Healthy Harvests: A Comparative Look at Guava Disease Classification Using InceptionV3

Resumo Técnico: Healthy Harvests: Uma Análise Comparativa da Classificação de Doenças em Goiaba usando InceptionV3

Problema
A cultura da goiaba é economicamente vital, especialmente no Sul da Ásia, mas enfrenta ameaças severas devido a doenças como a Antracnose (causada por fungos) e a infestação por Moscas-das-frutas (que causam danos internos). A identificação manual dessas doenças é lenta e imprecisa, o que pode comprometer a segurança alimentar, a renda dos pequenos agricultores e a sustentabilidade agrícola. O desafio reside em desenvolver um sistema automatizado que seja rápido, confiável e capaz de distinguir claramente entre frutos saudáveis e doentes.

Metodologia
O estudo propõe uma abordagem de aprendizado profundo (deep learning) para classificar três categorias: Antracnose, Moscas-das-frutas e Frutos Saudáveis.

1. Dados: Utilizou-se um conjunto de dados do Mendeley Data contendo 473 imagens originais. Para aumentar a robustez, as imagens foram redimensionadas para 256×256 pixels (RGB) e submetidas a um processo de aumento de dados (Data Augmentation), resultando em um dataset expandido de 3.784 imagens.
2. Técnicas de Regularização: Foram aplicados métodos avançados de mistura de dados, como CutMix e MixUp, para melhorar a capacidade de generalização dos modelos e evitar o overfitting.
3. Modelos Implementados:
   • InceptionV3: Utiliza filtros convolucionais de múltiplos tamanhos em paralelo para capturar características em diferentes escalas.
   • ResNet50: Utiliza aprendizado residual (residual learning) para permitir o treinamento de redes mais profundas sem o problema do desaparecimento do gradiente.
4. IA Explicável (XAI): Para garantir a transparência das decisões do modelo, foram aplicadas as técnicas SHAP (utilizando Grad-CAM para mapas de calor) e LIME, permitindo visualizar quais regiões da imagem foram determinantes para a classificação.

Principais Contribuições

• Comparação de Arquiteturas: O estudo fornece uma análise comparativa direta entre InceptionV3 e ResNet50 aplicada especificamente à patologia da goiaba.
• Uso de XAI na Agricultura: A integração de SHAP e LIME transforma o modelo de uma "caixa-preta" em uma ferramenta interpretável, essencial para que agricultores confiem nos diagnósticos automatizados.
• Otimização via Augmentation: Demonstração de como o ajuste fino dos parâmetros $\alpha$ no CutMix e MixUp pode maximizar a precisão e minimizar a perda de validação.

Resultados
Os resultados demonstraram que o modelo InceptionV3 superou o ResNet50 em quase todas as métricas:

• InceptionV3: Alcançou uma acurácia impressionante de 98,15%. O modelo apresentou excelente desempenho na detecção de Antracnose (precisão e recall de 1,00).
• ResNet50: Alcançou uma acurácia de 94,46%. Embora robusto, apresentou maior flutuação na curva de validação e ligeiramente menor precisão em comparação ao InceptionV3.
• Comparação com a Literatura: O modelo proposto superou trabalhos anteriores (como os de Mawardi et al. e Yuhang Pan et al.), que apresentaram acurácias variando entre 74% e 93,83%.

Significância
Este trabalho representa um avanço significativo para a agricultura de precisão. Ao fornecer um método altamente preciso e, crucialmente, explicável, a pesquisa oferece uma base tecnológica para o desenvolvimento de aplicativos móveis ou dispositivos de borda (edge devices). Isso permite que agricultores identifiquem doenças precocemente no campo, reduzindo perdas de safra, diminuindo o uso desnecessário de pesticidas e aumentando a rentabilidade e a sustentabilidade da produção de goiaba.