Author(s): RUFINO, V. G.; CHIARELLI, M.; PAULA, O. R. de; DANTAS, L. P.; BARRETO, B. B.; MILORI, D. M. B. P.

Summary: Aimagem de fluorescência é uma técnica fotônica que permite identificar a assinatura espectral de uma planta. A técnica está embasada no reconhecimento de padrões das imagens de fluorescência, que são coletadas por uma câmera composta com sensores RGB. Quando a planta está submetida ao estresse, biótico ou abiótico, sua eficiência fotossintética é comprometida, resultando em mudanças mensuráveis na intensidade e no padrão da fluorescência emitida pelas folhas, sendo este um indicador sensível à sanidade da planta. O processamento e análise digital de imagens permite identificar padrões e extrair características das amostras analisadas. Assim, o objetivo deste trabalho foi desenvolver um processamento de imagens para extrair parâmetros que permitem diferenciar amostras foliares e identificar o estresse causado pelo patógeno. Para a obtenção das imagens de fluorescência, um setup foi constituído por um LED de alta intensidade e com comprimento de onda de excitação em 405 nm e uma câmera fotográfica RGB para registro das imagens. As folhas foram adquiridas de um experimento de algodão em casa de vegetação do LANAPRE, em ambiente controlado, no qual foram obtidas plantas sadias e inoculadas com nematoide aphelenchoides besseyi. Foram realizadas 9 medições no decorrer de 30 dias após a inoculação do patógeno com 12 amostras sadias e 12 inoculadas em cada medição. As imagens foram processadas em python para afim de extrair parâmetros de interesse e montar um “data frame” com as características de todas as amostras. Para a extração destes, foram utilizados os perfis de cores RGB (“Red”, “Green”, “Blue”), HSV (“Hue”, “Saturation”, “Value”). Dentre os parâmetros analisados para cada componente do perfil de cores estão: “mean”, “standard deviation”, “skew”, “kurt, entropy”,“contrast”, “correlation”, “angular second moment” (asm), “dissimilarity”, “homogeneity”, “maximum”, “p value”, e “centroid”, totalizando 78 parâmetros para cada amostra. Foi utilizado algoritmos de “machine learning” com modelo de classificação, com 70% das amostras para treinamento e 30% para o conjunto de validação. Os parâmetros que mais se diferenciaram entre as amostras, foram: “skew”, “dissimilarity”, “contrast”, “max red”, “max green”. Os resultados mostraram que a imagem de fluorescência e o processamento de imagens proposto mostraram-se eficientes para separar as amostras sadias das sob o ataque do nematoide, apresentando 83% de assertividade a partir da primeira semana após a inoculação, ainda quando a planta estava em período assintomático. Contudo, o processamento de imagens proposto para caracterizar as amostras mostrou-se promissor para separar as amostras sadias das que sofriam ataque de nematoide

Publication year: 2024

Types of publication: Abstract in annals or event proceedings

Unit: Embrapa Instrumentation

Keywords: Estresse biótico, Imagem de fluorescência, Machine learning