DETECÇÃO DE FERRUGEM EM FOLHAS DE CAFÉ UTILIZANDO VISÃO COMPUTACIONAL
Ferrugem-do-cafeeiro, aprendizado de máquina, redes convolucionais
As doenças foliares representam um dos principais desafios fitossanitários na cafeicultura, destacando-se a ferrugem-do-cafeeiro, a cercosporiose e o bicho-mineiro, que ocasionam queda precoce das folhas, redução da área fotossintética e consequente diminuição da produtividade. Os métodos convencionais de diagnóstico, baseados em inspeção visual, apresentam limitações relacionadas à subjetividade, ao tempo de execução e à dependência de especialistas, o que compromete a eficiência no monitoramento das lavouras. Diante desse cenário, este trabalho propõe o desenvolvimento e a avaliação de modelos de classificação automática de doenças foliares do cafeeiro por meio de técnicas de visão computacional e aprendizado de máquina. São investigadas arquiteturas de redes neurais convolucionais consolidadas na literatura, como ResNet, DenseNet e EfficientNet, com o objetivo de identificar a que apresenta melhor desempenho na diferenciação entre folhas sadias e aquelas afetadas por ferrugem, cercosporiose ou bicho-mineiro. Adicionalmente, aplica-se a Análise de Componentes Principais (PCA) para redução de dimensionalidade e otimização do processamento das imagens, possibilitando a utilização de classificadores tradicionais, como SVM, Random Forest e MiniRocket. A avaliação dos modelos é conduzida por meio de métricas de desempenho, como accuracy, precision, recall e F1-score, e complementada pela análise do impacto de carbono associado ao treinamento e à inferência dos modelos, visando promover abordagens de inteligência artificial sustentáveis na agricultura digital