17 de novembro de 2026
Deteção e Diagnóstico de Doenças em Milho e Arroz em Moçambique com Deep Learning
Tomane Mateus Tomane; Ricardo Janes
DOI: 10.22167/2675-6528-202603948
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A agricultura moçambicana depende do milho e arroz, culturas fundamentais para a segurança alimentar, mas sua produtividade é fortemente afetada por doenças fitossanitárias, cuja identificação precoce e precisa permanece um desafio em contextos de recursos limitados. O estudo objetivou desenvolver e comparar modelos baseados em Deep Learning para a detecção e o diagnóstico automático de doenças em folhas de milho e arroz em Moçambique. Utilizaram-se três abordagens: uma Rede Neural Convolucional (CNN) clássica desenvolvida do zero, e dois modelos de transfer learning, ResNet50 e MobileNetV2. O conjunto de dados foi composto por imagens de bases públicas e coletadas em campo, que passaram por etapas de limpeza, balanceamento e aumento artificial. Os modelos foram treinados e avaliados com métricas de desempenho padrão, incluindo acurácia, precisão, recall, F1-score, Log Loss e Kappa de Cohen. A CNN clássica apresentou o melhor desempenho global, com 94% de precisão, recall e F1-score, e 93% de acurácia e Kappa de Cohen. A MobileNetV2 alcançou 91% de F1-score e 90% de acurácia, destacando-se pelo menor Log Loss (0,30) e tempo de treinamento (6h32min59s). A ResNet50 atingiu 80% de F1-score e 79% de acurácia. Concluiu-se que técnicas de Deep Learning possuem elevado potencial para apoiar o diagnóstico fitopatológico em contextos agrícolas reais, contribuindo para decisões mais rápidas e precisas no manejo de doenças em milho e arroz.
Palavras-chave: Aprendizagem profunda; Arroz; Doenças em plantas; Milho; Visão computacional.
1. Introdução
A agricultura constitui um dos principais pilares da economia moçambicana, sendo a principal fonte de subsistência para 70% da população rural (Abbas, 2024; Inclusive Growth in Mozambique, 2020). Nesse contexto, culturas como milho e arroz são essenciais para a segurança alimentar e a estabilidade econômica do país (Nova & Teixeira, 2025). O desenvolvimento econômico de uma nação está intrinsecamente ligado ao desempenho agrícola, que provê alimentos, matérias-primas e meios de subsistência para milhões de famílias globalmente (Gollin, 2010).
No entanto, a produtividade dessas culturas é fortemente afetada por doenças fitossanitárias. A identificação precoce e precisa dessas doenças continua a ser um desafio significativo, especialmente em contextos com recursos limitados. Estima-se que perdas de produtividade ocasionadas por doenças possam exceder 40% em regiões em desenvolvimento, como Moçambique, onde as opções de controle são limitadas (Ristaino et al., 2021; Savary et al., 2019). A identificação tradicional, realizada por técnicos especializados, pode ser subjetiva, morosa e resultar em diagnósticos imprecisos, atrasando intervenções adequadas e aumentando o uso incorreto de pesticidas, com impactos ambientais e econômicos negativos (Bartoli & Roux, 2017; Sankaran et al., 2010; Santos & Santos, 2023; Silva & Kramer, 2023).
Com o avanço das tecnologias digitais nas últimas décadas, novas possibilidades surgem para enfrentar esses desafios. A inteligência artificial (IA), e em particular as técnicas de Deep Learning, têm se destacado como ferramentas promissoras no reconhecimento automático de padrões visuais complexos. As Redes Neurais Convolucionais (CNNs), um dos modelos mais utilizados, já demonstraram elevada acurácia na classificação de imagens de folhas doentes em bases de dados (Ferentinos, 2018; Sugriv Waghmare et al., 2025). O Deep Learning, um ramo do Machine Learning, fundamenta-se em redes neurais artificiais capazes de aprender padrões complexos de dados por meio de múltiplas camadas ocultas, impactando diretamente áreas como processamento de imagens (Ganaie et al., 2022; Colombo & Ritchie, 2024).
A partir das CNNs clássicas, arquiteturas mais profundas e especializadas foram desenvolvidas para melhorar o desempenho e a eficiência computacional. Entre elas, destaca-se a ResNet50, uma rede residual profunda com 50 camadas, que utiliza skip connections para facilitar o treino de redes muito profundas e aumentar a precisão na classificação de imagens. Essa arquitetura tem sido amplamente aplicada na detecção e classificação de doenças em plantas, apresentando resultados robustos (He et al., 2015; Islam et al., 2023; Nwaneto et al., 2024). Outra arquitetura relevante é a MobileNetV2, projetada com foco em eficiência computacional e baixo consumo de recursos. A MobileNetV2 baseia-se em depthwise separable convolutions e blocos residuais invertidos, permitindo bom desempenho mesmo em dispositivos com capacidade limitada e extraindo automaticamente características úteis de grandes volumes de dados (Sandler et al., 2019; Yu & Wang, 2024).
Apesar dos resultados promissores, o Deep Learning ainda enfrenta diversos desafios na identificação de doenças em folhas de plantas (Zhan et al., 2025). Um dos principais problemas é como melhorar a capacidade de generalização do modelo para diferentes contextos e tipos de doenças, adaptando-o de forma eficaz às condições reais de aplicação. Na detecção de doenças em folhas, os modelos de Deep Learning frequentemente sofrem com dados desbalanceados e rotulagem incorreta, o que compromete a confiabilidade e a estabilidade do sistema. Além disso, é necessário desenvolver modelos que equilibrem precisão e consumo de recursos computacionais, possibilitando que a identificação de doenças seja feita de forma eficiente em dispositivos com capacidade limitada, garantindo acessibilidade aos agricultores no campo.
Diante da importância da agricultura em Moçambique, dos desafios na detecção de doenças fitossanitárias e do potencial das técnicas de Deep Learning para oferecer soluções mais rápidas e precisas no manejo de doenças em milho e arroz, este estudo se justifica pela necessidade de desenvolver e comparar modelos adaptados ao contexto local. Neste contexto, o presente trabalho teve como objetivo comparar três técnicas baseadas em diferentes arquiteturas de Deep Learning (Redes Neurais Convolucionais Artificiais, ResNet50 e MobileNetV2) para a deteção e o diagnóstico inteligente de doenças nas culturas de milho e arroz, considerando o contexto sociocultural e agroeconômico de Moçambique.
2. Material e Métodos
O estudo caracterizou-se como uma pesquisa aplicada, de abordagem quantitativa, com o objetivo de desenvolver e comparar modelos de Deep Learning para a detecção e o diagnóstico automático de doenças em folhas de milho e arroz. A investigação foi conduzida no contexto agrícola de Moçambique, com coleta de dados de campo na cidade da Beira, complementada por bases de dados públicas.
A unidade de análise consistiu em imagens de folhas de milho e arroz, incluindo amostras saudáveis e infectadas. O conjunto de dados foi compilado a partir de repositórios públicos como Kaggle, OPIA (Open Plant Image Archive), PlantVillage, Makerere University Maize Image Dataset e University of Pretoria. Adicionalmente, imagens foram coletadas diretamente em campos agrícolas na Beira, Moçambique, utilizando um celular Samsung S22 Ultra. O banco de dados inicial totalizou 68950 imagens cruas, categorizadas em 14 classes. Imagens duplicadas foram removidas utilizando o hash perceptual (pHash).
O conjunto de dados foi dividido em 70% para treino, 15% para validação e 15% para teste. Para mitigar o desbalanceamento entre as classes e aumentar a robustez dos modelos, aplicou-se “data augmentation” exclusivamente ao conjunto de treino. As transformações incluíram rotações, espelhamento horizontal e vertical, zoom, variações geométricas e adição de ruído controlado. Após a ampliação, o conjunto de treino totalizou 70118 imagens. Todas as imagens foram redimensionadas para 160 × 160 pixels e submetidas a normalização e ajustes internos com Keras e TensorFlow.
O estudo desenvolveu e avaliou três modelos de aprendizagem profunda: uma Rede Neural Convolucional (CNN) clássica, ResNet50 e MobileNetV2. A CNN clássica serviu como linha de base. Durante o treinamento das arquiteturas, foram aplicadas técnicas como dropout, “early stopping” e ajuste de taxa de aprendizagem para otimizar a generalização dos modelos e evitar o sobreajuste. Os experimentos foram realizados em um computador pessoal com processador AMD Ryzen 7 7730U (2.00 GHz), 16 GB de RAM e sistema operacional de 64 bits, utilizando Python 3.12.7 e Jupyter Notebook 7.2.2 com bibliotecas como TensorFlow/Keras, NumPy, Pandas, Matplotlib e Scikit-learn.
A CNN clássica foi composta por cinco blocos convolucionais sequenciais, totalizando dez camadas Conv2D com Max Pooling, utilizando a função de ativação ReLU. O número de filtros aumentou de 32 para 512 nos blocos. As características extraídas foram encaminhadas para camadas totalmente conectadas. Aplicou-se “dropout” de 40% e a camada de saída utilizou softmax para 14 classes. O modelo foi treinado por até 20 épocas com o otimizador Adam (“learning rate” 0,0001) e “early stopping” com paciência de cinco épocas.
A ResNet50 foi utilizada com “transfer learning” a partir de pesos pré-treinados no ImageNet, adaptada para 14 classes. Com 50 camadas e blocos residuais com “skip connections”, o modelo aplicou convolução, “batch normalization” e ReLU. A arquitetura final incluiu GlobalAveragePooling2D, uma camada densa de 256 neurônios com ReLU, “dropout” de 40% e saída softmax. O treinamento utilizou Adam (“learning rate” 0,0001), “early stopping” e ajuste automático da taxa de aprendizagem, com pesos iniciais congelados e refinados via “fine-tuning”.
A MobileNetV2 foi implementada com “transfer learning” a partir de pesos pré-treinados no ImageNet, com remoção da camada de classificação original. A base convolucional é formada por blocos residuais invertidos com convoluções separáveis em profundidade. Aplicou-se “Global Average Pooling”, “batch normalization”, uma camada densa de 256 neurônios com ReLU, “dropout” de 50% e uma camada de saída softmax para 14 classes. O treinamento ocorreu em duas fases: treino do classificador e “fine-tuning” das últimas 40 camadas da base convolucional, utilizando Adam com taxa de aprendizagem reduzida, “early stopping” e ajuste automático da taxa de aprendizagem.
Para a avaliação do desempenho dos modelos, foram utilizadas métricas padrão em classificação multiclasse: acurácia, precisão, recall e F1-score. A confiança das probabilidades estimadas foi avaliada pelo Log Loss. A capacidade de separação do modelo entre classes foi medida pela curva ROC multiclasse e pela Área sob a Curva (AUC). O índice de concordância Kappa de Cohen foi incluído para corrigir efeitos de acaso em dados desbalanceados. O tempo total de treinamento foi registrado para comparar a eficiência computacional.
3. Resultados e Discussão
Os resultados obtidos neste estudo fornecem uma análise comparativa detalhada do desempenho de três arquiteturas de Deep Learning – a Rede Neural Convolucional (CNN) clássica, a ResNet50 com fine-tuning e a MobileNetV2 – na detecção e diagnóstico de doenças em folhas de milho e arroz em Moçambique. O objetivo central foi avaliar a eficácia, robustez e viabilidade prática desses modelos em um contexto agrícola real, caracterizado por desafios como a variabilidade das imagens e a necessidade de eficiência computacional. Os achados demonstram o potencial significativo das técnicas de aprendizagem profunda para aprimorar o manejo fitossanitário. A avaliação foi realizada com base em métricas de desempenho padrão, incluindo acurácia, precisão, recall, F1-score, Log Loss e Kappa de Cohen, além do tempo de treinamento.
Acurácia e Perda
A análise das curvas de acurácia e perda (loss) foi fundamental para compreender o processo de aprendizagem dos modelos e identificar a ocorrência de sobreajuste ou subajuste. Para a CNN clássica, observou-se um comportamento consistente e estável nas curvas de acurácia do conjunto de treino, com um crescimento contínuo e suave ao longo das épocas, culminando em uma acurácia média geral de 97,7%. Este padrão indica que o modelo conseguiu aprender eficazmente os padrões visuais associados às doenças foliares, conforme esperado para arquiteturas convolucionais profundas (Lecun et al., 2015). Contudo, no conjunto de validação, a acurácia apresentou variações, com uma média de 91,3%, sugerindo alguma sensibilidade à variabilidade das amostras não vistas, um cenário comum em conjuntos de dados agrícolas reais (Qin et al., 2025; Sultan et al., 2022a).
A curva de perda de treino da CNN clássica diminuiu substancialmente, partindo de valores altos na primeira época e atingindo níveis baixos na décima terceira época, momento em que o critério de “early stopping” foi acionado automaticamente. A perda média de treino foi de 6,7%, enquanto no conjunto de validação a redução foi menos contínua, com uma média de 33,6%. Esse comportamento, caracterizado por uma queda rápida na perda de treino e oscilação na validação, é consistente com relatos em estudos de detecção de doenças foliares com CNNs clássicas, atribuído à maior heterogeneidade das imagens de validação (Ferentinos, 2018a; Sultan et al., 2022b). Isso ressalta a importância de dados de validação representativos e diversificados para avaliar a generalização do modelo.
Na fase inicial de treinamento da ResNet50, sem a aplicação de ajuste fino, o desempenho foi insatisfatório, com uma acurácia média de treino de aproximadamente 44% e perdas elevadas tanto no treino quanto na validação. Esse resultado corrobora achados de Hossen et al. (2025), que indicam que arquiteturas profundas como a ResNet podem ter dificuldades de convergência quando aplicadas diretamente a conjuntos de dados agrícolas sem adaptação prévia, devido à diferença de domínio entre o ImageNet e as imagens de plantas. Além disso, a diferença de resolução das imagens (ResNet50 projetada para 224×224 pixels e o conjunto de dados redimensionado para 160×160) e o número limitado de amostras por classe podem ter contribuído para essa limitação de desempenho (Hossen et al., 2025).
As elevadas curvas de perda observadas na fase inicial da ResNet50 sugerem que o modelo não conseguiu ajustar adequadamente seus pesos para representar as características relevantes das doenças foliares. Shafiq e Gu (2022) afirmam que redes residuais profundas podem apresentar desempenho inferior com volume de dados limitado ou alta similaridade visual entre classes. Contudo, com a introdução do fine-tuning, que descongelou as camadas profundas da ResNet50, houve uma melhoria significativa. A acurácia média de treino aumentou para 79%, e a de validação para cerca de 73%. A perda no treino reduziu de 2,13 para 0,52, e no conjunto de validação, de 1,74 para 0,91. Essa melhoria é consistente com estudos que demonstram a especialização dos filtros convolucionais para o novo domínio através do ajuste fino (Vakli et al., 2018; Yosinski et al., 2014).
Apesar da melhoria com o fine-tuning, a ResNet50 continuou a apresentar curvas de perda relativamente elevadas, o que pode ser atribuído à complexidade excessiva da arquitetura de 50 camadas para o contexto específico do estudo. Liakos et al. (2018) observam que, em aplicações agrícolas, arquiteturas muito profundas nem sempre resultam em melhor desempenho prático, especialmente quando a variabilidade intra-classe é alta. Isso indica que, embora o fine-tuning tenha adaptado o modelo, a profundidade inerente da ResNet50 pode ter sido um fator limitante para a otimização completa em um conjunto de dados com características tão específicas e variadas.
A MobileNetV2 demonstrou o melhor equilíbrio entre desempenho e estabilidade, com uma acurácia média de 90,2% no treino e valores muito próximos na validação, indicando uma baixa discrepância entre os conjuntos. Esse equilíbrio é resultado de sua arquitetura otimizada, que combina eficiência computacional com a capacidade de extração de características relevantes, minimizando o risco de sobreajuste em comparação com modelos mais complexos. Este comportamento é corroborado por estudos que visam aplicações em tempo real e ambientes com recursos computacionais limitados (Sandler et al., 2019; Xu et al., 2025). A perda média geral de 0,305, juntamente com a estabilidade das curvas, sugere uma aprendizagem representacional robusta e discriminativa sem sobreajuste.
Estudos como o de Zhang et al. (2023) observaram um comportamento semelhante ao aplicar a MobileNetV2 na detecção de doenças do arroz em ambientes de campo, destacando a eficácia da arquitetura na extração de características relevantes, mesmo com ruído visual significativo. Mohanty et al. (2016a) reforçam que modelos com curvas de perda estáveis e acurácia consistente tendem a oferecer maior confiabilidade em aplicações móveis ou web, reduzindo o risco de classificações erradas em condições não controladas. A MobileNetV2, portanto, mostrou-se promissora para cenários onde a eficiência e a robustez são cruciais, como no contexto agrícola moçambicano.
Resumo de Métricas de Desempenho dos Modelos
A comparação das métricas de desempenho globais revelou diferenças claras entre os três modelos. A CNN clássica obteve o melhor desempenho geral, com uma média de F1-score de 94%, acurácia de 93% e Kappa de Cohen de 93%. Esses valores indicam uma elevada consistência e confiabilidade na classificação das doenças foliares de milho e arroz, sugerindo que a arquitetura, apesar de sua simplicidade relativa, conseguiu extrair padrões discriminativos relevantes do conjunto de dados. O Log Loss para a CNN clássica foi de 0,34, um valor que, embora não seja o mais baixo, demonstra boa confiança nas previsões probabilísticas do modelo.
A MobileNetV2 apresentou um desempenho competitivo, com F1-score médio de 91%, acurácia de 90% e Kappa de Cohen de 89%. Destacou-se pelo menor Log Loss (0,30), indicando previsões probabilísticas mais confiáveis e calibradas, e pelo menor tempo de treinamento, de 6 horas, 32 minutos e 59 segundos. Essa eficiência computacional, aliada ao bom desempenho, torna a MobileNetV2 particularmente adequada para aplicações em ambientes com recursos limitados, como dispositivos móveis no campo (Sandler et al., 2019; Xu et al., 2025). A sua estabilidade é um fator crucial para a adoção em larga escala.
Em contraste, a ResNet50, mesmo após a aplicação do fine-tuning, apresentou o desempenho mais baixo entre os modelos avaliados, com F1-score médio de 80%, acurácia de 79% e Kappa de Cohen de 87%. O Log Loss para este modelo foi de 0,97, o mais elevado, indicando menor confiança nas suas previsões. O tempo de treinamento da ResNet50 foi de 13 horas, 35 minutos e 18 segundos, intermediário entre os outros modelos. Esses resultados sugerem que a profundidade da arquitetura da ResNet50 pode ter sido excessiva ou de difícil adaptação para as características específicas do conjunto de dados de doenças foliares, especialmente em classes com sintomas visuais muito semelhantes.
Ao nível das classes específicas, observou-se que doenças com padrões visuais mais distintos, como a Ferrugem comum do milho, o Tungro do arroz e a Queima da bainha, apresentaram altos valores de precisão e recall em todos os modelos. A Ferrugem comum do milho, por exemplo, alcançou um F1-score de 0,97 na CNN clássica, 0,95 na ResNet50 e 0,98 na MobileNetV2. Similarmente, o Tungro do arroz obteve 1,00 na CNN clássica, 0,91 na ResNet50 e 0,99 na MobileNetV2. Esses resultados indicam a alta eficácia dos modelos na identificação de doenças com características visuais bem definidas.
Por outro lado, doenças com sintomas mais difusos ou semelhantes, como a Mancha Parda, a Brusone e a Murcha bacteriana, exibiram maior variabilidade no desempenho entre as arquiteturas. Essa variabilidade reforça a importância de se desenvolver modelos robustos e bem regularizados para lidar com a complexidade visual dessas patologias, onde a distinção pode ser mais desafiadora. A necessidade de modelos adaptáveis a essas nuances é crucial para garantir diagnósticos precisos em um espectro amplo de condições fitossanitárias, especialmente em ambientes de campo onde a clareza dos sintomas pode ser comprometida por fatores externos.
Matriz de Confusão
A análise das matrizes de confusão complementou a avaliação das métricas, fornecendo uma visão granular dos erros e acertos de cada modelo. Na CNN clássica, embora a maioria das classes tenha sido predita corretamente, com valores elevados na diagonal principal, classes com sintomas visuais semelhantes, como Mancha cinzenta e Queima ou Mancha, apresentaram maiores taxas de confusão. Isso indica limitações na discriminação de características sutis, um achado consistente com observações de Kalpathy-Cramer et al. (2021), que utilizam matrizes de confusão para identificar classes de maior dificuldade e ajustar estratégias de treino e balanceamento de dados. A capacidade de distinguir entre nuances visuais é um desafio persistente.
A ResNet50, sem a aplicação de fine-tuning, demonstrou uma elevada confusão entre classes com sintomas visuais semelhantes, particularmente entre doenças foliares do arroz, como Brusone, Mancha Parda e Queima foliar. Isso reflete as limitações da transferência direta de características genéricas aprendidas no ImageNet para padrões fitopatológicos específicos (Ferentinos, 2018b). Apesar de um bom desempenho em doenças do milho com sintomas mais contrastantes, a dispersão dos erros indicou uma sensibilidade reduzida a variações sutis de textura e coloração, um fenômeno comum em aplicações agrícolas de redes profundas não especializadas. A adaptação do modelo ao domínio específico é, portanto, essencial.
Com a aplicação do fine-tuning, a ResNet50 apresentou uma melhoria substancial na concentração dos valores ao longo da diagonal principal da matriz de confusão, reduzindo as confusões intra-cultural e aumentando a capacidade de reconhecimento correto em classes críticas, como Tungro do arroz e Vírus da risca do milho. No entanto, algumas ambiguidades persistiram entre doenças com manifestações visuais próximas. Isso sugere que, embora o fine-tuning refine o espaço de características, sua eficácia é limitada quando há forte sobreposição morfológica entre classes. Resultados semelhantes foram relatados por Too et al. (2019), que observaram ganhos consistentes com fine-tuning, mas com retornos decrescentes em cenários de alta similaridade visual entre doenças.
A MobileNetV2, por sua vez, apresentou uma matriz de confusão razoavelmente estável e limpa, com boa taxa de acertos na diagonal e mínima dispersão de erros entre classes, tanto para arroz quanto para milho. O modelo demonstrou uma notável capacidade de distinção entre doenças visualmente próximas, além de uma boa separação entre folhas saudáveis e doentes. Estudos confirmam que arquiteturas leves, como a MobileNetV2, conseguem manter alto desempenho com menor custo computacional, sendo particularmente adequadas para aplicações agrícolas e ambientes operacionais restritos (Sandler et al., 2019). Essa característica é vital para a implementação em dispositivos de campo com capacidade limitada.
Curva ROC e Área sob a Curva (AUC)
As curvas ROC multiclasse e a Área sob a Curva (AUC) foram empregadas para avaliar o desempenho discriminativo dos modelos em diferentes limiares de decisão. A CNN clássica apresentou AUCs elevadas, variando de 0,99 a 1,00 para a maioria das classes, indicando uma excelente capacidade de separação entre folhas saudáveis e doentes. Houve apenas uma ligeira redução em classes com sintomas visuais semelhantes, o que é um comportamento esperado em problemas fitopatológicos com sobreposição de padrões visuais (Mohanty et al., 2016a). Esses resultados reforçam a robustez da CNN clássica na distinção entre as diferentes condições foliares.
A MobileNetV2 destacou-se por apresentar AUCs próximas de 1,00 na maioria das classes, combinando elevada sensibilidade e baixa taxa de falsos positivos. Isso corrobora a evidência de que arquiteturas leves e eficientes podem manter alto poder discriminativo mesmo em tarefas multiclasse complexas (Sandler et al., 2019). Sua capacidade de discriminação é um diferencial importante para a aplicação em cenários práticos, onde a precisão na identificação é crucial para o manejo adequado das doenças. A consistência dos resultados da MobileNetV2 em diversas classes sublinha sua adaptabilidade e eficácia.
Em contrapartida, a ResNet50 sem fine-tuning exibiu maior variabilidade nas AUCs entre classes, especialmente naquelas com sintomas visualmente semelhantes. Isso reflete as limitações da transferência direta de representações genéricas treinadas fora do domínio agrícola (Ferentinos, 2018a). A aplicação de fine-tuning na ResNet50 resultou em melhorias substanciais nas curvas ROC, com AUCs elevadas e mais estáveis entre as classes. Isso evidencia que a adaptação dos pesos ao domínio específico é um fator determinante para maximizar a capacidade discriminativa dos modelos (Too et al., 2019). Mesmo com o fine-tuning, a ResNet50 ainda demonstrou desafios em classes com alta similaridade visual.
Em síntese, os resultados deste estudo demonstram o elevado potencial das técnicas de Deep Learning para o diagnóstico fitopatológico de doenças em milho e arroz em Moçambique. A CNN clássica apresentou o melhor desempenho global em acurácia, F1-score e Kappa de Cohen, indicando robustez na identificação de padrões visuais. A MobileNetV2 destacou-se pela eficiência computacional e menor tempo de treinamento, mantendo um desempenho competitivo e previsões confiáveis, ideal para ambientes com recursos limitados. A ResNet50, embora tenha melhorado com o fine-tuning, mostrou-se menos adaptável ao conjunto de dados específico. Assim, o estudo alcançou seu objetivo de comparar essas arquiteturas, fornecendo insights valiosos para sistemas de apoio à decisão no manejo de doenças agrícolas.
4. Conclusão
O presente estudo objetivou desenvolver e comparar modelos baseados em Deep Learning para a detecção e o diagnóstico automático de doenças em folhas de milho e arroz em Moçambique. Verificou-se que a Rede Neural Convolucional clássica demonstrou o melhor desempenho global, alcançando 94% de F1-score, 93% de acurácia e 93% de Kappa de Cohen. A MobileNetV2 apresentou um desempenho competitivo, com 91% de F1-score e 90% de acurácia, destacando-se pela eficiência computacional, com o menor Log Loss e tempo de treinamento. Em contraste, a ResNet50, mesmo após o fine-tuning, exibiu um desempenho inferior, com 80% de F1-score e 79% de acurácia. Observou-se que doenças com padrões visuais mais distintos, como a Ferrugem comum do milho e o Tungro do arroz, foram identificadas com alta precisão por todos os modelos, enquanto patologias com sintomas mais difusos ou semelhantes, como a Mancha Parda e a Brusone, apresentaram maior variabilidade no desempenho entre as arquiteturas.
A principal contribuição deste trabalho reside na demonstração do elevado potencial das técnicas de Deep Learning para apoiar o diagnóstico fitopatológico em contextos agrícolas reais, promovendo decisões mais rápidas e precisas no manejo de doenças em milho e arroz. Contudo, o estudo enfrentou limitações, incluindo o potencial viés introduzido por dados de diferentes fontes e a variabilidade nas condições de captura de imagens. Houve também o risco de sobreajuste, particularmente na CNN clássica, e a aplicabilidade prática em ambientes de campo pode não refletir totalmente o desempenho obtido em condições controladas, devido a fatores como iluminação e oclusão. A ausência de validação externa com dados totalmente independentes constitui uma limitação adicional. Para estudos futuros, sugere-se aprimorar a capacidade de generalização dos modelos para diferentes contextos e tipos de doenças, desenvolver estratégias mais robustas para lidar com a complexidade visual de patologias com sintomas semelhantes e explorar a integração de validação externa para garantir a robustez em ambientes operacionais diversos, incluindo dispositivos móveis de campo.
Referências Bibliográficas
Abbas, M. 2024. Organismos geneticamente modificados (OGMs): Um caminho para a segurança alimentar ou para aprofundar a dependência externa? 2 p.
Bartoli, C.; Roux, F. 2017. Genome-wide association studies in plant pathosystems: Toward an ecological genomics approach. Frontiers in Plant Science 8: 763.
Gollin, D. 2010. Agricultural productivity and economic growth. Handbook of Agricultural Economics 4: 3825-3866.
Inclusive Growth in Mozambique. 2020. Desenvolvimento agrário em Moçambique 2002–2020. Disponível em: https://igmozambique.wider.unu.edu. Acesso em: 18 jan. 2026.
Nova & Teixeira, 2025 [Referência completa não encontrada no documento original]
Ristaino et al., 2021 [Referência completa não encontrada no documento original]
Sankaran, S.; Mishra, A.; Ehsani, R.; Davis, C. 2010. A review of advanced techniques for detecting plant diseases. Computers and Electronics in Agriculture 72(1): 1-13.
Santos & Santos, 2023 [Referência completa não encontrada no documento original]
Savary et al., 2019 [Referência completa não encontrada no documento original]
Silva & Kramer,
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

