Comparação de Modelos de Aprendizado de Máquina para Classificação de Plantas quanto ao seu Mecanismo de Resistência à Presença de Alumínio no Solo

Abstract

A disponibilidade de alumínio solúvel em solos ácidos é um grande inibidor do crescimento das plantas, sendo um dos principais limitadores da produtividade agrícola nesses solos. Em contrapartida, na flora do Cerrado brasileiro são encontradas diversas espécies de plantas resistentes à presença desse metal no solo. Os mecanismos de resistência ao alumínio são divididos em duas categorias: a das plantas excludentes, que impedem a entrada do metal nas suas partes aéreas, e a das plantas acumuladoras, que incorporam o metal dentro de si. Esse projeto visa realizar uma comparação entre determinadas arquiteturas de aprendizado profundo de máquina para classificação de imagens microscópicas de folhas de plantas específicas, quanto à presença ou ausência de alumínio nas folhas das plantas. Para isso, foi utilizado um banco de imagens privado, desenvolvido pelo Laboratório de Nanobiotecnologia da Embrapa Recursos Genéticos e Biotecnologia,de aproximadamente 1040 imagens de folhas de plantas do Cerrado resistentes à presença de alumínio no solo, caracterizadas como acumuladoras ou excludentes.Para os treinos, foram utilizadas as arquiteturas Resnet-RS-152, Resnet-RS-101 e Resnet-RS-50, todas testadas com modelos com e sem o uso de parâmetros pré-treinados. Todas as partes de programação, treinamento e testes das arquiteturas foram realizadas no ambiente computacional Kaggle, utilizando o Pytorch como principal biblioteca de implementação desse processo. Foram realizadas duas classificações distintas no mesmo banco de imagens: a classificação binária das plantas das imagens em acumuladoras ou excludentes de alumínio e a classificação em famílias de plantas, com 12 famílias no total.A implementação das redes foi feita e validada utilizando a função de perda de entropia cruzada e por métricas de desempenho k-fold, com 10 folds. Nos resultados, puderam ser observadas as diferenças de acurácias obtidas entre os modelos com parâmetros pré-treinados e os modelos sem esse pré-treino para ambos conjuntos de classificações. Para a classificação binária, o modelo sem pré-treino ResNet-RS-152 obteve uma acurácia total de 89,13% e desvio padrão de±1,14%enquanto o modelo de ResNet-RS-152 pré-treinado alcançou 98,37% de acurácia, com desvio padrão de±0,62%.Na classificação das imagens em famílias de plantas, o modelo sem pré-treino que alcançou melhor resultado foi o da ResNet-RS-101, com 88,65% de acurácia e desvio padrão de±1,04%enquanto o modelo pré-treinado com melhores resultados foi o da ResNet-RS-50,com 98,17% de acurácia total e desvio padrão de±0,97%. Neste trabalho também foram avaliados os resultados das métricas de desempenho precisão, sensibilidade e f1-score para cada classe de ambos conjuntos, com o objetivo de analisar mais profundamente a qualidade de classificação dos modelos e identificar possíveis dificuldades ou irregularidades nas classificações. Ao final, são gerados gráficos juntamente com as tabelas de resultados para uma melhor visualização desses resultados e são avaliadas futuros incrementos e implementações para o projeto.Os resultados mostraram que, para a máquina, é possível classificar as imagens microscópicas de plantas em agrupamentos de acordo com suas características de resistência ao alumínio, como acumuladoras e excludentes. É mostrada também a possibilidade de classificação das imagens do banco de acordo com as famílias às quais as plantas pertencem, mesmo havendo mais de uma espécie por família no banco de dados. Como para este trabalho haviam apenas duas famílias com espécies acumuladoras e dez famílias com espécies excludentes, não se sabe se as características encontradas pela máquina são referentes à resistência ao alumínio ou se são características que as famílias das plantas do banco de dados possuem em comum. Com a expansão do banco de dados, acrescentando mais espécies de plantas de ambas classificações, será possível tirar mais conclusões quanto à esse fato. Mesmo assim, o trabalho apresentado pode auxiliar no desenvolvimento de uma grande diversidade de pesquisas onde a característica de acumulação ou exclusão de metal em plantas é relevante. Tais quais podem incluir desde a avaliação de plantas comestíveis que, por acumularem determinados metais podem causar problemas de saúde ao ser humano (BOJÓRQUEZ-QUINTAL et al., 2017; GUERRA et al., 2012)até pesquisas relacionadas à fitomineração, que é a extração de metais pesados do solo por determinados grupos de plantas acumuladoras, favorecendo também a remediação desses solos (fitorremediação) (AKINBILE; MAKHUBELA; AMBUSHE, 2021; ASHRAF et al.,2019; SHEORAN; SHEORAN; POONIA, 2009).