Análise Comparativa de Arquiteturas de Deep Learning para Detecção e Quantificação da Severidade da Ferrugem Cafeeira

Descrição

A ferrugem cafeeira, causada pelo fungo Hemileia vastatrix, representa um dos maiores gargalos fitossanitários para a cafeicultura mundial, impactando diretamente a produtividade e a estabilidade econômica do setor. Métodos tradicionais de monitoramento baseados em inspeção visual humana são frequentemente subjetivos, lentos e passíveis de erro. Diante disso, este projeto propõe o desenvolvimento e a avaliação de modelos baseados em aprendizado profundo (Deep Learning) para a identificação e estimativa da severidade da doença. Utilizando uma base de dados proveniente do laboratório BioCafé (UFV), o trabalho explorará três paradigmas distintos de visão computacional: classificação (ResNet e EfficientNet), detecção (YOLO) e segmentação semântica (U-Net). A metodologia enfatiza o uso de técnicas avançadas de pré-processamento, como ajustes de brilho, saturação e balanceamento de dados, visando aumentar a robustez dos modelos frente a variações ambientais. Espera-se, ao final do estudo, determinar a arquitetura mais eficiente para a fenotipagem digital da ferrugem, fornecendo uma ferramenta precisa para a quantificação da área lesionada e auxiliando na tomada de decisão estratégica para o manejo sustentável das lavouras.

Palavras-chave

• Café
• Hemileia vastatrix
• Visão Computacional
• Deep Learning
• Agricultura de Precisão.

Grupo de pesquisa

NIAS