System for Identifying Pests and Diseases in Soybean Crop through Natural Language Processing

Carolinne Roque e Faria; Cinthyan S. C. Barbosa

doi:10.22456/2175-2745.107149

Authors

Carolinne Roque e Faria Universidade Estadual de Londrina https://orcid.org/0000-0003-3540-7778
Cinthyan S. C. Barbosa State University of Londrina, Computings Science Department https://orcid.org/0000-0001-6248-6630

DOI:

https://doi.org/10.22456/2175-2745.107149

Keywords:

Digital Agriculture, Intelligent systems, Natural Language Processing

Abstract

The presence of technologies in the agronomic field has the purpose of proposing the best solutions to the challenges found in agriculture, especially to the problems that affect cultivars. One of the obstacles found is to apply the use of your own language in applications that interact with the user in Brazilian Agribusiness. Therefore, this work uses Natural Language Processing techniques for the development of an automatic and effective computer system to interact with the user and assist in the identification of pests and diseases in soybean crop, stored in a non-relational database repository to provide accurate diagnostics to simplify the work of the farmer and the agricultural stakeholders who deal with a lot of information. In order to build dialogues and provide rich consultations, from agriculture manuals, a data structure with 108 pests and diseases with their information on the soybean cultivar and through the spaCy tool, it was possible to pre-process the texts, recognize the entities and support the requirements for the development of the conversacional system.

Downloads

Download data is not yet available.

References

CHOWDHURY, G. G. Natural language processing.Annual Review of Information Science and Technology, Wiley, v. 37,n. 1, p. 51–89, 2005.

PEREIRA, P. H. S. et al.Análise de descritores de imagens na classificação de folhas de soja visando o diagnóstico dedoenças.X Simpósio Nacional de Tecnologia em Agronegócio, Presidente Prudente, v. 10, p. 89–100, 2018.

JURAFSKY, D.; MARTIN, J. H.Speech & language processing: An Introduction to Natural Language Processing,Computational Linguistics, and Speech Recognition. Prentice Hall PTR, Upper Saddle River, New Jersey, 2000.

LACERDA, V. S.Estimativa do Índice de Severidade de Ferrugem Asiática na Cultura da Soja por meio de ImagensObtidas com Aeronave Remotamente Pilotada. Dissertação (Mestrado) — Programa de Pós-Graduação em Ciência Aplicada da Universidade Estadual de Ponta Grossa, 2017.

ROSA, R. P.Método de classificação de pragas por meio de rede neural convolucional profunda. Dissertação (Mestrado)— Programa de Pós-Graduação em Ciência Aplicada da Universidade Estadual de Ponta Grossa, 2018.

FERREIRA, A. S.Redes Neurais Convolucionais Profundas na Detecção de Plantas Daninhas em Lavoura de Soja.Dissertação (Mestrado) — Universidade Federal do Mato Grosso do Sul, 2017.

NAME, M. H.Método Computacional para Avaliação do Crescimento Radicular da Cultura da Soja. Dissertação(Mestrado) — Programa de Pós-Graduação em Ciência Aplicada da Universidade Estadual de Ponta Grossa, 2013.

ROCHA, I. A. A.; SARTIN, M. A. Pré processamento e segmentação de imagens de folhas de soja com base na visãocomputacional.Workshop de Tecnologias Emergentes em Computação 2.0, v. 16, 2018.

PETHYBRIDGE, S. J.; NELSON, S. C. Leaf doctor: A new portable application for quantifying plant disease severity.Plant disease, Am Phytopath Society, v. 99, n. 10, p. 1310–1316, 2015.

FRANCO, J. R.Método computacional para identificação do fungo cercospora kikuchii em sementes de soja. Dissertação(Mestrado) — Programa de Pós-Graduação em Ciência Aplicada da Universidade Estadual de Ponta Grossa, 2017.

BENTO, D. C. P. G. C.Deteção e identificação de doenças em plantas utilizando Deep Learning. Dissertação (Mestrado)— Programa de Pós-Graduação em Engenharia Informática do Instituto Superior de Engenharia de Porto, Portugal, 2019.

MOSTACO, G. M. et al. Agronomobot: a smart answering chatbot applied to agricultural sensor networks. In:14thinternational conference on precision agriculture. Canada: International Society of Precision Agriculture, 2018. v. 24, p. 1–13.

TEIXEIRA, D. S. et al. Manejosoja3d: Ambiente virtual para aprendizado de manejo da cultura da soja. In:XXVIIIBrazilian Symposium on Computers in Education. Recife: VI Congresso Brasileiro de Informática na Educação, 2017. v. 28,n. 1, p. 776–786.

JONQUET, C. et al. Agroportal: an ontology repository for agronomy, computers and electronics in agriculture.INPRESS, Elsevier, v. 144, p. 126–143, 2017.

KING, B.; WONG, K.The 2017 CGIAR Inspire Challenge:innovation strategies for digital agriculture. CGIAR Platformfor Big Data in Agriculture, 2017.

CARACCIOLO, C. et al. The agrovoc linked dataset.Semantic Web, IOS Press, v. 4, n. 3, p. 341–348, 2013.

SILVA, J. A.Ontologia na rastreabilidade de dados agrícolas. Dissertação (Mestrado) — Universidade Federal dePernambuco, 2018.

LIMA, C. E. T.Um Chatterbot para criação e desenvolvimento de ontologias com lógica de descrição. Dissertação(Mestrado) — Universidade Federal de Pernambuco, 2017.

BARBOSA, C. R. S. C.Técnicas de parsing para gramática livre de contexto lexicalizada da língua Portuguesa. Tese(Doutorado) — Instituto Tecnológico de Aeronáutica. São José dos Campos, 2004.

RODRIGUES, E. L. F.Geração de perguntas em linguagem natural a partir de bases de dados abertos e conectados: umestudo exploratório. Dissertação (Mestrado) — Universidade do Vale do Rio dos Sinos, 2017.

MIURA, N. K.Geração incremental de parsers dependentes de contexto para o português brasileiro.Tese (Doutorado) —Universidade de São Paulo, 2019.

COSTA, P. C. da.Aplicação de Ontologias e Processamento de Linguagem Natural à recuperação de informações paraRevisão Sistemática. 2019. Trabalho de Conclusão de Curso - Universidade Federal de Santa Catarina.

DALE, R. Classical approaches to natural language processing. In:Handbook of natural language processing. New York:CRC Press, Taylor & Francis Group, 2010. p. 3–7.

DOMINGUES, M. L. C. S.Abordagem para o desenvolvimento de um etiquetador de alta acurácia para o Português doBrasil.Tese (Doutorado) — Universidade Federal do Pará, 2011.

GODDARD, C.Semantic analysis: A practical introduction. New York: Oxford University Press, 2011.

MÜLLER, D. N.Processamento de linguagem natural. Porto Alegre, 2003. Disponível em: <https://www.inf.ufrgs.br/~danielnm/docs/pln.pdf>.

CHOMSKY, N.Reflexões sobre a Linguagem. São Paulo: Cultrix, 1975.

OLIVEIRA, F. A.Processamento de linguagem natural: princípios básicos e a implementação de um analisador sintáticode sentenças da língua portuguesa. VI Congresso Brasileiro de Informática na Educação, Porto Alegre, v. 31, n. 3, 2002.

MORAN, T. P. The command language grammar: A representation for the user interface of interactive computer systems.International journal of man-machine studies, Elsevier, v. 15, n. 1, p. 3–50, 1981.

ESTEVES, G. O.Avaliação de Interação Humano-Computador: um estudo de caso para Bioinformática. 2016. Trabalhode Conclusão de Curso - Universidade de Brasília.

JAIN, J.; LUND, A.; WIXON, D. The future of natural user interfaces. In:CHI’11 Conference on Human Factors inComputing Systems. New York: Association for Computing Machinery, 2011. p. 211–214.

BARBOSA, C. R. S. C.Gramática para consultas radiológicas em língua portuguesa. Dissertação (Mestrado) — Institutode Informática da Universidade Federal do Rio Grande do Sul, 1998.

SAVADOVSKY, P.A construção de interpretadores para linguagem natural. Curitiba: Imprensa Oficial/GovernmentParana, 1988.

GARCÍA, L. S.Linx: Um Ambiente Integrado de Interface para Sistemas de Informação Baseados em Conhecimento.Tese (Doutorado) — Departamento de Informática Pontifícia Universidade Católica do Rio de Janeiro, 1995.

SILVA, B. C. D. et al. Introdução ao processamento das línguas naturais e algumas aplicações.Série de Relatórios doNúcleo Interinstitucional de Lingüística Computacional, v. 3, 2007.

REITER, E.; DALE, R.Building natural language generation systems. Cambridge: Cambridge University Press, 2000.

CAGAN, T. Opinionated natural language generation.Herzliya: The Interdisciplinary Center, p. 96, 2016.

SAMPAIO, G. S.Desenvolvimento de uma interface computacional natural para pessoas com deficiência motora baseadaem visão computacional. Dissertação (Mestrado), 2018.

HONNIBAL, M.spaCy: Industrial-strength Natural Language Processing (NLP) with Python and Cython. 2015.Disponível em: <https://spacy.io/>.

NADEAU, D.Semi-supervised named entity recognition: learning to recognize 100 entity types with little supervision.Tese (Doutorado) — University of Ottawa, 2007.

SPECK, R.; NGOMO, A.-C. N. Ensemble learning for named entity recognition. In: SPRINGER.International semanticweb conference. Leipzig, 2014. p. 519–534.

FERNANDES, C. V.Modelagem de banco de dados não relacional em Plataforma Big Data visando dados de internetdas coisas. 2017. Trabalho de Conclusão de Curso da Universidade Federal de Mato Grosso.

RAJ, S.Neo4j high performance. Birmighan: Packt Publishing Ltd, 2015.

PANZARINO, O.Learning Cypher. Birmighan: Packt Publishing Ltd, 2014.

HOLZSCHUHER, F.; PEINL, R. Xiii performance of graph query languages: Comparison of cypher, gremlin and nativeaccess in neo4j. In:Proceedings of the Joint EDBT/ICDT 2013 Workshops. Genua: Workshop GraphQ, 2013. p. 195–204.

SANTOS, O. S.A Cultura da Soja 1: Rio Grande do Sul-Santa Catarina-Paraná. 2. ed. São Paulo: Globo, 1995.

MOREIRA, H. J. C.; ARAGÃO, F. D.Manual de Pragas da Soja. Campinas: FMC Agricultural Products, 2009. 144 p.

SOSA-GÓMEZ, D. R. et al. Manual de identificação de insetos e outros invertebrados da cultura da soja.EmbrapaSoja-Documentos (INFOTECA-E), Londrina: Embrapa Soja, 2014.

AVILA, C. J.; GRIGOLLI, J. F. J. Pragas de soja e seu controle.Embrapa Agropecuária Oeste-Capítulo em livro científico(ALICE), Tecnologia e produção: Soja 2013/2014., 2014.

MICHALSKI, R. S. Learning by being told and learning from examples: an experimental comparison of the two methodsof knowledge acquisition in the context of development an expert system for soybean disease diagnosis.International Journalof Policy Analysis and Information Systems, v. 4, n. 2, p. 125–161, 1980.

BREIMAN, L. Random forests.Machine learning, Springer, Boston, v. 45, n. 1, p. 5–32, 2001.

SCHÖLKOPF, B. et al.Learning with kernels: support vector machines, regularization, optimization, and beyond.Canadá: MIT press, 2002.

WEINBERGER, K. Q.; BLITZER, J.; SAUL, L. K. Distance metric learning for large margin nearest neighborclassification. In:Advances in Neural Information Processing Systems. Cambridge: MIT press, 2006. p. 1473–1480.