Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/52379
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2024_LuciellenDaCostaFerreira_TESE.pdf1,43 MBAdobe PDFVisualizar/Abrir
Título: Imagens hiperespectrais e aprendizado de máquina na detecção precoce do estresse causado por Xanthomonas euvesicatoria pv. perforans em sementes e cotilédones de tomateiro
Outros títulos: Hyperspectral imaging and machine learning for early detection of stress caused by Xanthomonas euvesicatoria pv. perforans in tomato seeds and cotyledons
Autor(es): Ferreira, Luciellen da Costa
Orientador(es): Rossato, Maurício
Coorientador(es): Quezado-Duval, Alice Maria
Assunto: Imagens hiperespectrais
Aprendizado de máquina
Tomateiro
Xanthomonas campestris pv. vesicatoria
Inteligência artificial
Data de publicação: 6-Ago-2025
Referência: FERREIRA, Luciellen da Costa. Imagens hiperespectrais e aprendizado de máquina na detecção precoce do estresse causado por Xanthomonas euvesicatoria pv. perforans em sementes e cotilédones de tomateiro. 2024. 115 f., il. Tese (Doutorado em Fitopatologia) — Universidade de Brasília, Brasília, 2024.
Resumo: O tomate (Solanum lycopersicum L.) está entre as culturas de maior importância econômica mundial, sendo a segunda hortaliça mais produzida. A mancha bacteriana do tomateiro é uma doença limitante para a produção, possui como agente causal três espécies pertencentes ao gênero Xanthomonas. Em vista da importância econômica e social da cultura do tomate, dos danos e perdas ocasionados pela mancha bacteriana em campos de cultivo a nível mundial e o papel de sementes e mudas como fonte primária de inóculo, este estudo tem por objetivo desenvolver um método de diagnose precoce da mancha bacteriana em cotilédones e sementes de tomate. O estudo visa a aplicação de um sistema de imagem hiperespectral na faixa do visível e infravermelho próximo (VNIR) em conjunto com a análise de dados espectrais por aprendizado de máquina na detecção de alterações causadas pelo estresse devido a infecção por Xanthomonas euvesicatoria pv. perfroans em tomateiro, bem como a aplicação da análise de reflectância espectral para evidenciar faixas do espectro que apresentem variações significativas em função da presença bacteriana na planta. Foi aplicada a técnica de aquisição de imagens hiperespectrais de sementes de tomateiro livres do patógeno e infectadas por diferentes métodos de inoculação com uma cepa bacteriana de X. euvesicatoria pv. perforans (Xep), juntamente com a análise de dados usando algoritmos de aprendizado de máquina. Obteve-se um alto desempenho com o modelo SVM (Support Vector Machine), com uma acurácia >95% na classificação dos dados de sementes inoculadas por diferentes técnicas em comparação com as não-inoculadas. A abordagem de imagem hiperespectral e aprendizado de máquina também foi empregada na análise de cotilédones de tomateiro infectados por Xep em diferentes estágios da doença (assintomático, inicial e tardio). A implementação dessas técnicas resultou na obtenção de um alto desempenho do modelo SVM apresentando acurácia superior a 80% antes mesmo do surgimento dos sintomas, evidenciando excelente capacidade de classificar e distinguir dados de cotilédones de tomateiro sadios e infectados. A análise de reflectância espectral tanto com sementes quanto de cotilédones, gerou uma visão ampla das diferenças espectrais marcantes ao longo dos comprimentos de onda do VNIR, causadas em decorrência da infecção bacteriana. Os resultados deste estudo mostram que o uso de técnicas não destrutivas de imagens hiperespectrais e inteligência artificial para a diagnose da mancha bacteriana do tomateiro são promissoras, e que podem contribuir para evitar introduções do patógeno em novas áreas, evitar surtos da doença, além de permitir um manejo precoce, diminuindo riscos de perdas na produção de mudas e em lavouras.
Abstract: The tomato (Solanum lycopersicum L.) is among the most economically important crops worldwide, being the second most produced vegetable. Bacterial spot of tomato is a limiting disease for production, caused by three species belonging to the genus Xanthomonas. Given the economic and social importance of tomato cultivation, the damage and losses caused by bacterial spot in cultivation fields worldwide, and the role of seeds and seedlings as the primary source of inoculum, this study aims to develop a method for early diagnosis of bacterial spot in tomato cotyledons and seeds. The study focuses on the application of a hyperspectral imaging system in the visible and near-infrared range (VNIR) combined with spectral data analysis using machine learning to detect changes caused by stress due to Xanthomonas euvesicatoria pv. perforans infection in tomato plants. Additionally, spectral reflectance analysis was applied to identify spectral ranges that exhibit significant variations associated with bacterial presence in the plant. Hyperspectral images of pathogen-free tomato seeds and seeds infected through different inoculation methods with a bacterial strain of X. euvesicatoria pv. perforans (Xep) were acquired and analyzed using machine learning algorithms. High performance was achieved with the Support Vector Machine (SVM) model, showing an accuracy of >95% in classifying data from seeds inoculated through different techniques compared to non-inoculated seeds. The hyperspectral imaging and machine learning approach was also employed to analyze tomato cotyledons infected with Xep at different stages of the disease (asymptomatic, initial, and late stages). The implementation of these techniques resulted in high performance of the SVM model, with accuracy exceeding 80% even before symptom onset, demonstrating excellent capability to classify and distinguish healthy and infected tomato cotyledon data. Spectral reflectance analysis of both seeds and cotyledons provided a comprehensive view of the significant spectral differences across VNIR wavelengths caused by bacterial infection. The results of this study demonstrate that the use of non-destructive hyperspectral imaging and artificial intelligence techniques for diagnosing tomato bacterial spot is promising. These techniques can help prevent the introduction of the pathogen into new areas, avoid disease outbreaks, and enable early management, thereby reducing the risk of losses in seedling production and in the field.
Unidade Acadêmica: Instituto de Ciências Biológicas (IB)
Departamento de Fitopatologia (IB FIT)
Informações adicionais: Tese (doutorado) — Universidade de Brasília, Instituto de Ciências Biológicas, Departamento de Fitopatologia, 2024.
Programa de pós-graduação: Programa de Pós-Graduação em Fitopatologia
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Agência financiadora: Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e Fundação de Apoio à Pesquisa do Distrito Federal (FAPDF).
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.