RECONHECIMENTO DE DOENÇAS EM FOLHAS DE MACIEIRA UTILIZANDO BAG OF FEATURES E SVM COM VARIAÇÃO DO VOCABULÁRIO VISUAL

Autores

DOI:

https://doi.org/10.47820/recima21.v7i2.7212

Palavras-chave:

Visão Computacional, Bag of Feature, SVM, Doenças em Plantas

Resumo

O reconhecimento automático de doenças em plantas tem se consolidado como uma ferramenta fundamental para a agricultura de precisão, especialmente em culturas de elevado valor comercial, como a macieira (Malus domestica). Neste trabalho, é proposta uma abordagem de classificação baseada no modelo Bag of Features (BoF) aliado a Máquinas de Vetores de Suporte (SVM), aplicada ao dataset Apple Tree Leaf, que contém quatro classes patológicas: Alternaria leaf spot, Brown spot, Gray spot e Rust. O estudo diferencia-se pela investigação sistemática do impacto do tamanho do vocabulário visual na etapa de quantização das características, avaliando cinco configurações de BoF (100, 300, 700, 1000 e 3000 palavras). Os experimentos conduzidos no MATLAB R2023b revelam que vocabulários intermediários, em especial entre 700 e 1000 termos, proporcionam o melhor compromisso entre discriminação e capacidade de generalização, resultando em elevadas taxas de acurácia para a maioria das classes. Apesar disso, a classe Gray spot demonstrou maior dificuldade de reconhecimento, reforçando a necessidade de estratégias complementares para sua distinção. Os achados confirmam a eficiência de métodos clássicos de visão computacional em bases de tamanho moderado e oferecem subsídios relevantes para o desenvolvimento de sistemas de diagnóstico foliar aplicados ao contexto agrícola.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

  • Leandro Aureliano da Silva, UNIUBE/Engenharia

    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.

  • Eduardo Silva Vasconcelos, Instituto Federal Goiano

    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.

  • Adriano Dawison de Lima, UNIUBE/Engenharia

    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.

  • Edilberto Pereira Teixeira, UNIUBE/Engenharia

    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.

Referências

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: 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: 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. DOI: 10.1023/A:1009715923555. Disponível em: https://doi.org/10.1023/A:1009715923555. Acesso em: 3 fev. 2026. 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. DOI: 10.1007/BF00994018. Disponível em: https://doi.org/10.1007/BF00994018. Acesso em: 3 fev. 2026 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: 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. DOI: 10.1109/TPAMI.2013.113. Disponível em: https://doi.org/10.1109/TPAMI.2013.113. Acesso em: 2 fev. 2026. 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: 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: 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). DOI: 10.1007/11744085_38. Disponível em: https://doi.org/10.1007/11744085_38. Acesso em: 3 fev. 2026. 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. DOI: 10.5220/0006196204790486. Disponível em: https://www.scitepress.org/papers/2017/61962/61962.pdf. Acesso em: 1 fev. 2026. 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: 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. DOI: 10.1145/1290082.1290111. Disponível em: https://doi.org/10.1145/1290082.1290111. Acesso em: 3 fev. 2026. 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. DOI: 10.1016/j.compag.2019.105146. 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

Downloads

Publicado

11/02/2026

Edição

v. 7 n. 2 (2026): BEM-VINDOS AO VOLUME VII, EDIÇÃO II DO ANO DE 2026.

Seção

ARTIGOS

Categorias

Licença

Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

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. 

Como Citar

Aureliano da Silva, L., Silva Vasconcelos, E., Dawison de Lima, A., & Pereira Teixeira, E. (2026). RECONHECIMENTO DE DOENÇAS EM FOLHAS DE MACIEIRA UTILIZANDO BAG OF FEATURES E SVM COM VARIAÇÃO DO VOCABULÁRIO VISUAL. RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218, 7(2), e727212. https://doi.org/10.47820/recima21.v7i2.7212