Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.216
Aluno: Igor de Moura Philippini
Orientador: Prof. Stefan Michael Blawid
Título: Hydra: A Multi-Task Learning Approach to Fine-Grained Leaf-Level
Agricultural Diagnostics
Data: 28/07/2025
Hora/Local: 14h – Virtual – nteressados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Fernando Maciano de Paula Neto(UFPE / CIn)
Prof. Jayme Garcia Arnal Barbedo (Embrapa / Embrapa)
Prof. Stefan Michael Blawid(UFPE / CIn)
RESUMO:
Pragas e doenças representam grandes desafios na agricultura, levando a perdas econômicas significativas. O uso incorreto de pesticidas, frequentemente decorrente de diagnósticos errados, agrava o problema, especialmente para agricultores familiares que não possuem acesso ao suporte especializado e acesso a informações em tempo hábil. Embora existam sistemas de visão computacional que auxiliam nesse problema com sua capacidade de detectar doenças em plantas a partir de imagens de folhas ou frutos, a maioria está limitada a esta única tarefa e não contempla o processo diagnóstico completo exigido em cenários práticos.
Este trabalho propõe uma abordagem unificada baseada em Multi-Task Learning (MTL) para lidar com múltiplas tarefas relacionadas ao processo de diagnóstico de doenças em plantas a partir de uma única imagem de entrada. O modelo proposto é capaz de: (i) determinar se uma imagem contém uma folha, (ii) detectar se a folha está saudável ou doente, (iii) classificar a espécie da planta, (iv) identificar o provável agente patogênico, (v) detectar macro-sintomas visíveis associados à doença e (vi) classificar a doença específica da planta, quando presente.
Para dar suporte à utilização prática, também desenvolvemos um sistema completo de diagnóstico em torno do modelo, que inclui detecção e segmentação automáticas das folhas, permitindo o processamento de todas as folhas presentes em uma imagem. O sistema é exposto por meio de uma API RESTful, que serve como interface central para inferências. Além disso, uma aplicação web intuitiva é construída sobre essa API, possibilitando que usuários finais—como agricultores e técnicos agrícolas—interajam facilmente com o modelo e testem suas funcionalidades através de uma interface visual acessível.
Palavras-chave: aprendizagem de máquina; visão computacional; detecção de doenças em plantas; assistente de fitopatologia
Comentários desativados