Estudo avaliou ResNet-50, EfficientNetV2B0 e DenseNet-121 em imagens aéreas de pomar
Pesquisadores desenvolveram um método para detectar huanglongbing (HLB) em pomares cítricos por meio de imagens obtidas por drone e redes neurais de aprendizado profundo. O modelo ResNet-50 apresentou o melhor desempenho entre as arquiteturas testadas. Ele alcançou 89% de acurácia geral, com precisão macro de 90%, revocação de 89% e F1-score de 89%.
O trabalho avaliou três modelos de redes neurais convolucionais: ResNet-50, EfficientNetV2B0 e DenseNet-121. As redes classificaram imagens em três classes: plantas saudáveis, plantas infectadas por HLB e fundo da imagem. O EfficientNetV2B0 atingiu 87% de acurácia. O DenseNet-121 alcançou 85%.
A equipe coletou imagens em um pomar de citros da Kathmandu University, em Dhulikhel, no Nepal. A área experimental ficava a 1.455 metros acima do nível médio do mar. A coleta ocorreu entre 5 e 15 de maio de 2025, das 10 horas ao meio-dia. Esse período buscou manter intensidade luminosa constante e menor velocidade do vento.
O pomar tinha um hectare de laranja-doce. O espaçamento das plantas media seis metros por seis metros. A população atingia 277 plantas por hectare. As árvores tinham entre dois metros e quatro metros de altura, copa semiesférica e diâmetro de copa entre dois metros e meio e quatro metros.
Os pesquisadores usaram um drone DJI Phantom 4 Multispectral. O equipamento operou a 20 metros de altura, com velocidade de dois metros por segundo e sobreposição de 85%. A câmera RGB tinha 20 megapixels. O sensor multiespectral registrou bandas azul, verde, vermelha, red-edge e infravermelho próximo.
O banco de dados inicial reuniu 6.000 recortes RGB em formato Tiff. Cada recorte media 128 por 128 pixels. Os cientistas distribuíram as imagens em três grupos iguais, com 2 mil amostras por classe. Em cada classe, 1.600 imagens entraram no treinamento. Outras 400 imagens compuseram a validação.
Depois da ampliação do banco por rotações de 90 graus, 180 graus e 270 graus, além de ajustes de luminosidade e contraste, o total chegou a 24 mil imagens. O procedimento simulou variações de orientação da copa e de ângulo de câmera durante o voo.
O estudo também gerou um mapa de detecção de HLB em escala de pomar. O mapa dividiu uma região do ortomosaico em 154 grades. Cada célula representou um recorte de 128 por 128 pixels. O ResNet-50 classificou 92 recortes, ou 62%, como fundo. Outros 51 recortes, ou 31%, apareceram como infectados por HLB. Apenas 11 recortes, ou 7%, entraram como copa saudável.
Esse mapa mostrou manchas de infecção em blocos contíguos. A visualização pode apoiar pulverização localizada, inspeção dirigida e remoção de árvores doentes. O método evita tratamento uniforme em toda a área e permite manejo por sítio específico.
Os cientistas concluem que a integração entre drones, imagens RGB e redes neurais pode apoiar o monitoramento automatizado de HLB em citros. O trabalho também indica potencial de avanço com uso de bandas no infravermelho próximo e red-edge, pois essas faixas registram alterações ligadas à estrutura interna das folhas e à concentração de clorofila.
O estudo está disponível em doi.org/10.1016/j.atech.2026.102274.
Fonte: Revista Cultivar