Pipeline Interpretável para Detecção de Doenças Foliares em Tomateiro com Inferência em Borda via Rust/ONNX
Resumo
Este trabalho apresenta uma horta indoor inteligente de baixo custo para o cultivo de tomateiro, integrando sensoriamento embarcado, atuação e Inteligência Artificial para detecção de doenças foliares. Um ESP32-S3 com câmera OV2640 monitora variáveis ambientais e automatiza a irrigação; imagens foliares seguem para um servidor Rust/Axum com ONNX Runtime. Extraise um vetor de 188 atributos após segmentação da folha no espaço de cor HSV (matiz, saturação e valor). Sob StratifiedGroupKFold com deduplicação por hash, o XGBoost obteve macro F1 96,19% em 4.803 amostras de teste, com 76,7% do ganho atribuível a descritores de cor nomeados; a MobileNetV3-Small, 99,02%. O Rust reduziu a latência mediana de 24,5 ms para 13,2 ms (p < 0,001), com inferência 14× mais rápida.
Referências
Azevedo, A. T. (2025). Algoritmos para manejo da irrigação aplicados às metodologias de balanço hídrico e sensores de umidade do solo. Tese (doutorado em engenharia de sistemas agrícolas), Universidade de São Paulo. DOI: 10.11606/t.11.2025.tde-04062025-103533.
Barbedo, J. G. A. (2018). Factors influencing the use of deep learning for plant disease recognition. Biosystems Engineering, 172:84–91. DOI: 10.1016/j.biosystemseng.2018.05.013.
Bassoi, L. H., Inamasu, R. Y., Bernardi, A. C. d. C., Vaz, C. M. P., Speranza, E. A., and Cruvinel, P. E. (2019). Agricultura de precisão e agricultura digital. TECCOGS: Revista Digital de Tecnologias Cognitivas, 20:17–36. DOI: 10.23925/1984-3585.2019i20p17-36.
Bouni, M., Hssina, B., Douzi, K., and Douzi, S. (2024). Synergistic use of hand-crafted and deep learning features for tomato leaf disease classification. Scientific Reports, 14(1):26822. DOI: 10.1038/s41598-024-71225-5.
Breiman, L. (2001). Random forests. Machine Learning, 45(1):5–32. DOI: 10.1023/A:1010933404324.
Campos, H. d. M. (2019). Automação da irrigação no cultivo de tomate cereja (Solanum lycopersicum var. Cerasiforme) sob conteúdos volumétricos de água no solo. Dissertação (mestrado), Instituto Federal Goiano, Ceres. Sem DOI registrado. Disponível em: [link].
Chen, T. and Guestrin, C. (2016). XGBoost: a scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’16, pages 785–794, New York. ACM. DOI: 10.1145/2939672.2939785.
Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3):273–297. DOI: 10.1007/BF00994018.
Howard, A., Sandler, M., Chen, B., Wang, W., Chen, L.-C., Tan, M., Chu, G., Vasudevan, V., Zhu, Y., Pang, R., Adam, H., and Le, Q. (2019). Searching for MobileNetV3. In 2019 IEEE/CVF International Conference on Computer Vision (ICCV), pages 1314–1324. IEEE. DOI: 10.1109/ICCV.2019.00140.
Hughes, D. P. and Salathé, M. (2015). An open access repository of images on plant health to enable the development of mobile disease diagnostics. arXiv:1511.08060 [cs.CY]. Disponível em: [link]. Preprint (v1: 25 nov. 2015; v2: 12 abr. 2016). Artigo que descreve o repositório PlantVillage.
Laiskodat, F. A. and Rahardi, M. (2025). Multiclass classification of tomato leaf diseases using GLCM, color, and shape feature extraction with optimized XGBoost. Journal of Applied Informatics and Computing, 9(6):3594–3600. DOI: 10.30871/jaic.v9i6.11273.
Malche, T., Joshi, M., Upadhyay, G. M., and Soni, P. K. (2025). Automated tomato leaf disease detection and alert system using internet of things and TinyML. Discover Internet of Things, 6(1):8. DOI: 10.1007/s43926-025-00257-8.
Mohanty, S. P., Hughes, D. P., and Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7:1419. DOI: 10.3389/fpls.2016.01419.
Navarro, E., Costa, N., and Pereira, A. (2020). A systematic review of IoT solutions for smart farming. Sensors, 20(15):4231. DOI: 10.3390/s20154231.
Noyan, M. A. (2022). Uncovering bias in the PlantVillage dataset. Disponível em: [link].
Plauska, I., Liutkevičius, A., and Janavičiūtė, A. (2022). Performance evaluation of C/C++, MicroPython, Rust and TinyGo programming languages on ESP32 microcontroller. Electronics, 12(1):143. DOI: 10.3390/electronics12010143.
Saxena, A., Agarwal, A., Nagrath, B., Jayavanth, C. S., Thulasidoss, S., Maheswari, S., and Sasikumar, P. (2025). Deep learning-driven IoT solution for smart tomato farming. Scientific Reports, 15(1):31092. DOI: 10.1038/s41598-025-15615-3.
Sharma, J., Al-Huqail, A. A., Almogren, A., Doshi, H., Jayaprakash, B., Bharathi, B., Rehman, A. U., and Hussen, S. (2025). Deep learning based ensemble model for accurate tomato leaf disease classification by leveraging ResNet50 and MobileNetV2 architectures. Scientific Reports, 15(1):13904. DOI: 10.1038/s41598-025-98015-x.
Zimmermann, G. B., Pellenz, M. E., Costa, Y. M. G., and Britto Jr., A. d. S. (2025). Enhancing disease and pest detection in greenhouse tomato cultivation using advanced machine learning on new dataset of images. Journal of the Brazilian Computer Society, 31(1):187–202. DOI: 10.5753/jbcs.2025.4581.
Barbedo, J. G. A. (2018). Factors influencing the use of deep learning for plant disease recognition. Biosystems Engineering, 172:84–91. DOI: 10.1016/j.biosystemseng.2018.05.013.
Bassoi, L. H., Inamasu, R. Y., Bernardi, A. C. d. C., Vaz, C. M. P., Speranza, E. A., and Cruvinel, P. E. (2019). Agricultura de precisão e agricultura digital. TECCOGS: Revista Digital de Tecnologias Cognitivas, 20:17–36. DOI: 10.23925/1984-3585.2019i20p17-36.
Bouni, M., Hssina, B., Douzi, K., and Douzi, S. (2024). Synergistic use of hand-crafted and deep learning features for tomato leaf disease classification. Scientific Reports, 14(1):26822. DOI: 10.1038/s41598-024-71225-5.
Breiman, L. (2001). Random forests. Machine Learning, 45(1):5–32. DOI: 10.1023/A:1010933404324.
Campos, H. d. M. (2019). Automação da irrigação no cultivo de tomate cereja (Solanum lycopersicum var. Cerasiforme) sob conteúdos volumétricos de água no solo. Dissertação (mestrado), Instituto Federal Goiano, Ceres. Sem DOI registrado. Disponível em: [link].
Chen, T. and Guestrin, C. (2016). XGBoost: a scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’16, pages 785–794, New York. ACM. DOI: 10.1145/2939672.2939785.
Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3):273–297. DOI: 10.1007/BF00994018.
Howard, A., Sandler, M., Chen, B., Wang, W., Chen, L.-C., Tan, M., Chu, G., Vasudevan, V., Zhu, Y., Pang, R., Adam, H., and Le, Q. (2019). Searching for MobileNetV3. In 2019 IEEE/CVF International Conference on Computer Vision (ICCV), pages 1314–1324. IEEE. DOI: 10.1109/ICCV.2019.00140.
Hughes, D. P. and Salathé, M. (2015). An open access repository of images on plant health to enable the development of mobile disease diagnostics. arXiv:1511.08060 [cs.CY]. Disponível em: [link]. Preprint (v1: 25 nov. 2015; v2: 12 abr. 2016). Artigo que descreve o repositório PlantVillage.
Laiskodat, F. A. and Rahardi, M. (2025). Multiclass classification of tomato leaf diseases using GLCM, color, and shape feature extraction with optimized XGBoost. Journal of Applied Informatics and Computing, 9(6):3594–3600. DOI: 10.30871/jaic.v9i6.11273.
Malche, T., Joshi, M., Upadhyay, G. M., and Soni, P. K. (2025). Automated tomato leaf disease detection and alert system using internet of things and TinyML. Discover Internet of Things, 6(1):8. DOI: 10.1007/s43926-025-00257-8.
Mohanty, S. P., Hughes, D. P., and Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7:1419. DOI: 10.3389/fpls.2016.01419.
Navarro, E., Costa, N., and Pereira, A. (2020). A systematic review of IoT solutions for smart farming. Sensors, 20(15):4231. DOI: 10.3390/s20154231.
Noyan, M. A. (2022). Uncovering bias in the PlantVillage dataset. Disponível em: [link].
Plauska, I., Liutkevičius, A., and Janavičiūtė, A. (2022). Performance evaluation of C/C++, MicroPython, Rust and TinyGo programming languages on ESP32 microcontroller. Electronics, 12(1):143. DOI: 10.3390/electronics12010143.
Saxena, A., Agarwal, A., Nagrath, B., Jayavanth, C. S., Thulasidoss, S., Maheswari, S., and Sasikumar, P. (2025). Deep learning-driven IoT solution for smart tomato farming. Scientific Reports, 15(1):31092. DOI: 10.1038/s41598-025-15615-3.
Sharma, J., Al-Huqail, A. A., Almogren, A., Doshi, H., Jayaprakash, B., Bharathi, B., Rehman, A. U., and Hussen, S. (2025). Deep learning based ensemble model for accurate tomato leaf disease classification by leveraging ResNet50 and MobileNetV2 architectures. Scientific Reports, 15(1):13904. DOI: 10.1038/s41598-025-98015-x.
Zimmermann, G. B., Pellenz, M. E., Costa, Y. M. G., and Britto Jr., A. d. S. (2025). Enhancing disease and pest detection in greenhouse tomato cultivation using advanced machine learning on new dataset of images. Journal of the Brazilian Computer Society, 31(1):187–202. DOI: 10.5753/jbcs.2025.4581.
Publicado
19/10/2026
Como Citar
SILVA, Felipe Schandler; LUZ, Victor R. Rodrigues; PEREIRA, Gabrielly de Queiroz; SENGER, Luciano José; MARTINS, Marcella Scoczynski Ribeiro.
Pipeline Interpretável para Detecção de Doenças Foliares em Tomateiro com Inferência em Borda via Rust/ONNX. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 23. , 2026, Cuiabá/MT.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 3463-3474.
ISSN 2763-9061.
DOI: https://doi.org/10.5753/eniac.2026.31427.
