CLASSIFICAÇÃO FENOLÓGICA DA SOJA: COMPARAÇÃO ENTRE REDES NEURAIS CONVOLUCIONAIS E MODELOS BASEADOS EM ÁRVORES

Resumo

A dessecação da soja é fundamental para maximizar a produtividade, sendo o estádio fenológico R7, especialmente o R7.1, o mais indicado para essa aplicação, segundo o sistema de Fehr e Caviness. Métodos tradicionais baseados na observação visual são subjetivos e propensos a erros, o que pode comprometer a qualidade das sementes. Aplicações prematuras, como no estádio R6, podem impactar negativamente o rendimento. Nesse cenário, a inteligência artificial (IA), por meio de Redes Neurais Convolucionais (CNNs), oferece uma solução automatizada e precisa para a classificação fenológica da soja, analisando imagens com alta acurácia. A adoção dessa tecnologia em aplicativos móveis democratiza o acesso dos produtores a ferramentas avançadas de suporte à decisão. Este estudo compara três arquiteturas de CNN, ResNet50, InceptionV3 e VGG16, treinadas com imagens rotuladas de estádios fenológicos, avaliando seu desempenho na classificação automatizada. Também é analisado o desempenho do algoritmo Random Forest, representando uma abordagem tradicional de aprendizado de máquina, como referência comparativa às redes profundas. As CNNs utilizam camadas convolucionais para extração de características e camadas densas com funções ReLU e Softmax para classificação. Os resultados revelam que, apesar do alto desempenho das CNNs durante o treinamento, o Random Forest apresentou melhor capacidade de generalização no conjunto de validação. A automatização da identificação do momento ideal para dessecação contribui para a agricultura de precisão, reduz erros humanos, melhora a qualidade das sementes e promove maior sustentabilidade e eficiência na produção de soja.