TeaLeafVision: An Explainable and Robust Deep Learning Framework for Tea Leaf Disease Classification

1. Problema e Motivação

O chá é a segunda bebida mais consumida no mundo e um ativo econômico crucial. No entanto, a produtividade e a qualidade das plantações são severamente ameaçadas por doenças foliares causadas por fungos, bactérias e pragas (como a ferrugem vermelha, mancha algal e pragas como Helopeltis).

• Desafio Atual: A detecção tradicional depende de inspeção manual por especialistas, um processo que é intensivo em mão de obra, demorado e sujeito a viés humano.
• Necessidade: Existe uma lacuna crítica na necessidade de sistemas automatizados, precisos e interpretáveis que possam operar em condições de campo reais, permitindo a detecção precoce para reduzir perdas econômicas e promover a agricultura de precisão.

2. Metodologia

O estudo propõe o TeaLeafVision, um framework de aprendizado profundo que combina classificação de alto desempenho com técnicas de Inteligibilidade (XAI) e robustez.

• Conjunto de Dados (Dataset): Utilizou-se o dataset teaLeafBD, contendo 5.278 imagens RGB de alta resolução. As imagens cobrem sete classes: seis tipos de doenças (Mancha Marrom, Mancha Cinza, Praga Green Mirid, Helopeltis, Ácaro Vermelho, Mancha Algal) e uma classe de folhas saudáveis. As imagens foram coletadas em condições variadas de campo (luz, ângulo, fundo).
• Pré-processamento:
  • Redimensionamento para 224x224 pixels.
  • Normalização de pixels para o intervalo [0,1].
  • Divisão dos dados: 70% treino, 20% validação, 10% teste.
  • Técnicas de aumento de dados (data augmentation) como rotação, espelhamento e zoom, além de oversampling para balancear as classes.
• Arquiteturas de Modelos: Foram avaliadas três arquiteturas CNN pré-treinadas com Transfer Learning:
  1. MobileNetV2: Focada em eficiência computacional e blocos residuais invertidos.
  2. InceptionV3: Utiliza convoluções fatorizadas e módulos de múltiplos ramos.
  3. DenseNet201: Utiliza conexões densas para reutilização de características e fluxo de gradiente melhorado.
• Treinamento e Otimização:
  • Otimizador Adam com taxas de aprendizado variadas (0,0001 para DenseNet/MobileNet e 0,00001 para Inception).
  • Função de perda: Categorical Cross-Entropy.
  • Uso de Early Stopping para prevenir overfitting.
• Técnicas de Robustez e Explicabilidade:
  • Grad-CAM (Gradient-weighted Class Activation Mapping): Para visualizar quais regiões da imagem (manchas, lesões) influenciaram a decisão do modelo.
  • Análise de Sensibilidade à Oclusão: Para verificar se o modelo foca nas áreas patológicas ao bloquear partes da imagem.
  • Treinamento Adversarial: Introdução de perturbações controladas ($\epsilon$) nos dados de entrada para testar e aumentar a resistência do modelo a ruídos.

3. Principais Contribuições

1. Alta Precisão em Condições Reais: Desenvolvimento de um modelo capaz de classificar doenças complexas em folhas de chá com alta acurácia, superando métodos tradicionais e outras arquiteturas CNN.
2. Explicabilidade (XAI): Integração de Grad-CAM e análise de oclusão para transformar o modelo de "caixa preta" em uma ferramenta transparente, permitindo que agricultores e especialistas validem por que uma doença foi detectada (focando em lesões biológicas reais).
3. Robustez Adversarial: Validação do modelo contra perturbações de entrada, garantindo que o sistema seja confiável mesmo com variações de qualidade de imagem ou ruído no campo.
4. Aplicação Prática (Protótipo): Desenvolvimento de uma aplicação web funcional chamada TeaLeafVision, que permite o upload de imagens, fornece a classificação, a pontuação de confiança e o mapa de calor (Grad-CAM) em tempo real.

4. Resultados

• Desempenho Comparativo:
  • DenseNet201: Alcançou a melhor performance com 99% de acurácia no teste. Apresentou convergência rápida, excelente generalização e equilíbrio entre precisão, recall e F1-Score (muitas classes com 0,99 a 1,00).
  • MobileNetV2: Acurácia de ~94%.
  • InceptionV3: Acurácia de ~92%.
• Robustez: O modelo DenseNet201 manteve uma acurácia superior a 97,8% mesmo sob níveis elevados de perturbação adversarial ($\epsilon$ até 0,2), demonstrando resiliência a ruídos.
• Interpretabilidade: Os mapas de calor do Grad-CAM confirmaram que o modelo focava corretamente nas áreas de lesão, necrose e descoloração, ignorando fundos ou áreas saudáveis.
• Comparação com Trabalhos Anteriores: O TeaLeafVision superou estudos anteriores (como LeafNet com 90,16% e YOLOv7 com 97,3%), oferecendo não apenas maior precisão, mas também as camadas de explicabilidade e robustez que faltavam na literatura existente.

5. Significado e Conclusão

O estudo demonstra que a inteligência artificial, quando combinada com técnicas de explicabilidade e robustez, pode ser uma ferramenta viável e confiável para a agricultura.

• Impacto Prático: O sistema permite a detecção precoce de doenças, ajudando agricultores a tomar medidas preventivas, reduzir perdas econômicas e melhorar a qualidade da produção de chá.
• Validação Científica: A pesquisa responde positivamente à questão de como sistemas automatizados podem melhorar a qualidade da produção e minimizar perdas.
• Limitações e Futuro: O estudo reconhece que o dataset, embora representativo, ainda é limitado em tamanho e que a validação externa em diferentes centros de imagem é necessária. Trabalhos futuros focarão na expansão do dataset e na otimização para implementação em larga escala no campo.

Em suma, o TeaLeafVision estabelece um novo padrão para a detecção de doenças em plantas, equilibrando alta performance técnica com a transparência necessária para a adoção prática por não-especialistas.