Sobre o projecto:

A agricultura representa, em regiões do interior, um dos principais setores de produtividade local que tem perdido nas últimas décadas interesse por parte dos potenciais agricultores. Estes deixam as terras ao abandono e procuram outras fontes de rendimento. Uma agricultura sem fácil acesso a suporte tecnológico perde em qualidade e em volume de produtivo, fomentando o desinteresse desses potenciais agricultores. Por outro lado, o conhecimento técnico que é exigido aos agricultores é vasto e cada plantio carece de uma especialização de domínio. Este fator também contribui para que os novos potenciais agricultores não adiram à atividade e afasta também agricultores, com experiência, de novas espécies de plantios. Com os desenvolvimentos recentes de algoritmos de inteligência artificial é possível ajudar em algumas direções a atenuar esta problemática. É o caso do diagnóstico de doenças produzido pela observação das folhas das plantas em cultivo. Um sistema baseado numa aplicação de telemóvel que seja capaz de diagnosticar as doenças mais comuns associadas às plantas frutícolas reduz a dúvida que o agricultor possa ter no tratamento atempado a dar à sua plantação. Esta abordagem melhora a capacidade de decisão do agricultor e acelera o processo de resposta ao problema. Este é um exemplo de como a tecnologia pode simplificar os processos agrícolas e potenciar a fixação de novos agricultores para a região. O sistema utiliza redes neuronais de aprendizagem em profundidade, nomeadamente, redes de convolução. A arquitetura da rede neuronal de classificação utilizada apresenta 48 camadas neuronais e foi treinada a partir de uma base de dados com 54000 imagens de folhas de plantas de “frutos”. Os “frutos” considerados foram: maçã; cereja; pera; batata; tomate; framboesa; laranja; uva; pepino; morango; milho. Nesta base de dados existem imagens de folhas sãs e imagens de folhas exibindo alguma doença. Por exemplo, no caso da maçã foram consideradas três doenças diferentes. Os resultados do treino expõem 98.3% de acerto na classificação das doenças e respetiva folha face às imagens apresentadas.

O modelo de dados treinado pode facilmente ser exportado para uma aplicação móvel onde o agricultor terá apenas que fotografar a folha a analisar e ao fim de alguns segundos saberá que tipo de doença aquela planta apresenta. Além disso, a mesma aplicação pode sugerir ao agricultor quais as medidas que este deve tomar para suster e controlar a doença.

O sistema poderá ser continuamente treinado com mais imagens, com mais tipos de frutos, e com mais doenças. Para isso, seria suficiente que uma associação de agricultores detivesse toda a infraestrutura funcional de treino para produzir novas versões do modelo de dados à medida que os associados disponibilizassem novas fotografias.

O sistema foi desenvolvido em linguagem Python e com recurso à plataforma de aprendizagem de deep learning - Pytorch.

Impacto/Benefício:

• Simplificação de tarefas agrícolas na área do diagnóstico de doenças;
• Correção mais atempada de pragas nefastas;
• Aumento da produtividade agrícola;
• Contributo de atratividade sobre novos agricultores.