso de honra que o presente trabalho é resultado da minha

investigação e que foi concebido para ser submetido apenas para a obtenção do grau
de Licenciatura em Engenharia Informática na Faculdade de Engenharia da
Universidade Eduardo Mondlane.

Maputo, 31 de Junho de 2019

O Autor

________________________________________________

(Richaldo do Lito Elias)

 Dedicatória

À minha avó, Cecília Albino Matola

À minha mãe, Sandra Fernando

Aos meus irmãos, Siquévia, Adélia e Júnior

À minha namorada, Amélia Savanguane

Aos demais familiares e amigos.

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 amigos, pelos conselhos, e por me acompanhar em tudo.

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.

Agradeço a minha namorada, por me acompanhar até aqui.

ii
 Epígrafe

“Eu apenas invento e espero que outros apareçam precisando do que

inventei”

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.

Palavras-chave: Doenças nas plantas. Aprendizagem de máquina. Redes

convulsionais.

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.

Keywords: Diseases in plants. Machine learning. Convolutional nets.

v
Índice

1. Capítulo I – Introdução ........................................................................................ 1

1.1. Contextualização........................................................................................... 1

1.2. Definição do problema .................................................................................. 3

1.3. Motivação ...................................................................................................... 5

1.4. Objectivos ..................................................................................................... 6

1.4.1. Objectivo geral........................................................................................ 6

1.4.2. Objectivos específicos ............................................................................ 6

1.5. Estrutura do Trabalho ................................................................................... 7

2. Capítulo II – Metodologia .................................................................................... 9

2.1. Metodologia de pesquisa .............................................................................. 9

2.2. Classificação da Metodologia........................................................................ 9

2.2.1. Quanto à abordagem: ............................................................................. 9

2.2.2. Quanto aos objectivos: ......................................................................... 10

2.2.3. Quantos aos procedimentos: ................................................................ 10

2.3. Técnicas de colecta de dados ..................................................................... 10

2.4. Metodologia de desenvolvimento do trabalho prático ................................. 11

2.4.1. Paradigma de programação ................................................................. 11

2.4.2. Ambiente de treinamento do modelo de aprendizagem ....................... 11

2.4.3. Linguagens de Programação................................................................ 11

2.4.4. Testagem de resultados ....................................................................... 12

2.4.5. Validação de resultados ....................................................................... 12

3. CAPÍTULO III – Revisão da Literatura .............................................................. 13

3.1. O desafio da Agricultura em Moçambique .................................................. 13

3.1.1. Os tipos de agricultura .......................................................................... 14

3.1.2. Os factores condicionantes à produção agrícola .................................. 14

3.1.3. Os mecanismos de detecção de doenças em plantas ......................... 15

vi
 3.1.4. Os mecanismos de reconhecimento de doenças em plantas............... 16

3.1.5. Os constrangimentos nos mecanismos actuais .................................... 17

3.2. O uso de TIC na agricultura ........................................................................ 18

3.2.1. Os veículos não tripulados na agricultura ............................................. 18

3.2.2. As aplicações de inteligência artificial na agricultura ............................ 19

3.2.2.1. Machine Learning (ML) ..................................................................... 20

4. CAPÍTULO IV – Proposta de solução ............................................................... 26

4.1. Descrição da solução para agricultura familiar............................................ 26

4.2. Stackholders e beneficiários pela solução .................................................. 27

4.3. Modelo da solução proposta ....................................................................... 27

4.4. Análise da solução ...................................................................................... 28

4.5. Implementação da solução proposta .......................................................... 29

4.5.1. Primeira Alternativa .............................................................................. 29

4.5.2. Segunda alternativa .............................................................................. 29

4.5.3. Terceira alternativa ............................................................................... 30

4.5.4. Quarta alternativa ................................................................................. 31

4.5.5. Análise comparativa das alternativas de implementação da solução

proposta e a escolha da opção mais adequada ................................................ 31

4.6. Descrição da solução para agricultura moderna ......................................... 34

5. CAPÍTULO V – Desenvolvimento de um protótipo da solução para agricultura

familiar...................................................................................................................... 36

5.1. Modelagem do sistema ............................................................................... 37

5.1.1. Requisitos de negócio .......................................................................... 38

5.1.2. Requisitos de usuários ......................................................................... 38

5.1.3. Requisitos funcionais ............................................................................ 39

5.1.4. Requisitos não funcionais ..................................................................... 41

5.1.5. Restrições de desenvolvimento ............................................................ 42

5.2. Desenho de arquitectura ............................................................................. 43

vii
 5.3. Treinamento do modelo computacional ...................................................... 46

5.3.1. Descrição de dados .............................................................................. 46

5.3.2. Treinamento do algoritmo ..................................................................... 46

6. CAPÍTULO VI – Testes do algoritmo ................................................................ 49

7. CAPÍTULO VII – Discussão de resultados ........................................................ 51

7.1. Revisão da Literatura .................................................................................. 51

7.2. Proposta de solução ................................................................................... 53

8. CAPÍTULO VIII – Conclusões e Recomendações ............................................ 55

8.1. Conclusões ................................................................................................. 55

8.2. Recomendações ......................................................................................... 57

Bibliografia ............................................................................................................... 58

Referências Bibliográficas .................................................................................... 58

Outras bibliografias ............................................................................................... 62

Anexos ....................................................................................................................... 1

Anexo 1: Protótipo (mockup) .................................................................................. 1

Anexo 2: Especificação de casos de uso ............................................................... 1

Anexo 3: Diagramas de sequência ......................................................................... 1

Anexo 4: Descrição dos dados de plantvillage ....................................................... 1

Anexo 5: Procedimentos para a colheita de amostras............................................ 1

Anexo 6: Diagrama de fluxo de dados .................................................................... 1

Anexo 7: Definição e treinamento do algoritmo ...................................................... 1

Anexo 8: Consultas na web .................................................................................... 1

viii
Lista de figuras

Figura 1: Gráfico que representa a relação entre o crescimento populacional com a

produção de alimentos. .............................................................................................. 3
Figura 2: Abordagens da Agricultura ........................................................................ 13
Figura 3: (esq.) Sintomas de Vassoura-da-bruxa (dir.) sintomas de Mosaico-dourado
................................................................................................................................. 15
Figura 4: (esq.) folha de soja, (dir.) ferrugem Asiática da soja causada por Phakopsora
pachyrhizi. ................................................................................................................ 16
Figura 5: AeroDrone durante a pulverização............................................................ 19
Figura 6: Detector de ervas daninhas ...................................................................... 20
Figura 7: Rede neural do tipo feedforward ............................................................... 22
Figura 8: Exemplo de um CNN. ............................................................................... 22
Figura 9: Modelo ilustrativo da solução proposta ..................................................... 27
Figura 10: Diagrama de Ishikawa do problema identificado ..................................... 28
Figura 11: Modelo de funcionamento da solução 1 .................................................. 29
Figura 12: Diagrama genérico de fluxo de dados para 2ª alternativa da solução
proposta ................................................................................................................... 30
Figura 13: Modelo de funcionamento da solução 3 .................................................. 31
Figura 14: Modelo de funcionamento de solução para agricultura moderna ............ 35
Figura 15: Processo de XP ...................................................................................... 37
Figura 16: Diagrama de casos de uso...................................................................... 39
Figura 17: Descrição de prioridades de requisitos ................................................... 40
Figura 18: Visão geral da aplicação usando serviços web ....................................... 43
Figura 19: Visão geral da aplicação autocontida ...................................................... 44
Figura 20: Arquitectura do sistema proposto ............................................................ 45
Figura 21: Fluxo de treinamento do modelo ............................................................. 45
Figura 22: Alteração de ambiente de execução de CPU para GPU ......................... 47
Figura 23: Mercado de dispositivos móveis em Moçambique .................................. 48
Figura 24: Dados do dataset .................................................................................... 49
Figura 25: Avaliação dos dados de testes na rede neural proposta ......................... 50
Figura 26: Navegação base da solução ................................................................... 50
Figura A1- 1: StoryBoard da aplicação………………………………………………..A1-1

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

Figura A7- 1: Processo de treinamento ……………………………………………..A7-1

x
Lista de tabelas

Tabela 1: Beneficiários e stakeholders da solução proposta ................................... 27

Tabela 2: Análise comparativa das alternativas de implementação da solução ...... 32
Tabela 3: Descrição dos requisitos funcionais ......................................................... 40
Tabela 4: Tabela de comparação das duas opções de implantação da aplicação .. 44
Tabela 5: Configurações da rede neural .................................................................. 47
Tabela A2- 1: Especificação de caso de uso Efectuar Diagnóstico……………….A2-1
Tabela A2- 2: Especificação do caso de uso: Reportar doença não classificada .A2-2
Tabela A2- 3: Especificação do caso de uso: Receber conselhos sobre sanidade
vegetal...................................................................................................................A2-2
Tabela A2- 4: Especificação do caso de uso: Aceder a conhecimentos. .............A2-3
Tabela A2- 5: Especificação de caso de uso: Receber notícias ............................A2-3
Tabela A4- 1: Distribuição das doenças do dataset…………………………………A4-1

xi
Lista de abreviaturas e acrónimos

API Interface de Programação de Aplicações

CNN Rede neural convulsionais
CPU Centro de processamento unitário
DIR. Direita
ESQ. Esquerda
FAO Organização das Nações Unidas para Alimentação e Agricultura
GPU Unidade de Processamento Gráfico
IA Inteligência Artificial
KIS Preserve a simplicidade (Keep It Simple)
MASA Ministério da Agricultura e Segurança Alimentar
ML Aprendizagem de máquina (Machine Learning)
MVC Model View Controller
PDF Formato de Documento Portátil
TIC Tecnologias de informação e comunicação
UAV Veículo não tripulado
UML Linguagem de Modelagem Unificada (Unified Modeling Language)
XML Extensible Markup Language
XP Programação Extrema

xii
Glossário de termos

Android É um sistema operativo baseado no núcleo Linux.

Assets É um directório onde fica algum tipo de recurso necessário
para a execução correcta de um programa de computador.
Batch É um hiperparâmetro nas redes neurais que define o
número de amostras por processar antes de actualizar os
parâmetros internos do modelo.
Dataset Representa uma colecção de dados, quer estruturados,
assim como não.
Epoch Representa o número de vezes em que uma dataset
passou por uma rede neural.
Hiperparâmetros São variáveis que determinam a estrutura da rede neural
e que determinam como a rede é treinada.
ImageNet É um projecto com imagens pertencentes a 2000
categorias, projectada para o uso em pesquisas de
software de reconhecimento de objectos visuais.
Internet É rede de computadores interligados que usam um
conjunto próprio de protocolos.
Loss function É uma função matemática que mapeia um dado evento a
um determinado número real, de forma a representar o
seu custo.
Programação É um paradigma de programação baseado no conceito de
orientada a objectos objectos.
Python É uma linguagem de programação.
Serviço web É uma solução utilizada na integração de sistemas e na
comunicação entre aplicações diferentes.

xiii
1. Capítulo I – Introdução

1.1. Contextualização

Moçambique tem como base de desenvolvimento a agricultura, e este é um dos meios

para se atingir o objectivo do milénio que é: “Erradicar a pobreza e a fome excessiva”
(NATIONS, 2015).

De acordo com a ONU para Agricultura e Alimentação (FAO), a população mundial

aumentará em 2 bilhões até 2050, no entanto, apenas 4% da terra adicional será
cultivada até lá. Deste modo, é necessário encontrar mecanismos para garantir a
eficiência da agricultura, de modo a alcançar o desejado desenvolvimento do país e
resolver uma parte do objectivo do milénio – minimizando as perdas agrícolas
(detectando cedo as doenças que podem reduzir a produtividade agrícola e tornando
possível a tomada de medidas que ajudem a reduzir estas perdas) (FAO, 2018).

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.

Os escritores Mohanty et al., (2016) afirmam que a existência de um sistema

computacional automatizado, para a detecção e diagnóstico de doenças em plantas,
ofereceria uma assistência valiosa aos agrónomos que têm de fazer algum diagnóstico
de folhas infectadas através da observação óptica. Ferentinos (2018), afirma do mesmo
modo que se o sistema for simples de usar e facilmente acessível através de um
dispositivo móvel como um celular, poderia ser uma ferramenta bastante valiosa para
camponeses que praticam agricultura em lugares do mundo com falta de infra-estruturas
apropriadas para prover conselhos agronómicos e fitopatológico, e também em casos de
agricultura de larga-escala, o sistema pode ser combinado com veículos aéreos não
tripulados (drones) para buscar imagens de forma contínua em pouco tempo e com maior
abrangência, para a posterior serem analisadas e tirar-se conclusões sobre o campo de
cultivo, e se houver necessidade, tomar-se algumas acções.

O presente trabalho, comporta e descreve aspectos relacionados a agricultura em

Moçambique e também métodos aplicados para a detecção e classificação de doenças
em plantas, tomando em consideração as duas práticas agrícolas.

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.

O aumento da população, traz-nos grandes desafios, um deles é saber como produzir

alimentos suficientes para alimentar a população mundial, lembrando que “quase metade
da população mundial — 3,4 bilhões de pessoas — ainda luta para satisfazer as
necessidades básicas” (Mundial, 2018).

De acordo com Malthus, et al. (1983), o crescimento da população ocorre numa

progressão geométrica. Além disso, a população continua crescendo em relação a
produção agrícola, que é indefinidamente maior do que a produção natural de alimentos,
que cresce numa progressão aritmética. É possível observar essa relação na figura
abaixo:

Figura 1: Gráfico que representa a relação entre o crescimento populacional com a

produção de alimentos. Fonte: (Aguiar & Zaghetto, 2017)
A produção agrícola, tem sofrido grandes perdas. Estas, estão relacionadas a falta de
tomada de algumas medidas atempadas, face aos principais causadores destas perdas,
dentre os quais se destacam as doenças.

As doenças de plantas, afectam as culturas alimentícias, causado desta forma perdas

significativas aos agricultores e ameaçando a segurança alimentar. Deste modo, precisa-
se encontrar um mecanismo eficiente para fazer a detecção e o diagnóstico das doenças
o quão cedo possível, possibilitando desta forma o aumento da produtividade agrícola.

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.

O problema que o presente trabalho procura resolver é a baixa produtividade agrícola,

que é causada por diversos factores, onde vai-se limitar no factor doença – que de
acordo com Picon, et al. (2018), causam até 50% de perdas agrícolas. Contribuindo
deste modo para a insegurança alimentar que já se faz sentir neste século (XXI).

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:

▪ Como oferecer ajuda especializada aos agricultores sem capacidade de pagar

aos especialistas na área de agronomia?
▪ Como os agricultores sem fundos financeiros podem tirar maior proveito das
Tecnologias de Informação e Comunicação (TIC) de forma a aumentar a
produtividade?
▪ Como reduzir o tempo de detecção e classificação de doenças em plantas em
campos de produção de grande escala?

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.

Actualmente, existe a necessidade de técnicas efectivas de detecção precoce de

doenças para o controle de doenças de plantas para a segurança alimentar e a
sustentabilidade do agro-ecossistema.

5
1.4. Objectivos

1.4.1. Objectivo geral

O presente trabalho, tem como objectivo geral:

➢ Propor um mecanismo para a detecção e classificação de doenças em plantas

agrícolas com recurso a inteligência artificial.

1.4.2. Objectivos específicos

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

O presente trabalho é constituído por oito (8) capítulos, sequencialmente enumerados, e

três (2) secções não numeradas, compostas por bibliografias, e anexos. A seguir, é
apresentada a descrição sucinta de cada uma das partes constituintes deste documento.

▪ Capítulo I: Introdução – tem a função de esclarecer, ao leitor, a relevância dos

aspectos abordados no trabalho. Este capítulo é constituído por: contextualização,
definição do problema, motivação, Objectivos (geral e específicos), metodologias
usadas para a pesquisa e a questões que o autor usou, para conduzir a pesquisa.
▪ Capítulo II: Metodologia – tem a função expor ao leitor, sobre a forma usada
para conceber este trabalho.
▪ Capítulo III: Revisão de literatura – tem a função de esclarecer, ao leitor
algumas matérias teóricas relevantes para o tema.
▪ Capítulo IV: Proposta de solução – após a apresentação detalhada dos
problemas, no capítulo anterior, dá-se uma proposta de solução que melhor se
enquadra à realidade vivida em Moçambique.
▪ Capítulo V: Desenvolvimento de um protótipo para agricultura familiar –
neste capítulo, abordam-se aspectos técnicos relevantes para a implementação
da solução proposta. Sendo predominante, análise de requisitos, apresentação
de diagramas e outras figuras que ajudam a compreender a solução.
▪ Capítulo VI: Testes do algoritmo – neste capítulo, faz-se o teste do algoritmo
para ver se é aplicável no mundo real, onde a taxa de acertos do algoritmo deve
ser superior a 92%.
▪ Capítulo VII: Discussão de resultados – neste capítulo, o autor faz uma análise
entre os aspectos abordados na revisão de literatura e os aspectos encontrados
na prática.
▪ Capítulo VIII: Conclusões e Recomendações – nesta parte, estão apresentadas
as conclusões sobre a pesquisa e o trabalho em geral, mas também estão dadas
as recomendações sobre aspectos relevantes que os futuros pesquisadores
podem considerar, nas suas pesquisas.
▪ Secção das Bibliografias – tratando-se de um trabalho de pesquisa, é
importante ter referências. Portanto, é nesta parte do trabalho que estão
apresentadas as obras bibliográficas citadas no trabalho, bem como as que não

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

2.1. Metodologia de pesquisa

Tomando em consideração o objectivo do trabalho, foi usada uma pesquisa exploratória

de modo a permitir, não só a fundamentação teórica-científica do tema, mas também a
criação de uma proposta de um modelo tecnológico, para materializar o trabalho, tendo
como finalidade, a resolução de problema específico (Ballão, et al., 2012).

2.2. Classificação da 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.

2.2.1. Quanto à abordagem:

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:

▪ Buscou chegar à um profundo entendimento do problema, de forma a

seleccionar uma solução adequada, pesquisando como os agricultores têm
feito os processos que culminam com a detecção de classificação de doenças
em plantas.
▪ Recorreu à linguagem matemática, para quantificar até que ponto um algoritmo
teve melhores resultados em relação a outros.

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:

Para Gil (2002), quanto aos objectivos um trabalho pode ser:

• Exploratório quando visa proporcionar maior familiaridade com o problema

com vista a torná-lo mais explícito ou construir hipóteses.
• Descritiva quando visa descrever factos ou fenómenos, demandando técnicas
padronizadas de recolha de dados.
• Explicativa quando procura identificar factores que causam um determinado
fenómeno, aprofundando o conhecimento da realidade.

Indo de acordo com Gil (2002), quanto aos objectivos, este trabalho é exploratório, pois
procura em primeiro lugar trazer conceitos sobre o problema.

2.2.3. Quantos aos procedimentos:

Quanto aos procedimentos, o presente trabalho segue:

▪ Uma pesquisa bibliográfica que segundo Fonseca (2002), é feita a partir do

levantamento de referências teóricas já analisadas, e publicadas por meios
escritos e electrónicos, como livros, artigos científicos, páginas web. Neste
trabalho recorreu-se a bibliotecas de forma a se ter acesso a livros, e web de
forma a se ter acesso a publicações científicas para a justificação teórica e
prática de alguns conceitos.
▪ Uma pesquisa documental, pois, segundo Fonseca (2002), recorre a fontes
mais diversificadas e dispersas, sem tratamento analítico. Neste trabalho
recorreu-se a sites de discussões sobre aspectos voltados a programação
como stackoverflow de forma a encontrar respostas para erros específicos na
hora do desenvolvimento do protótipo.

2.3. Técnicas de colecta de dados

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.

2.4. Metodologia de desenvolvimento do trabalho prático

Para o desenvolvimento do protótipo foi usada uma metodologia de desenvolvimento ágil

chamada XP, que tem como objectivo principal entregar de forma interactiva e rápida um
sistema de software funcional.

2.4.1. Paradigma de programação

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.

2.4.2. Ambiente de treinamento do modelo de aprendizagem

Para o treinamento do algoritmo de aprendizagem, usou-se Google Colab que é um

ambiente na nuvem, que permite escrever, executar e gravar código e partilhar análises.
Foi escolhido por ser um ambiente virtual com grande poder computacional e acesso a
GPU de forma gratuita.

2.4.3. Linguagens de Programação

Para o desenvolvimento do protótipo, mesclou-se duas linguagens de programação e

uma de marcação (XML). As linguagens de programação são:

▪ 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

De forma a testar os resultados do modelo proposto, usou-se uma abordagem

matemática, chamada precisão, que representa o numero de instâncias correctamente
classificadas.

2.4.5. Validação de resultados

Os resultados do modelo, são validados a partir de um subconjunto do dataset chamado

dados de teste ou validação – este subconjunto de dados, representa instâncias de
dados que o algoritmo de aprendizagem não teve acesso, na hora de treinamento.

12
3. CAPÍTULO III – Revisão da Literatura

3.1. O desafio da Agricultura em Moçambique

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.

A agricultura é a fonte principal do desenvolvimento económico de Moçambique, além

disso, a agricultura desempenha um papel muito importante na vida da humanidade.
Segundo a FAO (2009), a população mundial chegará aos 9.6 bilhões até 2050, o que
representa o aumento da população em 34% da população actual. De modo a alimentar
esta maior população, a produção de alimentos deve aumentar em 70%.

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 precisa aumentar a produção de alimentos, de forma a alimentar a

população que cresce a cada ano e desta forma reduzir a pobreza e fome excessiva que
são os desafios do milénio, de forma a prover a segurança alimentar.

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

Figura 2: Abordagens da Agricultura

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.

3.1.1. Os tipos de agricultura

A agricultura pode ser classificada de diversas maneiras e vários autores propõem

classificações diferentes, umas detalhistas e outras mais resumidas. Analisando-se
algumas, chega-se a conclusão de que os tipos de agriculturas podem ser diferenciados
pelo propósito:

▪ Se for para a subsistência e aplica técnicas rudimentares, chama-se esta de

agricultura tradicional;
▪ Se aplica técnicas sofisticadas para a produção agrícola com o objectivo de tirar
o maior proveito do meio natural, e é virada para o mercado, mecanizada (o
processo de produção é feito por máquinas), e cara (pelo uso de técnicas como o
uso de estufas, sistemas de irrigação, e outras técnicas agrícolas), chama-se esta
de agricultura moderna.

É bastante comum, ouvir os termos a cima descritos de formas diferentes: a agricultura

tradicional, alguns autores chamam de agricultura familiar, pois geralmente membros da
mesma família é que se envolvem nesta prática. Para a agricultura moderna, poder-se-
á encontrar “agricultura industrial” referindo-se a mesma prática, nesta, os trabalhadores
são assalariados.

3.1.2. Os factores condicionantes à produção agrícola

Existe vários factores condicionantes às práticas agrícolas, segundo Agropecuariamoz

(2016), estes dividem-se em:

▪ Factores físico-naturais – doenças causadas por pragas, bactérias, fungos,

presença de ervas daninhas, disponibilidade de bons climas, disponibilidade de
solos aráveis, disponibilidade de recursos hídricos, existência de planícies e vales
fluviais.

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.

3.1.3. Os mecanismos de detecção de doenças em plantas

De forma a entender o conceito doenças de plantas, Kelman, et al. (2019), definem

doença de plantas como um comprometimento do estado normal de uma planta que
interrompe ou modifica suas funções vitais. Todas as espécies de plantas, silvestres e
cultivadas, estão sujeitas às doenças.

De acordo com Ferentinos (2018), pode-se detectar doenças em plantas a partir de

observação óptica, este é em geral a forma primária de observar casos de doenças em
plantas, ataques às plantas por pragas, ou até deficiências nutricionais.

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.

Figura 3: (esq.) Sintomas de Vassoura-da-bruxa (dir.) sintomas de Mosaico-dourado

Fonte: Segeren, et al. (1994)

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.

Segundo Ferentinos (2018), a observação óptica de doenças em plantas comporta uma

grande complexidade, mesmo agrónomos enfrentam algumas dificultadas para
identificar algumas doenças que estão atacando o campo de cultivo, por isso, geralmente
recorre-se a manuais com ilustrações para servir de ajuda para melhor reconhecer uma
dada doença.

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

De acordo com MASA (2019), Moçambique possui condições edafoclimáticas3 que

propiciam a ocorrência de diferentes tipos de pragas e ou doenças durante o
desenvolvimento das culturas.

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.

Este tipo de agricultura, tem como objectivo a sustentabilidade familiar, e caracteriza-se

pelo uso de equipamentos rudimentais, e porque não há uso de métodos de controle de
doenças, as plantas são susceptíveis a desenvolver doenças.

Os mecanismos actuais para o diagnóstico das doenças em planta, requerem acesso à

laboratórios especializados e que de acordo com MASA (2011), um dos empecilhos é a
fraca cobertura e qualidade da rede de extensão pública e de investigação agrária, ou a
contratação de um patologista vegetal especializado, o que não é aplicável aos
agricultores rurais que tem a agricultura dedicada a subsistência.

Na agricultura moderna, o maior desafio é a obtenção de lucros capazes de remunerar

os custos e assegurar novos investimentos. Um grande desafio é o monitoramento de
plantas, pois estas, são susceptíveis a doenças e pragas, e de acordo com Segeren, et
al. (1994), as plantas podem sofrer de várias doenças em simultâneo, fazendo com que
se aplique vários remédios para doenças diferentes em campos extensivos causando
desta maneira custos adicionais, pois em alguns locais do campo do cultivo, não seria
necessária a aplicação de um tipo de remédio, isso porque recorresse-se a colheita de
amostras para a detecção de doenças e depois faz-se inferência para todo o campo,

3Relativo aos solos e ao clima

4 Moçambique
17
outro problema que surge é o facto de que as amostras nem sempre são representativas,
dando-se o caso de uma porção de amostra indicar que não há doenças no campo,
enquanto em uma pequena parcela do campo de cultivo está presente um determinado
tipo de patógeno.

3.2. O uso de TIC na agricultura

As tecnologias de informação e comunicação na agricultura (TIC na agricultura), também

conhecida como e-agricultura, centra-se no aprimoramento do desenvolvimento agrícola
e rural através de melhores processos de informação e comunicação FAO (2018).

Com relação ao uso de TIC’s, há outro termo associado a agricultura – a agricultura de

precisão, que tem como objectivo identificar a diversidade espacial e temporal no campo,
em busca de melhorias no manejo das culturas, diminuir a contaminação dos solos das
áreas produtivas, aperfeiçoar o uso de insumos agropecuários, redução dos custos de
produção e aumento de produtividade, buscando sempre a proteção do ambiente Molin
& Amaral (2015). Esta prática, está associado à utilização de tecnologia avançada para
avaliar e acompanhar de maneira mais precisa as condições áreas de actividade
agronómica.

3.2.1. Os veículos não tripulados na agricultura

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.

Para os agricultores, a eficiência e a flexibilidade são essenciais para a sobrevivência

das culturas, porque a proteção em tempo útil ajuda a minimizar perdas devido a
ameaças de ervas daninhas, pragas ou infecções e aumenta os rendimentos. Por
exemplo, estar atrasado na proteção de uma dada cultura contra uma infestação de
gafanhotos por apenas alguns dias ou mesmo horas pode destruir toda a colheita (Pederi
& Cheporniuk, 2015).

Um exemplo de implementação de veículos não tripulados é apresentado na figura 6,

onde, usa-se UAV para a pulverização de fertilizantes líquidos, pesticidas e outras
matérias.

Figura 5: AeroDrone durante a pulverização. Fonte: Pederi & Cheporniuk (2015)

3.2.2. As aplicações de inteligência artificial na agricultura

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.

Figura 6: Detector de ervas daninhas fonte: Yua, et al. (2019)

3.2.2.1. Machine Learning (ML)

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.

Arquitecturas de redes neurais

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).

Figura 8: Exemplo de um CNN. fonte: (Saha, 2018)

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).

Transferência de Aprendizagem (Transfer Learning)

Segundo Vasilev, et al. (2019), é o processo de aplicação de modelo de ML já treinando

a um novo problema relacionado. Como se vê na figura 8, depois das redes convulsionais
tem-se uma série de redes directamente conectadas que servem como tradutores entre
a linguagem de redes neurais (abstracções aprendidas durante o treinamento) e a nossa,
que seria as classes que pertencem aos objectos classificados.

O uso de transferência de aprendizado justifica-se ainda pelo facto de terem melhores

resultados comparados com CNNs treinadas de zero (Mohanty, et al., 2016).

Segundo Vasilev, et al. (2019) para a aplicação desta técnica, um modelo de ML já

treinado é necessário e geralmente usa-se modelos treinados no ImageNet. Tendo o
modelo, substitui-se a última camada de redes neurais directamente conectadas por
outra que representa as classes para o novo problema. Depois da substituição, é
necessário treinar o algoritmo, e esta tarefa pode ser feita de duas maneiras:

• Treinar somente a camada adicionada e usar a antiga como extractor de

características (features).
• Treinar todo algoritmo, este método segundo Vasilev, et al. (2019) costuma ter
melhores resultados.

Na fase de treinamento de algoritmo, procura-se minimizar as perdas, isto é, procura-se

reduzir a taxa de erros que o algoritmo comente não tentar classificar uma instância nos
dados de treinamento.

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

Gradiente descendente representa o declive que aponta para a direcção da mudança

mais rápida, onde, para se encontrar o mínimo, usa-se o gradiente negativo, tal como
mostra o pseudocódigo abaixo:

Inicialize os pesos w, com valores aleatórios

Repita:

#calcule a função de perda, denotada por J

ⅇx i
J = Precisão =
Σ i ⅇ xi

#actualizar os pesos w, de acordo com a derivada de J em relação a cada um dos pesos

 →  − (())

Até que o erro fique abaixo do limite.

De forma a remover a necessidade de definir todos modelos matemáticos, correndo-se

risco de falhas, recorre-se a bibliotecas com implementações já feitas.

24
Bibliotecas para implementação de ML

Tensorflow – segundo Géron (2017), é uma biblioteca de software de código aberto

para computação numérica, particularmente bem adequada e ajustado para Machine
Learning em larga escala.

Pytorch – segundo Vasilev, et al. (2019), é uma biblioteca de deep learning,

desenvolvida por Facebook, e é feita a base de Torch, esta, é optimizada para
computação paralela, uma vez que ela seleciona uma GPU automaticamente, caso
esteja disponível.

25
4. CAPÍTULO IV – Proposta de solução

Baseando-se nos constrangimentos identificados na agricultura, o autor julgou

necessário propor uma solução que facilite o processo de identificação e classificação
de doenças em plantas. E dito isto, o presente capítulo visa conceber um modelo
baseado em inteligência artificial para resolver os problemas encontrados na revisão de
literatura, e porque problemas diferentes são enfrentados nos dois hemisférios de
agricultura, duas soluções são necessárias, uma para agricultura familiar e outra para
agricultura moderna.

4.1. Descrição da solução para agricultura familiar

Dados os constrangimentos identificados na revisão de literatura, para a agricultura

familiar, o maior constrangimento é a falta de conhecimentos sobre as melhores práticas
agrícolas no que diz respeito a patologia vegetal, este problema, seria facilmente
resolvido com a contratação de um patologista vegetal, mas, pela natureza desta prática,
não é praticável pois, este tipo de agricultura assenta-se na subsistência familiar, e
qualquer gasto que pode ser evitado melhor, o que justifica as perdas anuais de
aproximadamente 40% da produção agrícola no país, isto segundo dados
disponibilizados pelo MASA.

❖ 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

Entende-se por stakeholders ao conjunto de indivíduos interessados na solução. A tabela

a seguir mostra os beneficiários directos da solução proposta.

Tabela 1: Beneficiários e stakeholders da solução proposta

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.

4.3. Modelo da solução proposta

O modelo da figura abaixo ilustra a forma de comunicação que se propõe para a

resolução dos desafios enfrentados na agricultura familiar, onde, o agricultor, passa a
responsabilidade de identificação da doença para um agente especializado, e este dará
conselhos de como o agricultor deve proceder para minimizar as perdas no seu campo
de cultivo.

Figura 9: Modelo ilustrativo da solução proposta

27
4.4. Análise da solução

De forma a analisar-se melhor a solução do problema, recorreu-se ao diagrama de

Ishikawa, também conhecido como diagrama de causa efeito, onde, pode-se ver
sistematicamente os factores que afectam ou contribuem para uma dada situação, que
neste caso, é grande perda agrícola causada por doenças em plantas. O autor julgou
que conhecendo as variáveis que causam o problema, pode-se alterar essas variáveis
de forma a causar-se um outro efeito.

Figura 10: Diagrama de Ishikawa do problema identificado

Analisando os factores que causam os problemas, pode-se perceber que as pessoas
envolvidas na produção agrícola para este tipo de agricultura, tem pouco conhecimento
sobre a patologia vegetal, o ambiente de produção agrícola contribui, mas, não se pode
fazer nada, porque segundo o MASA (2019), Moçambique possui condições
edafoclimáticas que propiciam a ocorrência de diferentes tipos de pragas e ou doenças
durante o desenvolvimento das culturas.

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:

4.5.1. Primeira Alternativa

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.

Figura 11: Modelo de funcionamento da solução 1

Para proceder-se com o envio da amostra para o MASA, devem ser seguidos
procedimentos específicos, por forma a garantir que a amostra chegue em boas
condições e permita assim, a realização de um diagnóstico adequado. Estes
procedimentos estão disponíveis no anexo 5.

4.5.2. Segunda alternativa

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.

Figura 12: Diagrama genérico de fluxo de dados para 2ª alternativa da solução

proposta
Embora seja algo elementar para alguns, de forma a ter maior abrangência,
independentemente do nível da pessoa, o autor propõe passos para a realização de uma
consulta. Estes, podem ser encontrados no anexo 8.

4.5.3. Terceira alternativa

Quando o agricultor identificar alguma característica suspeita ou irregular na planta, deve

tirar uma fotografia da folha com sinais da irregularidade.

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

4.5.4. Quarta alternativa

Fora as três alternativas a cima apresentadas, pode-se também considerar a opção de

oferecer educação sobre patologia vegetal aos agricultores.

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.

4.5.5. Análise comparativa das alternativas de implementação da solução

proposta e a escolha da opção mais adequada

De forma a escolher a melhor alternativa, é necessário fazer uma análise comparativa e

a alternativa que garantir menores perdas agrícolas será julgada melhor.

Na tabela a seguir, a complexidade refere-se ao esforço que o agricultor terá de fazer

para ter o conhecimento de doença e a posterior ter recomendações sobre o que deve
fazer para evitar que ocorram grandes perdas no seu campo de cultivo.

31
 Tabela 2: Análise comparativa das alternativas de implementação da solução

Alternativa Complexidade Pontos fracos Pontos fortes

Primeira Alta • Necessidade de • Diagnóstico feito
alternativa conhecimento do endereço por
para onde enviar as especialistas;
amostras; • Recomendações
• Tempo de resposta variante dadas por
– pode levar até meses, especialistas.
para a obtenção dos
resultados do diagnóstico;
• Necessidade de locomoção;
• Necessidade de
conhecimentos sobre
técnicas de conservação de
amostra para o transporte;
• Em caso de surgimento de
uma nova doença, todos
especialistas precisam ser
recapacitados.
Segunda Moderada • Requer conhecimento sobre • Com os
alternativa métodos de pesquisa de conhecimentos
forma a pesquisar pela necessários,
doença de acordo com a pode-se
sintomatologia; conseguir
• Requer a posse de um encontrar as
dispositivo móvel; doenças que
• Requer uma conexão com a estão presentes
Internet em todo o processo num
de pesquisa; determinado
• Não há conhecimentos de campo de
até que ponto a informação cultivo.
está acendendo é confiável.

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;

Comparando a limitação, os custos e tempo de resposta das três alternativas, apoiando-

se também da necessidade de se ter uma solução rápida para os agricultores
implementarem, de forma a não se ter maiores perdas, a terceira alternativa mostra-se
melhor em relação as duas primeiras, apesar de possuir também alguns pontos fracos.

33
4.6. Descrição da solução para agricultura moderna

A agricultura moderna também sofre de alguns problemas encontrados na agricultura

familiar, as suas plantações são também sujeitas a ataques quer por pragas, fungos,
bactérias e outros, propiciando assim o surgimento de certas doenças.

De forma a garantir que tenhamos o conhecimento sobre o campo de cultivo e do estado

da sua sanidade, a colheita de amostra não se mostra eficiente, pois, o objectivo é ter
conhecimento sobre toda a plantação, mas este objectivo é limitado pelos custos que
levaria para a análise de todo o campo de cultivo que é constituído por vários hectares.

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.

O funcionamento desta solução está descrito no pseudocódigo abaixo:

1. Captação das imagens e coordenadas geográficas pelo UAV;

2. As imagens são montadas numa estrutura de dados, bidimensionais, onde
numa dimensão temos as imagens e noutra, as coordenadas das respectivas
imagens;
3. Usamos uma interface para carregar a estrutura de dados (batch) para o
computador;
4. As imagens são processadas em redes neurais que fazem o diagnóstico das
doenças;
5. O computador gera um relatório com as doenças encontradas no campo de
cultivo, e o respectivo mapa que representa a localização exacta das doenças.

De formas a alcançar-se uma compreensão profunda, o autor julga que lustrações

ajudam na compreensão de conceitos que para alguns são difíceis de visualizar ou não
estão familiarizados com o tema, daí que podemos observar graficamente o modelo
proposto na imagem que se segue.

34
Figura 14: Modelo de funcionamento de solução para agricultura moderna

35
5. CAPÍTULO V – Desenvolvimento de um protótipo da solução para agricultura
familiar

A solução escolhida para a problema deste trabalho é um sistema de software, que

segundo Pressman (2011), é o produto que profissionais de software desenvolvem e ao
qual dão suporte no longo prazo. Abrange programas executáveis em um computador
de qualquer porte ou arquitectura, informações descritivas, abrangendo praticamente
qualquer média electrónica. Para garantir-se que esta solução vem resolver o problema
certo, usou-se princípios de engenharia de software de forma a garantir a qualidade do
produto de software e também a qualidade dos processos.

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:

▪ Indivíduos e interacções acima de processos e ferramentas;

▪ Software operacional acima de documentação completa;
▪ Colaboração dos clientes acima de negociação contratual;
▪ Respostas a mudanças acima de seguir um plano.

O processo ágil escolhido para este trabalho é o XP porque é simplificado no contexto

de quatro actividades metodológicas: planeamento, projecto, codificação e testes.

• Planeamento – inicia-se com a actividade de ouvir – uma actividade de

levantamento de requisitos que permite entender o ambiente de negócios do

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.

Estas actividades, podem ser descritas pela imagem abaixo:

Figura 15: Processo de XP fonte: (Pressman, 2011)

5.1. Modelagem do sistema

De acordo com Pressman (2011), a análise de requisitos resulta na especificação de

características operacionais do software, indica a interface do software com outros
elementos do sistema e estabelece restrições que o software deve atender. E esta pode
ser feita de acordo com um dos modelos:

• Modelos baseados em cenários (casos de uso);

• Modelos baseados em classes (diagrama de classes);
• Modelos comportamentais (diagrama de sequências), e;
37
 • Modelos de fluxo (modelos de dados).

As restrições que o sistema deve atender, são denominados requisitos, estes,

especificam como o produto deve ser, como deve funcionar e algumas vezes, o porquê
da existência do sistema. E pode dividir-se em vários, mas para este trabalho, o autor
julgou suficientes os requisitos descritos abaixo:

▪ Requisitos de negócio – descrevem o propósito do projecto, define as

necessidades do produto que fornecem valor tangível e quantificável. Estes
tipos de requisitos geralmente estão associados com regras de negócio.
▪ Requisitos de usuários – Os requisitos do usuário descrevem exactamente que
tarefas que os usuários podem fazer com o produto. Usuários são aqueles
indivíduos que vão acabar usando o software. Eles são frequentemente
chamados de usuários finais por esse motivo.
▪ Um requisito funcional é um comportamento que o produto deve fazer ou
apoiar.
▪ Requisitos não funcionais – são complementares aos funcionais, se os
requisitos funcionais expressão o que um produto deve fazer, Requisitos não-
funcionais dizem o quão bem um produto deve fazer.
▪ Restrições de desenvolvimento – delineiam a tecnologia de implementação,
convenções, documentação e o processo.

5.1.1. Requisitos de negócio

Os requisitos do negócio são requisitos de alto nível que explicam as necessidades de

execução de um ou mais projectos do negócio. Este projecto tem como objectivo a
redução das perdas agrícolas que se fazem sentir nos campos de produção agrícola cuja
a causa são as doenças em plantas.

5.1.2. Requisitos de usuários

Requisitos de usuários são declarações, em linguagem natural e também em diagramas,

sobre as funções que o sistema deve fornecer e as restrições sob as quais deve operar.

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).

Figura 16: Diagrama de casos de uso

De forma a não se ter interpretações diferenciadas, sobre este diagrama, encontram-se
no anexo 2 as especificações dos casos de uso.

5.1.3. Requisitos funcionais

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.

Sommerville (2011), reafirma que os requisitos funcionais de um sistema descrevem o

que ele deve fazer quando expressos como requisitos de usuário, são normalmente
descritos de forma abstracta, para serem compreendidos pelos usuários do sistema. No
entanto, requisitos de sistema funcionais mais específicos descrevem em detalhes as
funções do sistema, suas entradas e saídas.

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 Importante Desejável

Figura 17: Descrição de prioridades de requisitos

Onde:

• 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.

A tabela, abaixo apresenta os requisitos funcionais do sistema, de forma a deixar a saber

as funcionalidades do sistema.

Tabela 3: Descrição dos requisitos funcionais

Referência Nome Descrição Prioridade

RF01 Fazer diagnóstico Permite aos utilizadores a Essencial
fazerem diagnóstico de
doenças em plantas com
recurso a imagens com
características da doença
que infectou a planta.
RF02 Tirar fotografia Permite aos utilizadores a Essencial
tirar fotografias com o celular,
para a posterior usa-las para
o diagnóstico.
RF03 Aceder a Permite aos utilizadores a Importante
conhecimentos receber informação sobre

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.

5.1.4. Requisitos não funcionais

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:

Referencia Nome Descrição Prioridade

RFN01 Precisão O intervalo de confiança do Essencial
algoritmo de ML, deve ser de
pelo menos 92%.
RFN02 Fácil de usar De forma a não adicionar Importante
complexidade aos
utilizadores, o sistema deve
ser fácil de usar e muito

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.

5.1.5. Restrições de desenvolvimento

Nas restrições de desenvolvimento aborda-se questões de implementação da solução

em termo de tecnologias, linguagens e outros aspectos.

Quanto a linguagem de programação usou-se duas:

▪ Python – para a programação do modelo de aprendizagem de máquina;

▪ Java – para a programação da aplicação para dispositivos móveis.

Ambiente de execução da solução:

42
Quanto ao ambiente de execução o autor usou os listados abaixo:

▪ Jupyter lab – ambiente interactivo de desenvolvimento, para a definição e

depuração do modelo de aprendizado.
▪ Google colab – ambiente interactivo de desenvolvimento, similar ao Jupyter
lab e tem com diferencial, o facto de que o Google colab tem a execução na
nuvem e possui suporte a GPUs e pode ser usado por algum tempo de forma
gratuita.
▪ Android Studio – que é um ambiente integrado de desenvolvimento para
aplicações moveis, quer para android assim como IOS.

5.2. Desenho de arquitectura

Em projecto de software, várias arquitecturas de sistemas foram propostas, umas mais

vantajosas em relação a outras em certos domínios (contextos) de aplicação. E é por
essa razão que o autor julga imprescindível entender no alto nível todos os processos
dentro da aplicação.

A implementação desta solução em termos de tecnologias pode ser possível de duas

maneiras a saber:

▪ Serviço web

Figura 18: Visão geral da aplicação usando serviços web

43
 ▪ Aplicações autocontidas

Figura 19: Visão geral da aplicação autocontida

A tabela abaixo, mostra alguns critérios de comparação para a melhor escolha do modelo
de aplicação a se desenvolver tomando em consideração o perfil do utilizador final.

Tabela 4: Tabela de comparação das duas opções de implantação da aplicação

Internet Espaço de armazenamento requerido Tempo de resposta

Serviço web Mandatária Menor Maior
Autocontido Opcional Maior Menor

O acesso a Internet constitui ainda um problema em Moçambique, principalmente para

pessoas em zonas rurais, e é por isso que é um dos critérios com maior peso, pois
condicionando o uso da Internet para o acesso dos serviços da aplicação, determina o
uso da aplicação. E é por esta razão que a abordagem autocontida será usada, onde o
acesso a Internet no dispositivo final não é mandatário.

Pela análise dos conceitos a cima, a arquitectura escolhida para o desenvolvimento da

aplicação é o MVC, por ser simples de implementar e prover camadas suficientes para
a separação de responsabilidade de cada pacote, o que facilita na manutenção do
projecto. Vide a figura 20, que descreve a organização da arquitectura.

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.

Figura 21: Fluxo de treinamento do modelo

Desta forma, o modelo de aprendizagem é treinado usando a biblioteca Pytorch, de

seguida, usa-se o ONNX de forma a converter o modelo em Pytorch para Tensorflow
que fornece facilidades de integração em dispositivos móveis. Pode-se ver também no
anexo 6 o diagrama de fluxo de dados.

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.

5.3.1. Descrição de dados

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

De forma a garantir que o algoritmo de aprendizado consiga diagnosticar as classes

certas, é necessário garantir que as labels do nosso dataset estejam correctas, para isso,
Hughes & Salathé (2015), confirmam a identidade das doenças, tendo recorrendo a
patologistas experientes, estes, trabalharam directamente no campo, com ajuda de dois
técnicos.

5.3.2. Treinamento do algoritmo

Aplicações que envolvem análise de imagens, exigem bastante os recursos

computacionais, e geralmente centros de processamentos unitários existentes em
muitos computadores, levam mais tempo para treinar um algoritmo, isso porque as
tarefas são feitas de forma sequencial, de forma a transpor este empecilho, GPUs são
necessários, daí que o autor usou Google Colab, para fazer todo o treinamento do
algoritmo.

46
Figura 22: Alteração de ambiente de execução de CPU para GPU

A tabela a baixo, mostra as correspondências necessárias para a reprodução do

ambiente de treinamento. Todas podem ser reconfiguradas recorrendo-se a classe nn
da biblioteca Pytorch.

Tabela 5: Configurações da rede neural

Nome da arquitectura Squeeze e Feedfowrd

Taxa de aprendizagem 0.001
Tamanho de batch 64
Epochs 15
Pré-treinamento Sim
Momentum 0.9
Função de perda (loss function) CrossEntropyLoss

E de forma a ter-se uma visão gráfica de como é construído e treinado o algoritmo

considere o fluxograma no anexo 7.

Depois do treinamento do algoritmo, é necessário que o mesmo se grave, de modo a

usar-se no desenvolvimento de uma aplicação Android que segundo StatCounter (2019)
é o sistema operativo móvel com maior fasquia, tal como pode-se ver no gráfico abaixo:

47
 100
87.98
90

80

70

60

50

40

30

20

10 2.97 2.96 1.08 1.52 1.32

0
Mercado do Sistema Operativos Móvel em Moçambique - maio de 2019

Android IOS Outro Series 40 Sony Ericsson Tizen

Figura 23: Mercado de dispositivos móveis em Moçambique adaptado de: StatCounter

(2019)

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

Para avaliar um algoritmo de aprendizagem de máquina (ML), deve-se projectar uma

medida quantitativa de seu desempenho. Normalmente, esta medida de desempenho é
específica para a tarefa sendo executada, isto é, para problemas de regressão existem
medidas apropriadas, de igual modo, para problemas de classificação, como o caso
deste trabalho, existem também medidas apropriadas de desempenho.

De acordo com Goodfellow, et al. (2016), para tarefas de classificação mede-se a

precisão do modelo. A precisão é apenas a proporção de exemplos para os quais o
modelo produz a saída correcta, de igual modo, pode-se obter informações equivalentes
medindo a taxa de erro, que é a proporção de exemplos para os quais o modelo produz
uma saída incorrecta.

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%

Figura 24: Dados do dataset

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.

Figura 25: Avaliação dos dados de testes na rede neural proposta

Tendo-se a precisão aceitável, o modelo de aprendizagem é integrado num dispositivo
móvel e terá de forma resumida o desenrolar da navegação descrito na figura abaixo.

Figura 26: Navegação base da solução

Para ver, o mapa de navegação de toda aplicação, queira considerar o anexo 1.

50
7. CAPÍTULO VII – Discussão de resultados

7.1. Revisão da Literatura

A constituição da república, faz menção de que a agricultura é a base do

desenvolvimento do país, e que esta, tem sofrido vários constrangimentos, pois, sofre de
todos os factores condicionantes a produção agrícola que de acordo com
Agropecuariamoz (2016), são:

▪ Factores físico-naturais que entram em concordância com MASA (2019), que

afirma que o país possui condições edafoclimáticas, que propiciam a ocorrência
de diferentes tipos de doenças;
▪ Factores socio-económicos – que impedem o acesso a laboratórios
especializados pois de acordo com MASA (2011), um dos empecilhos é a fraca
cobertura e qualidade da rede de extensão pública. E por último;
▪ Factores políticos – que fazendo menção mais uma vez ao MASA (2011), um
outro empecilho, é a fraca cobertura e expansão de rede de investigação agrária
ou a contratação de patologistas vegetais tomando em consideração que de
acordo com Nuvunga (2006), 80% dos habitantes do país vivem nas zonas rurais
(e dependem da actividade agrícola) onde a cobertura de rede de expensão
pública não é muito boa.

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.

No capítulo introdutório, foram levantadas algumas questões de pesquisa, para

agricultura familiar, questiona-se como agricultores podem tomar proveitos das TICs de
forma a aumentar sua produtividade e como pode-se oferecer ajuda especializada
tomando em consideração as limitações a cima?

Ferentinos (2018), argumenta que o diagnóstico de doenças em plantas, incorpora um

alto nível de complexidade, esta complexidade faz-se sentir até em agrónomos ou
patologistas vegetais, por isso que Mohanty et al., (2016) e Yang & Guo (2017),

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

As tecnologias de informação e comunicação têm se mostrado alternativas que agregam

bastante valor na resolução de vários problemas do dia-a-dia, principalmente quando
combinados com inteligência artificial, que têm se tornado uma tecnologia disruptiva,
para vários hemisférios de conhecimento.

Vistos os problemas encontrados na revisão de literatura, o autor julga que com a

implementação da solução proposta neste documento obter-se-ão maiores ganhos de
produtividade pelos seguintes aspectos:

▪ 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

Quando se iniciou o trabalho, constatou-se que a demanda de produtos agrícolas vai

aumentar dado o crescimento da população mundial e pela necessidade da conservação
do meio ambiente, fazendo face as mudanças climáticas. Esta produção tem sofrido
baixas na sua produtividade. Esta produtividade baixa que é causada por doenças em
plantas, e é por isso que era importante estudar sobre Detecção e classificação de
doenças em plantas agrícolas com recurso a inteligência artificial de forma a reduzir as
perdas agrícolas detectando de forma precoce as doenças em plantas.

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:

▪ No primeiro, procurou-se descrever a agricultura em Moçambique no que tange

às doenças em plantas e verificou-se que o país possui condições climáticas que
favorecem a ocorrência não só de doenças, mas também de pragas, conseguindo
desta forma cumprir com o objectivo.
▪ No segundo, procurou-se descrever os mecanismos utilizados pelos agricultores
para a detecção de doenças em plantas e verificou-se que em primeira instância,
recorre-se a observação óptica e este é o mecanismo mais usado, que até
agrónomos de profissão, fazem o diagnóstico com recurso a um manual chamado
guião de campo, conseguindo desta forma cumprir com o objectivo.
▪ No terceiro, procurou-se identificar o impacto que novas tecnologias têm trazido
no ramo da agricultura, onde verificou-se o uso de veículos não tripulados
ajudando com recurso a inteligência artificial a identificar ervas daninhas, que
costumam concorrer por nutrientes com as plantas em produção, conseguindo-se
desta forma alcançar-se o objectivo.

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.

No capítulo VII, discutiu-se e responderam-se as perguntas levantadas na introdução,

confirmando desta forma a viabilidade da proposta do autor deste trabalho. De
salientar, que o autor, teve vontade de desenvolver um protótipo para a agricultura
moderna, tendo tido algumas limitações, que foram:

▪ Falta de imagens de alta resolução para o desenho de um algoritmo de

aprendizagem de máquina que consiga fazer classificações em imagens com
mais de um objecto, quer em repositórios nacionais ou repositórios abertos na
Internet.
▪ Falta de um veículo não tripulado para o estudo das Interfaces de
Programação de Aplicações (APIs) de transmissão de dados, o que culminou
com a impossibilidade de recolha de dados de imagens aéreas para proceder
com a pesquisa.

Na agricultura familiar, o autor não conseguiu implementar um algoritmo que consiga

classificar todas doenças, nem todos os tipos de culturas praticadas em Moçambique,
isto porque faltaram dados para o treinamento do algoritmo que possibilitasse o
cumprimento desta tarefa.

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.

Tendo o algoritmo implementado em dispositivos móveis, é necessário ainda se estudar

formas de fazer chegar esta tecnologia às pessoas que vivem em zonas com pouco
acesso à informação, de forma a possibilitar, que todos tenham acesso a este avanço
tecnológico – possibilitando desta forma, que a sua produtividade agrícola possa
aumentar.

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/

[3] agropecuariamoz. (2016). A agricultura e pecuária em Moçambique. Retrieved Junho

17, 2019, from http://agropecuariamoz.blogspot.com/2016/09/agricultura-e-
pecuaria-mocambique.html

[4] Aguiar, H. M., & Zaghetto, A. (2017). Proposta de modelo evolucionário para
simulação da evolução da camuflagem em seres vivos.

[5] Arieira, G. d. (2013, Setembro). Classificação de doenças de plantas. Retrieved Maio

8, 2019, from https://pt.slideshare.net/giovaniarieira/classificao-de-doenas-mc-
new

[6] Bagchi, A. (2018). Artificial Intelligence in Agriculture. Mindtree.

[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

[9] Caldeira, A. (2016, Dezembro 15). Moçambique é um dos Países menos

desenvolvidos do mundo e continuará a sê-lo em 2025, afirma ONU. Retrieved
from Verdade: http://www.verdade.co.mz/tema-de-fundo/35-
themadefundo/60470-mocambique-e-um-dos-paises-menos-desenvolvidos-do-
mundo-e-continuar-a-se-lo-em-2025-afirma-onu

[10] Constituição da República de Moçambique (Escolar Editora: Macuácua, Edson Da

Graça, 2014)

[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

[21] Kerlinger, F. N. (1980). Metodologia da pesquisa em ciências sociais: um tratamento

conceitual. São Paulo: Edusp.

[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.

[29] Mosca, J. (2019, Janeiro 29). Agricultura Familiar em Moçambique: Ideologias e

Políticas. Retrieved from Land Portal:
landportal.org/pt/library/resources/agricultura-familiar-em-mo%C3A7ambique-
ideologias-e-pol%C3%ADticas

[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/

[33] Nuvunga, B. (2006). REFORMA AGRÁRIA E DESENVOLVIMENTO RURAL EM

MOÇAMBIQUE SITUAÇÃO ACTUAL E PERSPECTIVAS.

[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.

[37] Prodanov, C. C., & de Freitas, E. C. (2013). Metodologia do trabalho científico:

Métodos e Técnicas da Pesquisa e do Trabalho Acadêmico. Rio Grande do SulRio
Grande do Sul: Universidade FEEVALE.

[38] Russell, S. J., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach (3ª ed.).
Pearson.

[39] Saha, S. (2018, Dezembro 15). Comprehensive Guide to Convolutional Neural

Networks. Retrieved Junho 12, 2019, from https://towardsdatascience.com/a-
comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-
3bd2b1164a53

[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.

[45] Sousa, R. (2019, Janeiro 29). Mundo Educação. Retrieved from

mundoeducacao.bol.uol.com.br: mundoeducacao.bol.uol.com.br/geografia/tipos-
agricultura.html

[46] StatCounter. (2019). Mobile Operating System Market Share Mozambique.

Retrieved Junho 18, 2019, from http://gs.statcounter.com/os-market-
share/mobile/mozambique

[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.

[2] Bishop, C. (2006). Pattern Recognition and Machine Learning. Brazil.

[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.

Figura A1- 1: StoryBoard da 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.

Tabela A2- 1: Especificação de caso de uso Efectuar Diagnóstico

Nome Efectuar diagnóstico.

Descrição Permite aos utilizadores fazer diagnóstico às plantas.
Actor Agricultor.
Prioridade Essencial.
Pré-condição Ter aberto a aplicação.
Pós- Obter conhecimento sobre a doença da planta e as respectivas
condição recomendações ou ter a possibilidade de reportar a doença
caso o sistema não consiga detectar.
Fluxo principal de eventos
Actor Actividades
Utilizador 1. Pressionar na opção “Diagnosticar doença”.
Sistema 2. Apresentar a lista, que possibilita ao actor tirar uma foto.
Utilizador 3. Pressionar na opção de acaptura da imagem.
Sistema 4. Apresentar a tela com informações relativas a doença e as
respectivas recomendações [A1].
Fluxo alternativo de eventos
[A1] 1. Apresentar a tela que informa que a doença não foi
diagnosticada.
Utilizador 2. Clicar na opção reportar
Sistema 3. Reporta e volta para o evento da pré-condição.

A2-1
Tabela A2- 2: Especificação do caso de uso: Reportar doença não classificada

Nome Reportar doença não classificada.

Descrição Permite aos utilizadores reportar doenças não classificadas,
para informar aos desenvolvedores sobre actualizações
necessárias na aplicação.
Actor Agricultor.
Prioridade Desejável.
Pré-condição Ter aparecido a tela que possibilita ao actor fazer o reporte.
Pós- Voltar ao ecrã inicial da aplicação.
condição
Fluxo principal de eventos
Sistema 1. Apresentar a tela que informa que a doença não foi
diagnosticada.
Utilizador 2. Clicar na opção reportar
Sistema 3. Reporta e volta para o evento da pré-condição.

Tabela A2- 3: Especificação do caso de uso: Receber conselhos sobre sanidade

vegetal

Nome Receber conselhos sobre sanidade vegetal.

Descrição Permite aos utilizadores a ficarem mais informados sobre as
melhores práticas agrícolas.
Actor Agricultor.
Prioridade Importante.
Pré-condição Ter aberto a aplicação.
Pós- Ter acesso a uma lista de melhores práticas agrícolas.
condição
Fluxo principal de eventos
Sistema 1. Apresentar a tela inicial da aplicação.
Utilizador 2. Clicar na opção receber conselhos.
Sistema 3. Apresenta uma lista de conselhos agronómicos.

A2-2
Tabela A2- 4: Especificação do caso de uso: Aceder a conhecimentos.

Nome Aceder a conhecimentos.

Descrição Permite aos utilizadores a ter acesso a uma variedade de
conhecimentos de melhores práticas agrícolas para uma
cultura específica.
Actor Agricultor.
Prioridade Importante.
Pré-condição Ter aberto a aplicação.
Pós-condição Ter acesso a uma lista de culturas, que quando clicadas
apresentam uma série de conselhos sobre aquela cultura.
Fluxo principal de eventos
Sistema 1. Apresentar a tela inicial da aplicação.
Utilizador 2. Clicar na opção conhecimentos.
Sistema 3. Mostra uma lista de culturas.
Utilizador 5. Clicar numa das culturas.
Sistema 6. Mostrar conselhos para aquela dada cultura.

Tabela A2- 5: Especificação de caso de uso: Receber notícias

Nome Receber notícias.

Descrição Permite aos utilizadores a ter acesso notícias sobre o ramo
agrícola em Moçambique.
Actor Agricultor.
Prioridade Importante.
Pré-condição Ter uma notificação sobre uma dada notícia.
Pós-condição Ter acesso a informação apresentada na notícia.
Fluxo principal de eventos
Sistema 1. Notificar ao actor sobre uma nova notícia.
Utilizador 2. Clicar na notícia.
Sistema 3. Apresentar a notícia mais recente.

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.

Figura A3- 1: Diagrama de sequências para efectuar diagnóstico e reportar doença

O diagrama a cima, apresenta a sequências de processos que culminam com a

efectivação do diagnóstico das doenças ou com o reporte das mesmas, caso a
confiança do algoritmo para uma danda imagem seja menor que 80%.

A3-1
Figura A3- 2: Diagrama de sequência para receber conselhos sobre a sanidade
vegetal

Figura A3- 3: Diagrama de sequência para aceder a conhecimentos

A3-2
O caso de uso receber notificações, não é descrito porque não é iniciado pelo actor
principal do sistema.

De forma a se ter uma visão estática da aplicação, vide a figura abaixo.

Figura A3- 4: Diagrama de classes de alto nível

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.

Tabela A4- 1: Distribuição das doenças do dataset

Fungo Bactéria Moída Vírus Ácaro Saudá

vel
Abóbora Erysiphe Phytophth 1645
cichoracearum ora
(1835) Infestans
(1000)

Batata Alternaria 152

solani
(1000)
Cereja Podosphaera 854
spp (1052)
Frambo 371
esa
Laranja Candidatu
s Liber
ibacter
(5507)

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)

Uva Guignardia 423

bidwellii (1180)
Phaeomoniella-
spp. (1384)
Pseudocercosp
orvitis (1076)

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:

▪ o Departamento de Sanidade Vegetal, Ministério da Agricultura – agora Ministério

da Agricultura e Segurança Alimentar (Localizada na sede do INIA, caixa postal
3658, Maputo);
▪ a Faculdade de Agronomia da Universidade Eduardo Mondlane em Maputo;
▪ a Direcção Provincial de Agricultura, Repartição de Sanidade Vegetal;

Nesse sentido, devem-se tomar as seguintes medidas:

a) Preparar uma amostra

No caso de doenças que é abordado neste trabalho, deve-se cortar a planta

onde a doença progrediu mais recentemente embrulhando-a primeiro; em
folhas de bananeiras, depois em folhas de jornais húmido e metendo o
embrulho num saco de plástico furado ou cartucho. Com a maior rapidez, deve-
se enviar a amostra por um portador.

b) Acompanhar sempre a amostra com os seguintes dados:

▪ Número da amostra;
▪ Localidade de onde se retirou a amostra;
▪ Nome da pessoa que obteve a amostra;
▪ Data da colheita;
▪ Cultura afectada;
▪ Descrever os sintomas principais da doença;
▪ Apresentar uma avaliação dos estragos que a doença provocou;
▪ Endereço para onde enviar a resposta.

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.

Figura A6- 1: Diagrama de fluxo de dados

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.

Figura A7- 1: Processo de treinamento

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:

1. www.google.com – este trará vários resultados que apontem para a doença

que a planta pode ter, quando escrita as características morfológicas da
planta.
2. Tendo já ao nome da doença, pode recorrer-se a um site mais académico,
que é: www.scholar.google.com – neste, o pesquisador, terá acesso a
pesquisas de estudos relevantes, que podem dar informações sobre que
abordagem a pessoa deve ter, de forma a reduzir as perdas agrícolas.

A8-1