Evaluation of Tiling and SAHI Strategies for Symptomatic Region Detection in UAV Images of Coffee Plantations Using YOLO

• Luan Pinto UFOP
• Guilherme Silva UFSJ
• Arthur Negrão UFOP
• Mateus Bueno IFNMG
• Pedro Silva UFOP

DOI: https://doi.org/10.5753/eniac.2026.30972

Resumo

A detecção automática de regiões sintomáticas em cafezais por meio de imagens aéreas pode auxiliar o monitoramento fitossanitário em larga escala e reduzir perdas na produção agrícola. Este trabalho avalia estratégias baseadas na arquitetura YOLO para detectar regiões sintomáticas em imagens RGB obtidas por VANTs. Foram utilizadas 162 imagens contendo 641 anotações distribuídas em três níveis de severidade dos sintomas. Três abordagens foram comparadas: YOLO convencional, YOLO com Slicing Aided Hyper Inference (SAHI) e YOLO treinado com tiling combinado ao SAHI. A estratégia YOLO + SAHI apresentou o melhor desempenho, alcançando 53,9% de precisão, 53,9% de mAP@50 e 35,7% de mAP@50-95. Os resultados indicam que o uso de SAHI melhora a detecção de pequenas regiões sintomáticas ao preservar informações locais da imagem, demonstrando potencial para aplicações em monitoramento agrícola automatizado.

Referências

Adiwijaya, N. O., Sarno, R., and Wijaya, D. R. (2024). Real time detection of coffee bean defects using yolo method and sahi (slicing aided hyper inference) framework. In 2024 Beyond Technology Summit on Informatics International Conference (BTS-I2C), pages 286–291.

Akyon, F. C., Altinuc, S. O., and Temizel, A. (2022). Slicing aided hyper inference and fine-tuning for small object detection. In 2022 IEEE international conference on image processing (ICIP), pages 966–970. IEEE.

Akyon, F. C., Cengiz, C., Altinuc, S. O., Cavusoglu, D., Sahin, K., and Eryuksel, O. (2021). SAHI: A lightweight vision library for performing large scale object detection and instance segmentation.

Albuquerque, L. D. and Guedes, E. B. (2024). Coffee plant leaf disease detection for digital agriculture. Journal on Interactive Systems, 15(1):220–233.

Bernardi, A. C. d. C., Bettiol, G. M., Grego, C. R., Andrade, R. G., Rabello, L. M., and Inamasu, R. Y. (2017). Ferramentas de agricultura de precisão como auxílio ao manejo da fertilidade do solo. Cadernos de Ciência & Tecnologia, 32(1/2):211–227.

Chaurasia, D. and Patro, B. (2023). Real-time detection of birds for farm surveillance using yolov7 and sahi. In 2023 3rd International Conference on Computing and Information Technology (ICCIT), pages 442–450.

Companhia Nacional de Abastecimento (2023). 4º Levantamento da Safra de Café. Accessed: 2024-06-06. ISSN: 2318-7913.

Food and Agriculture Organization of the United Nations (2023). Coffee. Accessed: 2024-06-03.

Goltz, G. A. M. (2011). Redes neurais artificiais em imagens para estimação da posição de um vant. Dissertação (mestrado em computação aplicada), Instituto Nacional de Pesquisas Espaciais, São José dos Campos, SP, Brasil.

Inamasu, R. Y., Bernardi, A. d. C., et al. (2014). Agricultura de precisão. BERNARDI, ACC; NAIME, JM; RESENDE, AV; BASSOI, LH, pages 21–33.

Jocher, G., Qiu, J., Liu, M., Lyu, S., Akyon, F. C., and Kalfaoglu, M. E. (2026). Ultralytics yolo26: Unified real-time end-to-end vision models.

Lamparelli, R. A. C. (2016). Agricultura de precisão. Agência Embrapa de Informação Tecnológica, Brasília.

Liang, X., Xiang, J., Qin, S., Xiao, Y., Chen, L., Zou, D., Ma, H., Huang, D., Huang, Y., and Wei, W. (2025). Small target detection algorithm based on sahi-improved-yolov8 for uav imagery: A case study of tree pit detection. Smart Agricultural Technology, 12:101181.

Ludermir, T. B. (2021). Inteligência artificial e aprendizado de máquina: estado atual e tendências. Estudos Avançados, 35:85–94.

Manfrim, A. C. (2022). Estudo e desenvolvimento de um sistema de detecção e contagem de gado em imagens aéreas utilizando redes neurais. Dissertação de mestrado, Universidade Estadual de Londrina.

Marengoni, M. and Stringhini, S. (2009). Tutorial: Introdução à visão computacional usando opencv. Revista de Informática Teórica e Aplicada, 16(1):125–160.

Mesquita, C. d., Rezende, J. E., Carvalho, J. S., Júnior, M., MORAES, N. C., Tavares, P., Carvalho, A., and Araújo, W. G. (2016). Manual do café: colheita e preparo (coffea arábica l.). Belo Horizonte: EMATER-MG, pages 1–56.

Muzammul, M., Algarni, A., Ghadi, Y. Y., and Assam, M. (2024). Enhancing uav aerial image analysis: Integrating advanced sahi techniques with real-time detection models on the visdrone dataset. IEEE Access, 12:21621–21633.

Pereira, D. C., Fernandes, L. F. S., and Fernandes, D. (2023). As vantagens da utilização de drones no agronegócio e na agricultura de precisão. Revista Alomorfia, 7(2):705–716.

Pinto, L., Silva, G., Negrão, A., Bueno, M., Freitas, V., and Silva, P. (2026). Detection of affected areas in coffee plantations using aerial drone imagery. In Brazilian Conference on Intelligent Systems. Springer.

Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 779–788.

Santana, L. S., do Santos, G. H. R., Araújo, G., Ferraz, S., dos Santos, L. M., Barbosa, B. D. S., and Bento, N. L. (2019). Treinamento de algoritmo para identificação de mudas de café por meio de imagens aéreas. X Simpósio de Pesquisa dos Cafés do Brasil.

Takano, W. H., Almeida, L. L., and da Silva, F. A. (2021). Detecção de animais bovinos utilizando imagens aéreas por meio de redes neurais. Colloquium Exactarum, pages 47–56.

Yang, X. and Guo, T. (2017). Machine learning in plant disease research. March, 31:1.

Ye, R., Gao, Q., Qian, Y., Sun, J., and Li, T. (2024). Improved yolov8 and sahi model for the collaborative detection of small targets at the micro scale: A case study of pest detection in tea. Agronomy, 14(5).