Detecção precoce de ferrugem do café utilizando aprendizado híbrido e profundo

Palavras chaves— Extração de características, CNN, Banco de imagens, Coffea arabica, H. vastatrix, Inteligência artificial.

A indústria agrícola brasileira desempenha um papel crucial na produção de alimentos de alta qualidade e contribui significativamente para economias emergentes e populações em crescimento, como os países do BRICS. O diagnóstico precoce é crucial para lidar com doenças vegetais, como a ferrugem do café, causada pelo fungo Hemileia vastatrix, que pode resultar em perdas significativas. Com o avanço recente do aprendizado profundo na classificação de imagens, este estudo emprega técnicas de aprendizado de máquina para identificar e classificar a ferrugem do café causada por H. vastatrix. Nosso foco foi no ajuste de três modelos de aprendizado de máquinas: redes neurais convolucionais, support vector machine (SVM), random forest (RF) e perceptron multicamadas (PMC), a partir do modelo VGG16 da literatura, para classificar as imagens das folhas de café arábica inoculadas com urediniósporos de H. vastatrix. Os experimentos foram conduzidos utilizando um conjunto conhe- cido de imagens das plantas Resistentes e Suscetíveis, totalizando 9426 imagens. A performance dos modelos foi avaliada através de várias métricas, incluindo acurácia da classificação, sensibilidade, especificidade e pontuação F1. Uma análise comparativa também foi realizada através do teste estatístico de McNemar. Os resulta- dos demonstraram que o modelo SVM se destacou em relação aos outros dois modelos. O modelo SVM alcançou uma acurácia de teste de 91,25% e uma pontuação F1-Score de 68%. Os resultados destacam o potencial de técnicas de aprendizado de máquina para a detecção precoce da doença da ferrugem do café e sua subsequente classificação, contribuindo para a sustentabilidade da indústria agrícola brasileira em um cenário mundial.