Implementação de técnicas de atenção e fusão em redes neurais convolucionais para a melhoria da detecção e segmentação de doenças em folhas de café

Abstract

Desenvolvimentos recentes em visão computacional, especialmente com técnicas de apren dizado profundo, têm promovido uma grande mudança na agricultura para o monitora mento de cultivos, a fim de identificar estresses bióticos e abióticos em plantas individuais. As plantações de café enfrentam grandes perdas de produção devido a pragas e patógenos. A identificação dessas doenças é feita principalmente com base em sintomas visuais que aparecem nas folhas do cafeeiro. Por meio de processamento computacional, as tarefas de identificação de doenças podem se tornar mais precisas utilizando dados visuais obtidos por câmeras de smartphones, permitindo que agrônomos tomem decisões mais sustentáveis e eficientes no manejo de doenças. Esta pesquisa aborda a detecção e segmentação das principais doenças nas plantações de café. São abordados os modelos de aprendizado pro fundo de última geração YOLACT++ e YOLOv8n, ambos para detecção e segmentação, e foi adicionado um módulo de atenção CBAM ao YOLACT++, e também um módulo de fusão C2f2 ao YOLOv8n. Todos os testes foram realizados utilizando os conjuntos de dados BRACOL e RoCoLe disponíveis publicamente, com imagens de folhas de café de laboratório e de campo, com suas respectivas anotações. Os resultados mostram que para a detecção de objetos, em ambos os conjuntos de dados, BRACOL e RoCoLe, o modelo YOLOv8n foi superior, atingindo uma precisão de 87,2% e 36,8%, respectivamente. Os resultados de segmentação de instância mostram que nosso módulo C2f2 adicionado ao YOLOv8n provou ser melhor, alcançando 72,5% para BRACOL e 45,4% de precisão para RoCoLe.