Towards Intelligent Disease Phenotyping in Peach: A Deep Feature Extraction Framework for Leaf Disease Detection Under Real Field Conditions

No ritmo silencioso de um pomar, a saúde de um pessegueiro é frequentemente escrita na linguagem de suas folhas. Por séculos, os agricultores confiaram em seus próprios olhos para ler essa linguagem, buscando o enrugamento característico de uma folha ou a mancha de uma ferrugem. Essa inspeção visual é uma habilidade consagrada pelo tempo, mas também é lenta, subjetiva e difícil de escalar em vastas plantações comerciais. Quando uma doença ataca, cada hora de atraso pode significar uma perda de rendimento ou uma queda na qualidade dos frutos. Para preencher a lacuna entre a observação humana e a vastidão da agricultura moderna, os cientistas voltaram-se para um tipo diferente de visão: a inteligência artificial. Especificamente, eles estão utilizando um ramo da computação conhecido como aprendizado profundo (deep learning), onde programas de computador são projetados para imitar a maneira como o cérebro humano processa imagens. Esses programas não precisam ser ensinados as regras da doença manualmente; em vez disso, eles aprendem estudando milhares de fotos, reconhecendo gradualmente os padrões sutis que distinguem uma folha saudável de uma doente. O desafio, no entanto, sempre foi que esses programas costumam funcionar melhor no silêncio controlado de um laboratório, onde a iluminação é perfeita e os fundos são neutros. Pomares reais são desordenados, repletos de sombras mutáveis, folhas sopradas pelo vento e fundos complexos que podem confundir até os algoritmos mais inteligentes.

Uma equipe de pesquisadores da Universidade de Ciências e Tecnologias Agrícolas Sher-e-Kashmir partiu para ver se esses olhos digitais poderiam realmente enxergar a verdade no campo. Eles focaram no pessegueiro, uma cultura vital para a região, que é frequentemente ameaçada por três inimigos específicos: uma infecção fúngica que faz as folhas enrolarem e engrossarem, outra que cria pequenas lesões semelhantes a furos, e uma terceira que se manifesta como manchas alaranjadas de ferrugem. Para testar suas ideias, a equipe não utilizou fotos perfeitas, de qualidade de estúdio. Em vez disso, capturaram dez mil imagens de folhas de pessegueiro diretamente de pomares no vale de Cachemira, sob condições naturais e não controladas. Essas imagens incluíam folhas em diferentes estágios de crescimento e de doença, fotografadas com variadas distâncias, ângulos e iluminação. Os pesquisadores então alimentaram essa coleção diversificada de dados do mundo real em quatro arquiteturas diferentes de aprendizado profundo, que são, essencialmente, distintos projetos de como um computador analisa uma imagem. Três desses projetos foram adaptados de modelos que já haviam sido treinados em milhões de imagens gerais, enquanto um foi construído do zero para aprender especificamente com os dados das folhas de pessegueiro.

O processo envolveu ensinar esses modelos de computador a reconhecer as quatro categorias presentes nas imagens: folhas saudáveis, enrolamento de folhas (leaf curl), furo na folha (shot hole) e ferrugem (rust). Para garantir que os modelos fossem robustos e pudessem lidar com a imprevisibilidade do mundo real, os pesquisadores expandiram seus dados de treinamento alterando digitalmente as imagens — invertendo-as, rotacionando-as e dando zoom para dentro e para fora — para que o computador aprendesse a reconhecer uma doença independentemente de como a folha estava posicionada. Após treinar os modelos por centenas de ciclos, a equipe os testou em um novo conjunto de imagens que os computadores nunca haviam visto antes. Os resultados revelaram uma clara hierarquia de desempenho. Um dos modelos, conhecido como Inception-V4, que foi treinado do zero com os dados específicos de pessegueiro, emergiu como o mais preciso. Ele identificou corretamente a doença ou o estado de saúde de uma folha 97,50 por cento das vezes. Este modelo provou ser particularmente apto a detectar as diferenças sutis entre as várias doenças, mesmo quando os sintomas eram tênues ou o fundo estava poluído.

Os outros modelos tiveram um bom desempenho, mas com diferenças perceptíveis. Um modelo chamado ResNet-50, que utilizou uma base pré-treinada, alcançou uma precisão de 94,49 por cento, demonstrando que adaptar o conhecimento existente pode ser uma estratégia poderosa. Outro modelo, o VGG-16, atingiu 92,04 por cento de precisão. No entanto, um quarto modelo, o Xception, teve dificuldades significativas, conseguindo apenas 75,95 por cento de precisão. Os pesquisadores descobriram que o modelo Xception, apesar de seu design sofisticado, falhou em aprender os padrões visuais específicos necessários para distinguir as doenças neste ambiente complexo. Ele frequentemente confundia folhas saudáveis com doentes ou misturava os diferentes tipos de infecções. Em contraste, o modelo Inception-V4 mostrou uma capacidade notável de separar as classes, cometendo muito poucos erros. Seu sucesso sugere que, ao lidar com a realidade caótica de um pomar, treinar um modelo especificamente na cultura alvo desde o início pode gerar melhores resultados do que simplesmente adaptar um modelo de uso geral.

O estudo destaca que, embora a inteligência artificial detenha uma promessa imensa para a agricultura de precisão, a escolha da ferramenta certa e do método de treinamento correto é crítica. Os pesquisadores descobriram que os modelos treinados com dados reais de campo foram muito mais confiáveis do que aqueles testados apenas em imagens limpas de laboratório. A alta precisão do modelo com melhor desempenho sugere que os agricultores poderão em breve confiar em sistemas automatizados para diagnosticar doenças de pessegueiros de forma precoce e precisa, permitindo um tratamento oportuno e a redução de perdas econômicas. Embora o estudo tenha sido limitado às condições específicas do vale de Cachemira e aos três tipos de doenças examinados, os achados oferecem uma prova de conceito robusta. O trabalho demonstra que o aprendizado profundo pode ir além do laboratório e funcionar efetivamente no ambiente desordenado e imprevisível de um pomar real, desde que a arquitetura correta seja escolhida e os dados de treinamento reflitam as condições reais do campo.