Development of a Vision-Guided Autonomous Variable-Rate Spraying System for Site- Specific Potato Disease Management Using YOLOv26

Problema

O cultivo de batata na Índia e globalmente enfrenta perdas significativas de rendimento devido a doenças foliares, particularmente a requeima (Phytophthora infestans) e a alternária (Alternaria solani). O manejo convencional baseia-se em "pulverização em área total" (blanket spraying), onde fungicidas são aplicados uniformemente em todo o campo, independentemente da presença de doenças. Esta abordagem é ineficiente porque a incidência de doenças é inerentemente heterogênea devido a variações de microclima e dossel, levando à aplicação excessiva de produtos químicos em plantas saudáveis e ao tratamento inadequado em plantas doentes. Este uso indiscriminado aumenta os custos de produção, acelera a resistência de patógenos e gera riscos ambientais e de saúde. Embora o aprendizado profundo tenha avançado na detecção de doenças, permanece uma lacuna crítica na tradução da percepção em tempo real para uma intervenção autônoma de taxa variável ao nível do campo.

Metodologia

O estudo desenvolveu uma estrutura unificada de percepção–decisão–atuação integrada em um pulverizador autônomo de três rodas (TWAS) operando no Instituto Indiano de Tecnologia de Kharagpur.

1. Arquitetura do Sistema e Hardware

• Plataforma: Um veículo autônomo customizado equipado com um Filtro de Kalman Estendido (EKF) para navegação e um controlador Pure Pursuit para rastreamento de trajetória.
• Computação: Uma arquitetura de processamento duplo distribuído usando duas unidades Raspberry Pi 5. O Pi-1 lidou com navegação, localização e controle primário da linha, enquanto o Pi-2 atuou como um nó de percepção dedicado para a linha adjacente. A comunicação foi gerenciada via UDP para troca de dados de baixa latência.
• Sensoriamento: Duas câmeras RGB Logitech C270 voltadas para baixo foram montadas a uma altura de 0,70 m, proporcionando um campo de visão (FOV) de aproximadamente 0,63 m × 0,36 m. Esta geometria garantiu cobertura total da linha alvo (largura do dossel de 0,30–0,35 m) mantendo o isolamento lateral das linhas adjacentes.
• Atuação: Válvulas solenoides controladas por Modulação por Largura de Pulso (PWM) permitiram a pulverização de taxa variável. Foi implementado um offset de 0,30 m entre a câmera e o bico, com um algoritmo de compensação de atraso baseado em distância usando um sensor de proximidade indutivo para sincronizar a atuação da pulverização com a velocidade do veículo.

2. Conjunto de Dados e Desenvolvimento do Modelo

• Conjunto de Dados: Foi criado um conjunto de dados composto de 1.561 imagens de campo contendo 14.166 instâncias de folhas anotadas (7.348 doentes, 6.818 saudáveis) sob condições de dossel denso.
• Seleção do Modelo: O estudo comparou YOLOv8, YOLOv12 e YOLOv26 em múltiplas escalas (do nano ao grande) contra detectores convencionais (Faster R-CNN, RetinaNet, etc.).
• Treinamento: Os modelos foram treinados usando o framework Ultralytics com perda CIoU, Entropia Cruzada Binária (BCE) e Perda Focal de Distribuição (DFL). A aumentação de dados incluiu rotação (flipping), escala e ajustes de HSV, mas a aumentação Mosaic foi excluída para manter a estabilidade de localização em dosséis densos.
• Implantação: A variante leve YOLOv26n foi selecionada para implantação embarcada. O modelo foi exportado para o formato ONNX e otimizado com precisão FP16 para execução no Raspberry Pi 5.

3. Lógica de Controle e Estimativa de Severidade

• Agregação Temporal: Para lidar com oclusão e ruído de detecção, foi utilizada uma janela deslizante temporal de 2 segundos. A severidade da doença foi estimada ao nível do dossel através da agregação da área das regiões detectadas como saudáveis e doentes ao longo da janela.
• Estratégia de Taxa Variável: O índice de severidade calculado ($S(t)$) foi mapeado para ciclos de trabalho (duty cycles) discretos de PWM:
  • $S(t) < 0,10$: Ciclo de trabalho de 40% (Linha de base).
  • $0,10 \le S(t) < 0,30$: Ciclo de trabalho de 80%.
  • $S(t) \ge 0,30$: Ciclo de trabalho de 100%.
  • Regiões com folhagem insuficiente ($A_{total} < 3000$ pixels) não receberam pulverização (0%).

Principais Resultados

1. Desempenho do Modelo

• Precisão: O YOLOv26 alcançou o maior desempenho de detecção com um pico de mAP@0.5 de 0,961, superando o YOLOv8 (0,924) em 3,7% e o YOLOv12 (0,938) em 2,3%.
• Discriminação de Classe: O YOLOv26 demonstrou uma separação de classe superior, com uma taxa de verdadeiro positivo normalizada de ~0,99 para ambas as classes (saudável e doente), minimizando falsos negativos (doenças perdidas) e falsos positivos (pulverização desnecessária).
• Desempenho Embarcado: No Raspberry Pi 5, o modelo ONNX otimizado alcançou uma velocidade de inferência de aproximadamente 10 FPS. A uma velocidade operacional de 0,18 m/s, isso resultou em um intervalo de amostragem espacial de 0,018 m, suficiente para monitoramento contínuo.

2. Experimentação de Campo

• Validação Operacional: Os testes de campo cobriram 598 instâncias de decisão de pulverização espacial em seis fileiras de cultura. O sistema capturou com sucesso a heterogeneidade espaço-temporal, identificando zonas de alta severidade em fileiras específicas (ex: Fileiras 1, 3, 5) enquanto detectava zonas de baixa severidade em outras.
• Correlação: Observou-se uma forte correlação positiva ($r = 0,83$) entre a severidade da doença estimada e o ciclo de trabalho PWM comandado, confirmando a capacidade do sistema de adaptar a intensidade da pulverização aos níveis de infecção locais.
• Economia de Produtos Químicos: Comparado a uma linha de base simulada de pulverização de área total convencional (fluxo máximo constante), o sistema de taxa variável proposto reduziu o consumo de agroquímicos em 32,75%.
  • Taxa Convencional: 458 L/ha.
  • Taxa do Sistema Proposto: 308 L/ha.
  • Volume total reduzido de 12,36 L para 8,30 L sobre a área de teste.

Significância e Alegações

Os autores afirmam que este estudo consegue preencher a lacuna entre a percepção inteligente de doenças e a proteção automatizada de cultivos, integrando aprendizado profundo embarcado com controle de pulverização adaptativo. A significância deste trabalho reside em:

1. Viabilidade de IA de Borda (Edge AI): Demonstrar que a detecção de objetos de alta precisão (YOLOv26) pode ser implantada em hardware de baixo custo e recursos limitados (Raspberry Pi 5) para operações de campo em tempo real.
2. Agricultura de Precisão: Validar um sistema de malha fechada (closed-loop) que vai além da simples detecção para uma intervenção de taxa variável específica por localidade, reduzindo insumos químicos sem comprometer o manejo de doenças.
3. Robustez em Dosséis Densos: O uso de janelas deslizantes temporais e estimativa de severidade ao nível do dossel provou ser eficaz para lidar com a oclusão e a iluminação variável típicas de culturas maduras de batata.
4. Escalabilidade: A estrutura é apresentada como uma plataforma flexível que pode ser adaptada para outras culturas de linha através do retreinamento do modelo de detecção, oferecendo um caminho para sistemas de proteção de cultivos inteligentes e sustentáveis.

O artigo conclui que a estrutura de percepção–decisão–atuação proposta fornece uma solução tecnológica prática para reduzir o uso de agroquímicos mantendo o controle eficaz de doenças na cultura da batata.