COMPARAÇÃO DA EFICIÊNCIA DE CNNS NA CLASSIFICAÇÃO DE DOENÇAS EM PLANTAS

Resumo

Este estudo apresenta a implementação e comparação da eficiência de diferentes arquiteturas de Redes Neurais Convolucionais (CNNs), especificamente uma rede Densa (Fully Connected), ResNet50 e uma combinação de LSTM com CNN, na tarefa de classificação de doenças em plantas utilizando o conjunto de dados PlantVillage. A detecção automatizada de doenças em plantas é essencial para a agricultura moderna, assegurando a redução das perdas e dos custos de produção. A detecção e classificação de doenças são feitas por profissionais qualificados, entretanto, a incorporação de novas tecnologias pode oferecer suporte adicional a esses profissionais. A inteligência artificial, presente no dia a dia, pode ser integrada como solução baseada em IA para apoiar esses profissionais na tomada de decisão. O uso de Redes Neurais Artificiais Convolucionais, as conhecidas CNNs, passa a ser fundamental, com alta precisão. O trabalho detalha as etapas de pré-processamento de dados, incluindo redimensionamento para 224x224 pixels, normalização, divisão em conjuntos de treino, validação e teste, e aplicação de técnicas de aumento de dados. Os modelos foram treinados e avaliados utilizando métricas como acurácia, precisão, recall, F1-score e matriz de confusão. Os resultados práticos da implementação permitem identificar a arquitetura mais adequada em termos de desempenho e eficiência computacional para o desenvolvimento de sistemas automatizados de monitoramento agrícola.