Aplicação de visão computacional e deep learning na detecção precoce de doenças em melão

Abstract

A detecção precoce de doenças em plantas é essencial para a produtividade agrícola e a redução de perdas na plantação. Este estudo propõe a utilização de visão computacional e aprendizado profundo para identificar automaticamente doenças em folhas de melão. O modelo YOLO (You Only Look Once) é empregado devido à sua eficiência na detecção de objetos em tempo real. O conjunto de dados utilizado inclui imagens de folhas saudáveis e doentes, permitindo o treinamento de um modelo capaz de classificar e localizar regiões afetadas com alta precisão. O pré-processamento das imagens envolve técnicas como redimensionamento, filtragem e segmentação baseada no algoritmo K-means, garantindo uma melhor extração de características. Para aprimorar o desempenho da rede neural convolucional, são aplicadas estratégias de otimização, como poda de canais e fine-tuning, reduzindo a complexidade do modelo sem comprometer sua precisão. Além disso, a avaliação do modelo é realizada por meio de métricas como precisão, lembrança, mean Average Precision (mAP) e tempo de inferência, garantindo um equilíbrio entre eficiência e desempenho. A aplicação dessa tecnologia pode auxiliar agricultores na identificação rápida e precisa de doenças, permitindo intervenções mais eficazes e minimizando o uso excessivo de defensivos agrícolas. Conclui-se que a combinação de redes neurais convolucionais com técnicas de otimização representa um avanço significativo para a agricultura de precisão. Pesquisas futuras podem explorar a adaptação do modelo para diferentes culturas e condições ambientais, bem como sua integração com drones e sensores IoT para monitoramento contínuo das culturas.