APLICAÇÃO DE REDES NEURAIS CONVOLUCIONAIS PARA DETECÇÃO DE DOENÇAS EM FOLHAS DE MACIEIRAS

Resumen

O cultivo de maçãs tem grande importância econômica no setor agropecuário brasileiro, especialmente na região Sul do país. No entanto, a produtividade dos pomares é frequentemente comprometida por doenças foliares que, se não tratadas, podem resultar em perdas substanciais. Nesse contexto, os avanços em técnicas de Aprendizado de Máquina têm possibilitado o desenvolvimento de soluções computacionais que auxiliam no diagnóstico agropecuário com maior precisão e agilidade. Este trabalho propõe uma abordagem baseada em Redes Neurais Convolucionais que utiliza aprendizado por transferência para detectar automaticamente sintomas de doenças em folhas de macieira. A metodologia desenvolvida inclui a segmentação e análise de regiões sintomáticas para reduzir o ruído proveniente de áreas saudáveis ​​e direcionar o aprendizado do modelo para sinais relevantes. Um total de 32.382 manchas de sintomas foram extraídas de 1.995 imagens originais, abrangendo cinco classes de distúrbios foliares: glomerela, sarna, danos por herbicidas, deficiência de magnésio e deficiência de potássio. A rede MobileNetV2, treinada por meio de aprendizado por transferência, alcançou um F1-score de 0,926 e 93,8% de acurácia no conjunto de teste reservado. Os resultados indicam um bom desempenho no contexto avaliado, sugerindo o potencial da abordagem como ferramenta de apoio ao diagnóstico da saúde das plantas e à tomada de decisões em campo.

Palavras-chave: aprendizado de máquina; visão computacional; doenças em plantas.

Application of convolutional neural networks for disease detection in apple tree leaves

ABSTRACT: Apple cultivation holds significant economic importance in the Brazilian agricultural sector, especially in the southern region of the country. However, orchard productivity is often compromised by foliar diseases, which, if left untreated, can lead to substantial losses. In this context, advances in Machine Learning techniques have enabled the development of computational solutions that support agricultural diagnostics with greater accuracy and agility. This work proposes an approach based on Convolutional Neural Networks that uses transfer learning to automatically detect disease symptoms in apple leaves. The developed methodology includes segmentation and analysis of symptomatic regions to reduce noise from healthy areas and focus the model’s learning on relevant signals. A total of 32,382 symptom patches were extracted from 1,995 original images, covering five foliar disorder classes: glomerella, scab, herbicide damage, magnesium deficiency, and potassium deficiency. The MobileNetV2, trained via transfer learning, achieved a F1-score of 0.926 and 93.8% accuracy on the held-out test set. The results indicate good performance in the evaluated setting, suggesting the approach’s potential as a tool to support plant-health diagnosis and field decision-making.

Keywords: machine learning; computer vision; plant disease.