Avaliação da eficácia de detecção de doenças em culturas de soja utilizando visão computacional

Camila Ribeiro de  Moraes; Alessandro Rodrigues e Silva; Thiago Augusto Mendes; Augusto Souza Batista

doi:10.17765/2176-9168.2026v19.e14158

Autores

Camila Ribeiro de Moraes Instituto Federal de Goiás (IFG) - Câmpus Anápolis https://orcid.org/0009-0003-7960-0657
Alessandro Rodrigues e Silva Instituto Federal de Goiás (IFG) - Câmpus Anápolis https://orcid.org/0000-0003-1063-7657
Thiago Augusto Mendes Instituto Federal de Goiás (IFG) - Câmpus Goiânia https://orcid.org/0000-0001-6910-5722
Augusto Souza Batista Instituto Federal Goiano https://orcid.org/0009-0009-6589-7801

DOI:

https://doi.org/10.17765/2176-9168.2026v19.e14158

Palavras-chave:

Aprendizagem profunda, Veículos aéreos não tripulados, Glycine max

Resumo

A detecção precoce de doenças em culturas de soja é fundamental para reduzir perdas produtivas. No entanto, métodos tradicionais baseados em inspeções manuais são pouco eficientes. Este trabalho apresenta uma abordagem utilizando redes neurais profundas para classificar doenças em plantas de soja. Modelos pré-treinados (ResNet101, VGG19, DenseNet201 e MobileNetV3 Large) foram ajustados com imagens terrestres e aplicados a imagens aéreas obtidas por veículos aéreos não tripulados. A diferença entre os domínios afetou o desempenho, com o DenseNet201 alcançando os melhores resultados em imagens terrestres (acurácia de 0,9691 e macro-F1 de 0,9690). Ainda assim, o modelo identificou 90% das plantas doentes em imagens aéreas. Conclui-se que a abordagem é promissora, mas exige aprimoramentos no pré-processamento e na adaptação de domínio.

Biografia do Autor

Camila Ribeiro de Moraes, Instituto Federal de Goiás (IFG) - Câmpus Anápolis

Graduada em Ciência da Computação pelo Instituto Federal de Goiás – Campus Anápolis (2025), em Anápolis, Goiás, Brasil. Desenvolvi projetos de pesquisa voltados à aplicação de técnicas de visão computacional na agricultura, com ênfase na detecção de pragas em plantas por meio de dispositivos portáteis e na identificação de doenças em cultivos de soja utilizando imagens aéreas obtidas por drones.

Alessandro Rodrigues e Silva, Instituto Federal de Goiás (IFG) - Câmpus Anápolis

Alessandro Rodrigues e Silva concluiu o mestrado em Ciência da Computação pela Universidade Federal de São Carlos em 2003. Atualmente é professor no Instituto Federal de Goiás - Câmpus Anápolis, já atuou como coordenador de estratégias e tecnologias para educação a distância, coordenador de curso e coordenador de TI. Possui certificações em gerência de serviços e banco de dados Microsoft. Atua na área de Ciência da Computação com ênfase em processamento de imagens e vídeos utilizando técnicas de programação em tempo real. É doutorando pela UNB sob orientação da Dr(a) Mylene C. Queiroz na área de qualidade de vídeos 3D.

Thiago Augusto Mendes, Instituto Federal de Goiás (IFG) - Câmpus Goiânia

Pós-Doutor Júnior CNPq em Geotecnia pela UnB (2024) e UFG (2022), Doutor em Geotecnia pela UnB (2019), Mestre em Engenharia do Meio Ambiente e Recursos Hídricos pela UFG (2008) e Engenheiro Civil pela UFG (2005). Professor no Instituto Federal de Educação, Ciência e Tecnologia de Goiás (IFG) e Analista Técnico - Engenheiro Civil do Estado de Goiás (Agência Goiana de Habitação - AGEHAB) desde o ano de 2010. Foi professor na Pontifícia Universidade Católica de Goiás (PUC Goiás) entre os anos de 2009 a 2022. Atualmente é professor e orientador do Programa de Pós-Graduação em Tecnologia, Gestão e Sustentabilidade (PPGTGS) do IFG. Tem experiência nas áreas de: recursos hídricos, drenagem, saneamento básico e ambiental, meio ambiente, geotecnia e modelagem e análise numérica. Atuou como bolsista pós-doutorado no PD Furnas-Eletrobrás, onde desenvolveu pesquisas relacionadas à modelagem física e numérica de processos hidrológicos e erosivos em bordas de reservatórios, desenvolvimento de equipamentos para simulação de chuva e escoamento superficial, bem como o aporte e transferência de sedimentos em bacias de reservatórios de UHEs (convênio ANEEL - UFG).

Augusto Souza Batista, Instituto Federal Goiano

Engenheiro Agrônomo Mestre em Proteção de Plantas IFG-Urutaí Experiência em Pesquisa Agrícola (Embrapa Soja). Atuando principalmente nos seguintes temas: Assistência Técnica Gerencial Agricultura de Precisão Manejo Integrado de Pragas Bioecologia de Percevejos Pentatomídeos Controle Biológicos e Manejo de Resistência de Insetos a Inseticidas.

Referências

ABDULLAH. Soybean Leaf Image Dataset. 2024. Conjunto de dados de imagens de folhas de soja disponível no Kaggle. Disponível em: https://www.kaggle.com/datasets/mamun009/soybean-leaf-image-dataset/data. Acesso em: 27 ago. 2025.

AMARA, J.; BOUAZIZ, B.; ALGERGAWY, A. A deep learning-based approach for banana leaf diseases classification. In: DATENBANKSYSTEME FÜR BUSINESS, TECHNOLOGIE UND WEB (BTW 2017) – WORKSHOPBAND. Lecture Notes in Informatics (LNI). Bonn: Gesellschaft für Informatik, 2017. p. 79-88.

BARBEDO, J. G. A.; KOENIGKAN, L. V.; HALFELD-VIEIRA, B. A.; COSTA, R. V. de; NECHET, K. L.; GODOY, C. V.; JUNIOR, M. L.; PATRICIO, F. R. A.; TALAMINI, V.; CHITARRA, L. G.; OLIVEIRA, S. A. S.; ISHIDA, A. K. N.; FERNANDES, J. M. C.; SANTOS, T. T.; CAVALCANTI, F. R.; TERAO, D. Base de imagens de sintomas de doenças de plantas PDDB. Redape, 2024. DOI: https://doi.org/10.48432/XA1OVL.

BEVERS, N.; SIKORA, E. J.; HARDY, N. B. Pictures of diseased soybean leaves by category captured in field and with controlled backgrounds: Auburn soybean disease image dataset (ASDID). Dryad, 2022. [Dataset]. DOI: https://doi.org/10.5061/dryad.41ns1rnj3.

COELHO, W. R.; CAVICHIOLI, F. A. A aplicação de drones na agroindústria de precisão. Revista InterfacE Tecnológica, Taquaritinga, v. 18, n. 1, p. 487-499, jul. 2021. DOI: https://doi.org/10.31510/infa.v18i1.1108.

DONG, X.; WANG, Q.; HUANG, Q.; GE, Q.; ZHAO, K.; WU, X.; WU, X.; LEI, L.; HAO, G. PDDD-pretrain: a series of commonly used pre-trained models support image-based plant disease diagnosis. Plant Phenomics (Washington, D.C.), v. 5, p. 0054, 2023. DOI: https://doi.org/10.34133/plantphenomics.0054.

EMBRAPA. Drones são capazes de melhorar pulverização para controle de pragas da soja. Embrapa Notícias, 29 mar. 2022. Disponível em: https://www.embrapa.br/busca-de-noticias/-/noticia/69239452/drones-sao-capazes-de-melhorar-pulverizacao-para-controle-de-pragas-da-soja. Acesso em: 23 ago. 2025.

FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to knowledge discovery in databases. AI Magazine, v. 17, n. 3, p. 37, mar. 1996. DOI: https://doi.org/10.1609/aimag.v17i3.1230.

GANIN, Y.; USTINOVA, E.; AJAKAN, H.; GERMAIN, P.; LAROCHELLE, H.; LAVIOLETTE, F.; MARCHAND, M.; LEMPITSKY, V. Domain-adversarial training of neural networks. Journal of Machine Learning Research, v. 17, n. 59, p. 1-35, 2016. Disponível em: https://jmlr.org/papers/v17/15-239.html. Acesso em: 13 jun. 2026.

GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Machine learning basics. In: GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge: MIT Press, 2016. p. 98–164. Disponível em: https://www.deeplearningbook.org/. Acesso em: 16 set. 2025.

KHAKIMOV, A.; SALAKHUTDINOV, I.; OMOLIKOV, A.; UTAGANOV, S. Traditional and current-prospective methods of agricultural plant diseases detection: a review. IOP Conference Series: Earth and Environmental Science, v. 951, n. 1, p. 012002, jan. 2022. DOI: https://doi.org/10.1088/1755-1315/951/1/012002.

MIGNONI, M. E. Images of Soybean Leaves. Mendeley Data, 2021. Conjunto de dados de folhas de soja, capturadas com smartphones e drones, com foco em lagartas e Diabrotica speciosa. Disponível em: https://data.mendeley.com/datasets/bycbh73438. Acesso em: 27 ago. 2025.

PASZKE, A.; GROSS, S.; MASSA, F.; LERER, A.; BRADBURY, J.; CHANAN, G.; KILLEEN, T.; LIN, Z.; GIMELSHEIN, N.; ANTIGA, L.; DESMAISON, A.; KOPF, A.; YANG, E.; DEVITO, Z.; RAISON, M.; TEJANI, A.; CHILAMKURTHY, S.; STEINER, B.; FANG, L.; BAI, J.; CHINTALA, S. PyTorch: an imperative style, high-performance deep learning library. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS, 32, 2019. Anais [...]. Red Hook, NY: Curran Associates, 2019. p. 8024-8035. Disponível em: http://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf. Acesso em: 27 ago. 2025.

QGIS DEVELOPMENT TEAM. QGIS Geographic Information System. [S.l.], 2021. Sistema de informação geográfica de código aberto. Disponível em: https://www.qgis.org. Acesso em: 29 mar. 2025.

SELVARAJU, R. R.; COGSWELL, M.; DAS, A.; VEDANTAM, R.; PARIKH, D.; BATRA, D. Grad-CAM: visual explanations from deep networks via gradient-based localization. International Journal of Computer Vision, v. 128, n. 2, p. 336–359, out. 2019. DOI: https://doi.org/10.1007/s11263-019-01228-7.

SILVA, A.; SILVA, B.; SOUZA, C.; AZEVEDO, B.; BASSOI, L.; VASCONCELOS, D.; BONFIM, G.; MANZANO, J.; SANTOS, A. F.; CARNEIRO, F. Irrigation in the age of agriculture 4.0: management, monitoring and precision. Revista Ciência Agronômica, Fortaleza, v. 51, n. 5, e20207195, 2020. DOI: https://doi.org/10.5935/1806-6690.20200083.

SOARES, R. M.; SCHRÖDER, E. P. Uso de drones agrícolas no Brasil: da pesquisa à prática. Londrina: Embrapa Soja, 2025. 83 p. (Embrapa Soja. Documentos, 474). Disponível em: http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1175882. Acesso em: 15 set. 2025.

SOKOLOVA, Marina; LAPALME, Guy. A systematic analysis of performance measures for classification tasks. Information Processing & Management, v. 45, n. 4, p. 427-437, 2009. DOI: https://doi.org/10.1016/j.ipm.2009.03.002.

WERNER, F.; SILVA, M. A. de A. e; FERREIRA, A. S.; NEUMAIER, N.; JUNIOR, A. A. B. Dinâmica da cobertura do solo por plantas e NDVI de cultivares de soja em diferentes arranjos espaciais de plantas. Colloquium Agrariae, Presidente Prudente, v. 14, n. 2, p. 183-190, jul. 2018. Disponível em: https://journal.unoeste.br/index.php/ca/article/view/2103. Acesso em: 16 set. 2025.

WU, J.; CHEN, X.-Y.; ZHANG, H.; XIONG, L.-D.; LEI, H.; DENG, S.-H. Hyperparameter optimization for machine learning models based on Bayesian optimization. Journal of Electronic Science and Technology, v. 17, n. 1, p. 26–40, 2019. DOI: https://www.sciencedirect.com/science/article/pii/S1674862X19300047.

YU, M.; MA, X.; GUAN, H.; LIU, M.; ZHANG, T. A recognition method of soybean leaf diseases based on an improved deep learning model. Frontiers in Plant Science, v. 13, 878834, 2022. DOI: https://doi.org/10.3389/fpls.2022.878834.

ZHU, H.; LIN, C.; LIU, G.; WANG, D.; QIN, S.; LI, A.; XU, J.-L.; HE, Y. Intelligent agriculture: deep learning in UAV-based remote sensing imagery for crop diseases and pests detection. Frontiers in Plant Science, v. 15, 2024. DOI: https://doi.org/10.3389/fpls.2024.1435016.