RECONOCIMIENTO DE ENFERMEDADES EN HOJAS DE MANZANO UTILIZANDO BAG OF FEATURES Y SVM CON VARIACIÓN DEL VOCABULARIO VISUAL
Resumen
El reconocimiento automático de enfermedades en plantas se ha consolidado como una herramienta fundamental para la agricultura de precisión, especialmente en cultivos de alto valor comercial, como el manzano (Malus domestica). En este trabajo se propone un enfoque de clasificación basado en el modelo Bag of Features (BoF) combinado con Máquinas de Vectores de Soporte (SVM), aplicado al conjunto de datos Apple Tree Leaf, que contiene cuatro clases patológicas: Alternaria leaf spot, Brown spot, Gray spot y Rust. El estudio se diferencia por la investigación sistemática del impacto del tamaño del vocabulario visual en la etapa de cuantización de características, evaluando cinco configuraciones de BoF (100, 300, 700, 1000 y 3000 palabras). Los experimentos, realizados en MATLAB R2023b, muestran que los vocabularios intermedios—especialmente entre 700 y 1000 términos—proporcionan el mejor equilibrio entre capacidad discriminativa y generalización, lo que resulta en altas tasas de exactitud para la mayoría de las clases. No obstante, la clase Gray spot presentó mayor dificultad de reconocimiento, lo que refuerza la necesidad de estrategias complementarias para su diferenciación. Los hallazgos confirman la eficacia de los métodos clásicos de visión por computadora en conjuntos de datos de tamaño moderado y aportan contribuciones relevantes para el desarrollo de sistemas de diagnóstico foliar aplicados al contexto agrícola.
Biografía del autor/a
Doutor em Engenharia Elétrica pela Universidade Federal de Uberlândia (2018), com mestrado pela USP (2007) e graduação pela Universidade de Uberaba (2001). Atua em pesquisa e ensino nas áreas de IoT aplicada, automação, instrumentação eletrônica, inteligência artificial e visão computacional. Atualmente é Professor e Gestor de Curso na Universidade de Uberaba – UNIUBE, docente do Mestrado Profissional em Engenharia Química e Editor-Chefe da Revista RETII.
Doutor em Ciências pela UFU, mestre em Matemática pela UFG e em Educação Superior pela UNITRI, com graduações em Matemática, Administração e Gestão do Agronegócio. Possui diversas especializações nas áreas de Matemática, Estatística, Inteligência Artificial, Gestão do Conhecimento, Big Data e Administração Pública. Atua na educação desde 1990 e, desde 2014, é Diretor-Geral do Instituto Federal Goiano – Campus Cristalina, com experiência em ensino, pesquisa e gestão educacional.
Graduado em Matemática pela Universidade de Uberaba (2004), com mestrado (2006) e doutorado (2009) em Energia na Agricultura pela UNESP. Atua como professor na Universidade de Uberaba, com experiência em ensino e pesquisa na área de Matemática Aplicada. Desenvolve atividades principalmente em Álgebra Linear, Geometria Analítica, Cálculo, Estatística Inferencial e Otimização de Sistemas.
Engenheiro eletricista com graduação e mestrado pela Universidade Federal de Itajubá e doutorado pela UNICAMP. Possui ampla experiência em Engenharia Elétrica, com ênfase em controle de processos, sistemas elétricos de potência, lógica nebulosa e redes neurais. Atualmente é professor do curso de Engenharia Elétrica da Universidade de Uberaba – UNIUBE.
Referencias
ABADE, André; FERREIRA, Paulo Afonso; VIDAL, Flavio de Barros. Plant diseases recognition on images using convolutional neural networks: a systematic review. Computers and Electronics in Agriculture, v. 185, p. 106125, jun. 2021 DOI: https://doi.org/10.1016/j.compag.2021.106125 DOI: https://doi.org/10.1016/j.compag.2021.106125
BARBEDO, J. G. A. A review on the main challenges in automatic plant disease identification based on visible range images. Biosystems Engineering, v. 144, p. 52-60, 2016 DOI: https://doi.org/10.1016/j.biosystemseng.2016.01.017 DOI: https://doi.org/10.1016/j.biosystemseng.2016.01.017
BURGES, Christopher J. C. A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, v. 2, p. 121–167, 1998. Disponível em: https://doi.org/10.1023/A:1009715923555 Acesso em: 3 fev. 2026 DOI: https://doi.org/10.1023/A:1009715923555 DOI: https://doi.org/10.1023/A:1009715923555
CORTES, Corinna; VAPNIK, Vladimir. Support-vector networks. Machine Learning, v. 20, n. 3, p. 273–297, 1995. Disponível em: https://doi.org/10.1007/BF00994018 Acesso em: 3 fev. 2026 DOI: https://doi.org/10.1007/BF00994018 DOI: https://doi.org/10.1023/A:1022627411411
CSURKA, Gabriella; DANCE, Christopher R.; FAN, Lixin; WILLAMOWSKI, Jutta; BRAY, Cédric. Visual categorization with bags of keypoints. In: EUROPEAN CONFERENCE ON COMPUTER VISION (ECCV), 8., 2004, Prague. Proceedings… Workshop on Statistical Learning in Computer Vision. Xerox Research Centre Europe (XRCE), 2004. p. 1–22. Disponível em: https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/csurka-eccv-04.pdf Acesso em: 1 fev. 2026.
FERENTINOS, K. P. Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, v. 145, p. 311–318, 2018 DOI: https://doi.org/10.1016/j.compag.2018.01.009 DOI: https://doi.org/10.1016/j.compag.2018.01.009
HUANG, Yongzhen; WU, Zifeng; WANG, Liang; TAN, Tieniu. Feature coding in image classification: a comprehensive study. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 36, n. 3, p. 493–506, 2014. Disponível em: https://doi.org/10.1109/TPAMI.2013.113 Acesso em: 2 fev. 2026 DOI: https://doi.org/10.1109/TPAMI.2013.113 DOI: https://doi.org/10.1109/TPAMI.2013.113
LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, v. 521, n. 7553, p. 436–444, 2015 DOI: https://doi.org/10.1038/nature14539 DOI: https://doi.org/10.1038/nature14539
MOHANTY, S. P.; HUGHES, D. P.; SALATHÉ, M. Using deep learning for image-based plant disease detection. Frontiers in Plant Science, v. 7, art. 1419, 2016 DOI: https://doi.org/10.3389/fpls.2016.01419 DOI: https://doi.org/10.3389/fpls.2016.01419
NOWAK, Eric; JURIE, Frédéric; TRIGGS, Bill. Sampling strategies for bag-of-features image classification. In: EUROPEAN CONFERENCE ON COMPUTER VISION (ECCV), 9., 2006. Proceedings… Berlin: Springer, 2006. p. 490–503. (Lecture Notes in Computer Science). Disponível em: https://doi.org/10.1007/11744085_38 Acesso em: 3 fev. 2026 DOI: https://doi.org/10.1007/11744085_38 DOI: https://doi.org/10.1007/11744085_38
PAWARA, Pornntiwa; OKAFOR, Emmanuel; SURINTA, Olarik; SCHOMAKER, Lambertus; WIERING, Marco. Comparing Local Descriptors and Bags of Visual Words to Deep Convolutional Neural Networks for Plant Recognition. In: INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION APPLICATIONS AND METHODS (ICPRAM), 6., 2017, Porto. Proceedings… [S. l.]: SciTePress, 2017. p. 479–486. Disponível em: https://www.scitepress.org/papers/2017/61962/61962.pdf Acesso em: 1 fev. 2026 DOI: https://doi.org/10.5220/0006196204790486 DOI: https://doi.org/10.5220/0006196204790486
PIRES, Rillian Diello Lucas; GONÇALVES, Diogo Nunes; ORUÊ, Jonatan Patrick Margarido; KANASHIRO, Wesley Eiji Sanches; RODRIGUES JR., Jose F.; MACHADO, Bruno Brandoli; GONÇALVES, Wesley Nunes. Local descriptors for soybean disease recognition. Computers and Electronics in Agriculture, v. 125, p. 48–55, 2016 DOI: https://doi.org/10.1016/j.compag.2016.04.032 DOI: https://doi.org/10.1016/j.compag.2016.04.032
YANG, Jun; JIANG, Yu-Gang; HAUPTMANN, Alexander G.; NGO, Chong-Wah. Evaluating bag-of-visual-words representations in scene classification. In: INTERNATIONAL WORKSHOP ON MULTIMEDIA INFORMATION RETRIEVAL (MIR), 2007. Proceedings… New York: ACM, 2007. p. 197–206. Disponível em: https://doi.org/10.1145/1290082.1290111 Acesso em: 3 fev. 2026 DOI: https://doi.org/10.1145/1290082.1290111 DOI: https://doi.org/10.1145/1290082.1290111
ZHONG, Yong; ZHAO, Ming. Research on deep learning in apple leaf disease recognition. Computers and Electronics in Agriculture, v. 168, art. 105146, 2020. Disponível em: https://doi.org/10.1016/j.compag.2019.105146 Acesso em: 3 fev. 2026 DOI: https://doi.org/10.1016/j.compag.2019.105146 DOI: https://doi.org/10.1016/j.compag.2019.105146
Licencia
Derechos de autor 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.