Estudo utiliza inteligência artificial e drones elevando a precisão na detecção do greening, revolucionando o monitoramento em pomares de citros
O avanço da agricultura digital tem ampliado as possibilidades de monitoramento fitossanitário em cultivos de alto valor econômico, e uma nova pesquisa demonstra o potencial da integração entre drones e inteligência artificial para o combate ao huanglongbing (HLB), conhecido como greening dos citros. O estudo desenvolveu um sistema de identificação automática da doença por meio de imagens aéreas e algoritmos de aprendizado profundo, alcançando resultados promissores para a detecção precoce da enfermidade. Entre os modelos avaliados, o ResNet-50 apresentou o melhor desempenho, com 89% de acurácia geral, reforçando o potencial das ferramentas digitais para aumentar a eficiência do manejo fitossanitário na citricultura.
A pesquisa comparou três arquiteturas de redes neurais convolucionais amplamente utilizadas em aplicações de visão computacional: ResNet-50, EfficientNetV2B0 e DenseNet-121. Os modelos foram treinados para classificar imagens em três categorias distintas: plantas saudáveis, plantas infectadas por HLB e elementos de fundo, como solo, vegetação espontânea e sombras. O ResNet-50 liderou os resultados, registrando precisão macro de 90%, revocação de 89% e F1-score de 89%. O EfficientNetV2B0 atingiu acurácia de 87%, enquanto o DenseNet-121 alcançou 85%, demonstrando a robustez da inteligência artificial na identificação de padrões visuais associados à doença.
auxiliando no manejo fitossanitário dos citros
Os dados foram obtidos em um pomar experimental de laranja-doce localizado na Kathmandu University, no Nepal. Para a coleta das imagens, os pesquisadores utilizaram um drone DJI Phantom 4 Multispectral equipado com câmera RGB de 20 megapixels e sensores multiespectrais, capazes de capturar informações nas bandas azul, verde, vermelha, red-edge e infravermelho próximo. Os voos ocorreram em condições controladas de luminosidade e vento, garantindo maior consistência na qualidade dos dados. O banco inicial reuniu 6 mil imagens, posteriormente ampliadas para 24 mil por meio de técnicas de aumento de dados, fortalecendo o processo de treinamento dos algoritmos.
Além da análise visual das copas, o estudo incorporou atributos espectrais e estatísticos para aumentar a precisão da classificação. Foram avaliados parâmetros como média, mediana, valores máximos e mínimos, desvio-padrão, assimetria e curtose das bandas espectrais capturadas. As plantas saudáveis apresentaram folhagem uniforme, coloração verde consistente e copas mais compactas, enquanto as árvores infectadas exibiram sintomas característicos do HLB, como amarelecimento irregular, manchas cloróticas e distribuição assimétrica das nervuras. Esses padrões permitiram que os algoritmos diferenciassem áreas afetadas e sadias com elevado grau de confiabilidade.
e imagens aéreas revelam focos de infecção
e mapas digitais orientam ações localizadas no pomar
Os resultados mostraram que o ResNet-50 classificou corretamente 397 das 400 amostras de fundo e identificou 373 das 400 imagens de plantas infectadas. A principal dificuldade ocorreu na distinção entre árvores saudáveis e plantas em estágios iniciais da doença, situação comum em programas de monitoramento fitossanitário. Ainda assim, o sistema demonstrou capacidade relevante para aplicações práticas, especialmente quando associado à geração de mapas georreferenciados de detecção de HLB, que permitem visualizar a distribuição espacial dos focos de infecção dentro do pomar.
A pesquisa também evidenciou o potencial da tecnologia para apoiar estratégias de manejo por sítio específico. Os mapas produzidos identificaram blocos contínuos de infecção, criando condições para intervenções mais precisas, como inspeções direcionadas, pulverizações localizadas e remoção seletiva de plantas comprometidas. Segundo os pesquisadores, a combinação entre drones, imagens RGB, sensores multiespectrais e inteligência artificial representa um importante avanço para o monitoramento automatizado da citricultura. O estudo ainda aponta que o uso mais intensivo das bandas red-edge e infravermelho próximo poderá ampliar a capacidade de detecção precoce do HLB, contribuindo para sistemas produtivos mais eficientes, sustentáveis e economicamente competitivos.
