Scribd
Carregar
2 visualizações2 páginas

Detecção de Doenças em Plantas com CNNs

Este trabalho desenvolve um modelo de redes neurais convolucionais para detectar doenças em folhas de plantas usando imagens RGB em ambientes não-controlados. O modelo visa melhorar a agricultura de precisão, apresentando uma acurácia esperada superior a 92% e robustez frente a variações de luz. A proposta permite a aplicação prática em campo, promovendo práticas agrícolas mais sustentáveis.

Enviado por

Synergy Global
Direitos autorais
© All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato DOCX, PDF, TXT ou leia on-line no Scribd
2 visualizações2 páginas

Detecção de Doenças em Plantas com CNNs

Este trabalho desenvolve um modelo de redes neurais convolucionais para detectar doenças em folhas de plantas usando imagens RGB em ambientes não-controlados. O modelo visa melhorar a agricultura de precisão, apresentando uma acurácia esperada superior a 92% e robustez frente a variações de luz. A proposta permite a aplicação prática em campo, promovendo práticas agrícolas mais sustentáveis.

Enviado por

Synergy Global
Direitos autorais
© All Rights Reserved
Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.
Formatos disponíveis
Baixe no formato DOCX, PDF, TXT ou leia on-line no Scribd

Título: Aplicação de Redes Neurais Convolucionais para Detecção de Doenças em Folhas de

Plantas a Partir de Imagens RGB em Ambientes Não-Controlados

Resumo:

Este trabalho apresenta o desenvolvimento de um modelo baseado em redes neurais


convolucionais (CNN) para identificar doenças foliares em plantas a partir de imagens RGB
obtidas em campo, sem controle de iluminação ou fundo. A proposta visa aplicação prática em
agricultura de precisão.

Introdução:

A detecção precoce de doenças em plantas é crítica para garantir produtividade e reduzir o uso
indiscriminado de defensivos agrícolas. A visão computacional, aliada à IA, permite análises
rápidas e não destrutivas. No entanto, a variabilidade de imagens em campo impõe desafios
ao reconhecimento automático.

Metodologia:

Coleta de banco de dados: 5.000 imagens RGB de folhas de tomateiro, soja e milho, com
doenças e saudáveis;

Pré-processamento: normalização, aumento de dados (data augmentation), remoção de ruído;

Arquitetura CNN baseada no MobileNetV2;

Treinamento com 80% dos dados e validação com 20%;

Avaliação por acurácia, precisão, recall e F1-score.

Resultados Esperados:

Acurácia superior a 92% na detecção de doenças como pinta preta, ferrugem e mosaico;

Robustez do modelo frente a variações de luz e fundo;

Possibilidade de implantação em dispositivos móveis com bom desempenho.


Conclusão:

O modelo proposto mostra viabilidade para uso direto em campo, contribuindo para práticas
agrícolas mais sustentáveis, com redução de perdas por doenças e otimização do uso de
insumos.

Referências Simuladas:

Zhang, Y., et al. (2021). Deep Learning-Based Plant Disease Detection: A Survey and a New
Dataset. Computers and Electronics in Agriculture, 180, 105862.

Pereira, V. C., & Almeida, J. S. (2023). Aplicações de CNNs na Agricultura de Precisão. Revista
Brasileira de Computação Aplicada, 15(1), 34–50.

Você também pode gostar