Um grupo de pesquisadores do Laboratório de Pesquisas Aplicadas em Visão e Inteligência Computacional (Pavic-Lab), da Universidade Federal do Acre (Ufac), desenvolveu um sistema de inteligência artificial capaz de identificar e classificar automaticamente doenças em folhas de café da espécie arábica. A pesquisa, que envolveu o uso de modelos de aprendizado profundo, resultou em um aplicativo Android em fase de protótipo, com potencial de aplicação em lavouras brasileiras.
Plantação de café/ Foto: Jardy Lopes
A ideia surgiu a partir de uma pesquisa abandonada por um colega de mestrado, segundo o pesquisador Clécio Elias Silva e Silva, que participou do desenvolvimento do projeto. “Achamos interessante, até porque já estávamos trabalhando com classificação. Tínhamos desenvolvido recentemente a PavicNet-MC, voltada para ultrassonografias pulmonares. A partir dela, adaptamos o modelo para lidar com imagens coloridas, o que levou à criação da SmallPavicNet-MC”, explicou.
O sistema é dividido em duas etapas: a primeira utiliza o modelo YOLOv8, responsável por detectar as regiões afetadas nas folhas. Em seguida, os recortes dessas regiões são enviados ao classificador SmallPavicNet-MC, que identifica qual doença está presente. Esse método, segundo Clécio, permite alta precisão e velocidade. “A YOLOv8 é rápida e precisa porque só localiza as doenças. A SmallPavicNet-MC se beneficia ao receber apenas a área de interesse. Isso aumenta muito a precisão da classificação”, detalhou.
Durante os testes, o sistema foi capaz de identificar quatro doenças comuns no café arábica: ferrugem-do-cafeeiro (Hemileia vastatrix), bicho mineiro (Leucoptera coffeella), phoma (Phoma costarricensis) e cercosporiose (Cercospora coffeicola). “Cada doença tem características próprias, mas muitas são parecidas entre si. O modelo teve que aprender detalhes como formato, cor e posição das manchas para diferenciá-las corretamente”, explicou Clécio.
O principal desafio enfrentado foi adaptar a arquitetura PavicNet-MC, originalmente treinada com imagens em preto e branco, para trabalhar com imagens coloridas em RGB. Além disso, a equipe precisava garantir que o modelo fosse leve o suficiente para rodar em dispositivos móveis, como celulares ou drones. “A plantação de café é grande. O agricultor não pode ficar olhando folha por folha. O modelo tem que ser rápido e leve”, destacou.
Clécio Elias Silva e Silva é um dos principais pesquisadores/Foto: Reprodução
Para evitar que o modelo decorasse padrões específicos e perdesse capacidade de generalização, foram utilizadas camadas de dropout, que desativam partes da rede neural durante o treinamento. “Isso força a rede a se esforçar mais para aprender e ajuda o modelo a ser mais eficiente em situações reais, fora do laboratório”, afirmou.
O banco de imagens utilizado no treinamento é o BRACOL (Brazilian Arabica Coffee Leaves), composto por 1.747 imagens obtidas em lavouras no Espírito Santo. Após pré-processamento, o conjunto foi ampliado para mais de 4 mil imagens contendo somente as doenças. Dois fitopatologistas da Ufac, Lucas Graciolli Savian e Paulo André Trazzi, auxiliaram na validação das marcações.
O projeto segue em desenvolvimento e ainda não foi testado em lavouras do Acre. No entanto, um protótipo funcional do aplicativo já foi criado por Lucas Hidelbrando, também do Pavic, durante seu estágio supervisionado no curso de Sistemas de Informação. A equipe pretende patentear a tecnologia.
O app usa os formatos diferentes de deterioração das folhas para definir as doenças/Foto: Cedida
Além da publicação do artigo original na revista “IEEE Xplore”, os pesquisadores também divulgaram um estudo específico sobre o uso de diferentes versões do modelo YOLO para detecção de pragas e doenças:
Coffee-Leaf Diseases and Pests Detection Based on YOLO Models – MDPI
O objetivo do projeto, segundo Clécio, é oferecer uma solução acessível para pequenos e médios produtores, que muitas vezes não têm acesso a especialistas. “Com apenas a câmera do celular, eles podem identificar precocemente os problemas e iniciar o tratamento, evitando perdas e aumentando a produtividade.”
Apesar de o foco atual ser o café, o modelo pode ser adaptado para outras culturas. “O sistema se ajusta a qualquer nova cultura, basta treinar com outro banco de imagens rotuladas. Mas, por enquanto, não há interesse em expandir”, concluiu o pesquisador.
