Fonte: Agrolink
Segundo os autores, o estudo busca reduzir a dependência da inspeção humana.
Pesquisadores do laboratório Pavic-Lab (Pesquisas Aplicadas em Visão e Inteligência Computacional), da Universidade Federal do Acre (Ufac), publicaram um artigo na revista internacional IEEE Xplore (vol. 13), destacando uma abordagem inovadora e de baixo custo computacional para identificação e classificação automática de doenças e pragas em folhas de café.
Segundo os autores, o estudo busca reduzir a dependência da inspeção humana no campo, utilizando modelos de aprendizado profundo. No primeiro estágio da proposta, o modelo YOLOv8 é responsável pela localização das regiões afetadas nas folhas. Já na segunda etapa, os pesquisadores aplicaram e compararam modelos consagrados como InceptionResNetv2, DenseNet169, Resnet50 e ShuffleNet para classificar as áreas identificadas. Como inovação, propuseram ainda uma nova arquitetura chamada SmallPavicNet-MC, com foco em alta eficiência e menor custo computacional.
O artigo foi assinado por Clécio Elias Silva E. Silva, Jonatan Borges Fragoso, Thuanne Paixão e Ana Beatriz Alvarez, todos do Pavic-Lab, e por Facundo Palomino-Quispe, pesquisador do Liecar (Laboratório Institucional de Pesquisa, Empreendedorismo e Inovação em Sistemas de Controle Automático, Automação e Robótica), da Universidade Nacional de San Antonio Abad de Cusco (Unsaac), no Peru. A publicação reforça a importância de soluções tecnológicas acessíveis para o setor agrícola, especialmente em culturas estratégicas como o café.
“O cultivo de café é de extrema importância econômica em muitas regiões do mundo, mas sua produtividade é prejudicada pelas diversas doenças e pragas que afetam as folhas das plantas, comprometendo tanto a qualidade quanto o rendimento da colheita. Nesse contexto, o aprendizado profundo se apresenta como uma solução promissora para a identificação automática de doenças nas plantas, reduzindo a dependência da inspeção humana e aumentando a eficiência no manejo das lavouras”, diz o estudo.
