{"id":348967,"date":"2026-04-19T12:39:14","date_gmt":"2026-04-19T12:39:14","guid":{"rendered":"https:\/\/www.europesays.com\/pt\/348967\/"},"modified":"2026-04-19T12:39:14","modified_gmt":"2026-04-19T12:39:14","slug":"inteligencia-artificial-avanca-na-leitura-de-doencas-foliares","status":"publish","type":"post","link":"https:\/\/www.europesays.com\/pt\/348967\/","title":{"rendered":"intelig\u00eancia artificial avan\u00e7a na leitura de doen\u00e7as foliares"},"content":{"rendered":"

\"SistemaSistema de intelig\u00eancia artificial identifica padr\u00f5es visuais em folhas, auxiliando na detec\u00e7\u00e3o precoce de doen\u00e7as agr\u00edcolas a partir de imagens digitais. \"Diego Diego Portalanza<\/a> 19\/04\/2026 06:03 6 min <\/p>\n

Quando uma lavoura come\u00e7a a perder vigor, a folha quase sempre d\u00e1 os primeiros sinais. Manchas, mudan\u00e7as de cor, deforma\u00e7\u00f5es e \u00e1reas secas costumam aparecer antes de o problema se transformar em queda de produtividade<\/strong>. Um estudo aceito para publica\u00e7\u00e3o na Scientific Reports, que apresenta um sistema de intelig\u00eancia artificial capaz de classificar doen\u00e7as foliares com alta precis\u00e3o e velocidade.<\/p>\n

A proposta chama aten\u00e7\u00e3o porque trata de um gargalo antigo do campo: reconhecer cedo o que est\u00e1 acontecendo na planta. <\/p>\n

No trabalho, os pesquisadores desenvolveram o modelo DeepGreen, baseado em uma arquitetura Conv-7 DCNN (Rede Neural Convolucional Profunda com 7 camadas convolucionais<\/strong>) com camada de aten\u00e7\u00e3o modificada, para identificar doen\u00e7as em folhas de tomate, batata e piment\u00e3o. O resultado reportado foi de 99,18% de acur\u00e1cia, com precis\u00e3o m\u00e9dia de 99,17%<\/strong>, n\u00fameros que colocam o sistema entre os mais fortes do conjunto comparado no artigo.<\/p>\n

Uma foto da folha pode virar alerta mais r\u00e1pido <\/p>\n

O estudo parte de uma ideia f\u00e1cil de entender: usar imagens das folhas para reconhecer padr\u00f5es que, a olho nu, podem ser confundidos ou percebidos tarde demais. <\/strong>Para treinar o sistema, os autores utilizaram o banco PlantVillage, dispon\u00edvel publicamente no Kaggle, com 20.638 imagens distribu\u00eddas em 15 categorias ligadas a folhas saud\u00e1veis e doentes de tomate, batata e piment\u00e3o. <\/strong>As imagens passaram por redimensionamento, normaliza\u00e7\u00e3o e aumento artificial de dados para refor\u00e7ar o treinamento do modelo. <\/p>\n

\"SintomasSintomas t\u00edpicos de doen\u00e7as foliares, como manchas e descolora\u00e7\u00e3o, podem ser reconhecidos automaticamente por modelos de deep learning treinados com milhares de imagens.<\/p>\n

Na pr\u00e1tica, isso significa transformar a c\u00e2mera em uma esp\u00e9cie de triagem inicial. O sistema n\u00e3o \u201ccura\u201d a planta e tampouco substitui o especialista, mas pode encurtar o intervalo entre o aparecimento do sintoma e a decis\u00e3o de manejo<\/strong>. Segundo o artigo, o modelo tamb\u00e9m teve desempenho compat\u00edvel com aplica\u00e7\u00f5es em tempo real, com 112,49 quadros por segundo, tempo de infer\u00eancia de 18,34 segundos para 2.064 amostras de teste e 8,89 milissegundos por imagem.<\/p>\n

Por que isso interessa al\u00e9m do laborat\u00f3rio?<\/p>\n

O ponto mais relevante da pesquisa n\u00e3o \u00e9 apenas a taxa alta de acerto, mas a utilidade pr\u00e1tica de ganhar tempo. Em culturas sens\u00edveis, dias de atraso entre o primeiro sintoma e a resposta no campo podem elevar perdas e encarecer o manejo<\/strong>. O estudo mostra que a proposta superou modelos conhecidos usados como compara\u00e7\u00e3o, como VGG-19, MobileNet, ResNet50V2, InceptionV3 e DenseNet121; neste conjunto, o DenseNet121 foi o melhor entre os pr\u00e9-treinados, com 93,12% de acur\u00e1cia, abaixo dos 99,18% do modelo proposto. <\/p>\n

Em uma rotina agr\u00edcola, uma ferramenta assim pode ajudar a:<\/p>\n