Made available in DSpace on 2017-07-21T14:19:24Z (GMT). No. of bitstreams: 1 Melo, Geisla Albuquerque.pdf: 2986772 bytes, checksum: 02494f1ef68a9df48a1184c0a3e81dce (MD5) Previous issue date: 2015-05-25 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / According to Embrapa (2013), Brazil is the world's second largest soy producer just after the United States. Season after season, the production and planted area in Brazil is growing, however, climatic factors and crop diseases are affecting plantation, preventing further growth, and causing losses to farmers. Asian rust caused by Phakopsora pachyrhizi, is a foliar disease, considered one of the most important diseases at present, because of the potential for loss. Asian rust can be mistaken for other diseases in soybeans, such as Bacterial Blight, a Stain Brown and Bacterial Pustule, due to similar visual appearances. Thus, the present study aimed to develop an application for mobile devices using the Android platform to perform automatic recognition of the Asian soybean rust severity indices to assist in the early diagnosis and therefore assist in decision-making as the management and control of the disease. For this, was used techniques of digital image processing (DIP) and Artificial Neural Networks (ANN). First, around 3.000 soybean leaves were collected in the field, where about 2.000 were harnessed. Then it were separated by severity index, photographed in a controlled environment, and after that were processed in order to eliminate noise and background images. Filtering preprocessing phase consisted of median filter, Gaussian filter processing for gray scale, Canny edge detector, expansion, find and drawcontours, and finally the cut of leaf. After this was extracted color and texture features of the images, which were the average R, G and B Variant also for the three channels R, G and B according angular momentum, entropy, contrast, homogeneity, and finally correlation the severity degree previously known. With these data, the training was performed an ANN through the neural network simulator BrNeural. During training, parameters such as number of severity levels and number of neurons of the hidden layer have changed. After training, was chosen network architecture that gave better results, with 78.86% accuracy for Resilient-propagation algorithm. This network was saved in an object and inserted into the application, ready to be used with new data. Thus, the application takes the soybean leaf picture and filters the acquired image. After this, it extracts the features and commands internally to the trained neural network, which analyzes and reports the severity. Still, it is optionally possible to see a georeferenced map of the property, with the severities identified by small colored squares, each representing a different index. / Segundo a Embrapa (2013), o Brasil é o segundo maior produtor de soja do mundo, atrás apenas nos Estados Unidos. Safra após safra, a produção e a área plantada do Brasil vem crescendo, entretanto, fatores climáticos e doenças da cultura vêm afetando as lavouras, impedindo um crescimento ainda maior, e causando perdas para os agricultores. A ferrugem asiática, causada pelo fungo Phakopsora pachyrhizi, é uma doença foliar, considerada uma das doenças de maior importância na atualidade, devido ao grande potencial de perdas. A ferrugem asiática pode ser confundida com outras doenças na soja, como o Crestamento Bacteriano, a Mancha Parda e a Pústula Bacteriana, devido às aparências visuais semelhantes. Deste modo, O presente estudo teve por objetivo desenvolver um aplicativo para dispositivos móveis que utilizam a plataforma Android, para realizar o reconhecimento automático dos índices de severidade da ferrugem asiática da soja, para auxiliar no diagnóstico precoce e por consequência, auxiliar na tomada de decisão quanto ao manejo e controle da doença. Para isto, foram utilizadas técnicas de Processamento Digital de Imagens (PDI) e Redes Neurais Artificiais (RNA). Primeiramente, foram coletadas aproximadamente 3 mil folhas de soja em campo, onde cerca de 2 mil foram aproveitadas. Então elas foram separadas por índices de severidade, fotografadas em ambiente controlado, e após isto foram processadas com o objetivo de eliminar ruídos e o fundo das imagens. A fase de filtragem do pré-processamento consistiu nos filtros da mediana, filtro Gaussiano, transformação para escala de cinza, detector de bordas Canny, dilatação, find e drawcontours, e por fim o recorte da folha. Após isto, foram extraídas as características de cor e textura das imagens, que foram as médias R, G e B, Variância também para os três canais R, G e B, Segundo Momento Angular, Entropia, Contraste, Homogeneidade, Correlação e por fim, o Grau de Severidade previamente sabido. Com estes dados, foi realizado o treinamento de uma RNA através do simulador de redes neurais BrNeural. Durante o treinamento, parâmetros como quantidade de níveis de severidade e quantidade de neurônios da camada oculta foram alterados. Após o treinamento, foi escolhida a arquitetura de rede que deu melhor resultado, com 78,86% de acerto para o algoritmo Resilient-propagation. Esta rede foi salva em um objeto e inserida no aplicativo, pronta para ser utilizada com dados novos. Assim, o aplicativo tira a foto da folha de soja e faz a filtragem da imagem adquirida. Após isto, extrai as características e manda internamente para a rede neural treinada, que analisa e informa a severidade. Ainda, opcionalmente é possível ver um mapa georreferenciado da propriedade, com as severidades identificadas por pequenos quadrados coloridos, representando cada um, um índice diferente.