Avaliação de Estratégias de Treinamento para Segmentação Semântica na Detecção de Áreas de Estresse em Lavouras de Feijão

• Lívia N. Andrade EPAMIG
• Marley L. Machado EPAMIG
• Vanessa C. O. Souza UNIFEI
• Margarete M. L. Volpato EPAMIG
• Aurinelza B. T. Condé EPAMIG
• Clara L. Moreno UNIFEI

DOI: https://doi.org/10.5753/wcama.2026.22200

Resumo

Este trabalho investiga o uso de Deep Learning para segmentação semântica de áreas sob estresse em lavouras de feijão a partir de imagens RGB obtidas por veículo aéreo não tripulado (VANT). Foi treinada uma rede U-Net com backbone ResNet34 utilizando imagens subdivididas em tiles de diferentes dimensões e diferentes funções de perda. Os experimentos avaliaram o impacto do tamanho dos tiles e das estratégias de treinamento no desempenho do modelo. Os resultados indicam que a configuração com tiles de 128 × 128 pixels e função de perda Tversky + Cross Entropy apresentou melhor equilíbrio na identificação das áreas de estresse na etapa de generalização.

Referências

Abbas, I., Liu, J., Faheem, M., Noor, R. S., Shaikh, S. A., Solangi, K. A., and Raza, S. M. (2023). Drones in plant disease assessment, efficient monitoring, and detection: A way forward to smart agriculture. Agronomy, 13(6):1524.

Aires, A. N. R. (2025). Uso de imagens coletadas por aeronaves remotamente pilotadas para fenotipagem digital da cultura de soja. Trabalho de conclusão de curso, Universidade Federal de Uberlândia, Uberlândia, MG, Brasil.

Bouguettaya, A., Zarzour, H., Kechida, A., and Taberkit, A. M. (2022). Deep learning techniques to classify agricultural crops through uav imagery: a review. Neural Computing and Applications, 34(12):9511–9536.

Chiu, M.-T. et al. (2020). Agriculture-vision: A large aerial image database for agricultural pattern analysis. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pages 2828–2838. IEEE.

Gao, Z., Luo, Z., Zhang, W., Lv, Z., and Xu, Y. (2020). Deep learning application in plant stress imaging: A review. AgriEngineering, 2(3):430–446.

Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G., and Johnson, B. A. (2019). Deep learning in remote sensing applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing, 152:166–177.

Moreno, C. L., Souza, V. C. O., Machado, M. L., and Freitas, B. H. G. S. (2025). Aprendizado sensível ao custo aplicado na detecção de estresse agrícola na cultura do feijão. In Anais do XVI Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais (WCAMA), Maceió, AL, Brasil. Sociedade Brasileira de Computação.

Müller, D. and Kramer, F. (2021). Miscnn: a framework for medical image segmentation with convolutional neural networks and deep learning. BMC Medical Imaging, 21(1).

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer-Assisted Intervention (MICCAI), volume 9351 of Lecture Notes in Computer Science, pages 234–241. Springer.

Shahi, T. B., Xu, C.-Y., Neupane, A., and Guo, W. (2023). Recent advances in crop disease detection using uav and deep learning techniques. Remote Sensing, 15(9):2450.

Silva Neto, H. d. (2023). Segmentação de pragas e doenças em folhas de café utilizando redes convolucionais. Dissertação (mestrado em tecnologias sustentáveis), Instituto Federal do Espírito Santo, Campus Vitória, Vitória, ES.