Um modelo híbrido leve de CNN e transformer para classificação de doenças em folhas medicinais com IA explicável

Por que um cuidado mais inteligente com as plantas importa

Muitas das ervas usadas em remédios caseiros e em medicamentos modernos — como tulsi (manjericão sagrado), nim e patharkuchi — dependem de folhas saudáveis para produzir seus compostos terapêuticos. Quando doenças atacam essas folhas, as plantas perdem tanto em rendimento quanto em potência medicinal. O artigo apresenta um sistema compacto de inteligência artificial (IA) capaz de identificar diferentes doenças foliares a partir de fotos com precisão notável. Projetada para rodar em dispositivos de baixo custo e para mostrar de forma clara o que está sendo “observado”, essa abordagem pode ajudar agricultores e jardineiros a proteger plantas medicinais valiosas em tempo real.

Ameaças ocultas em folhas conhecidas

O estudo foca em três plantas medicinais amplamente utilizadas: Kalanchoe pinnata (patharkuchi), Azadirachta indica (nim) e Ocimum tenuiflorum (tulsi). Essas plantas oferecem benefícios antibacterianos, anti‑inflamatórios e até anticâncer, porém suas folhas são vulneráveis a teias fúngicas, amarelamento por estresse e várias doenças de manchas. O diagnóstico tradicional depende de olhos especialistas no campo ou de testes laboratoriais lentos e com equipamentos pesados, ambos dificultando a detecção precoce ou em larga escala. Com a saúde das plantas ligada tanto à saúde pública quanto às economias locais, existe uma forte necessidade por ferramentas automáticas, precisas e compreensíveis que possam sinalizar doenças rapidamente usando apenas imagens.

Construindo um olhar inteligente para folhas doentes

Para enfrentar esse desafio, os autores criaram um novo modelo chamado LSeTNet, um híbrido leve de duas ideias populares de IA para imagens: redes convolucionais, que são boas em detectar texturas finas e bordas, e camadas transformer, que se destacam ao identificar padrões de longo alcance na imagem. O sistema primeiro aprendeu a partir de um conjunto de imagens cuidadosamente coletado chamado MedicinalLeaf‑12, contendo 12 classes que cobrem versões saudáveis e doentes das três plantas. As fotos foram tiradas em condições de campo reais com iluminação, ângulos e fundos variados, e depois limpas e realçadas para que manchas de doença e nervuras das folhas se destacassem com mais clareza. A equipe também usou ampla augmentação de imagens — rotacionando, aplicando zoom, alterando brilho e mais — para imitar a variedade desordenada vista em fazendas reais, mantendo o conjunto de dados balanceado.

Como o modelo pensa sobre as folhas

O LSeTNet processa cada imagem de folha em estágios. Camadas convolucionais leves captam pistas locais, como pequenas manchas, teias e a nitidez das bordas das folhas. Módulos especiais de “squeeze‑and‑excitation” então reponderam essas pistas, aumentando discretamente os canais que carregam sinais relacionados à doença e reduzindo os dominados pelo fundo. Um bloco transformer segue, conectando regiões distantes da folha para que o modelo possa, por exemplo, relacionar manchas amarelas dispersas ou padrões que seguem as nervuras. Por fim, um classificador compacto decide qual das 12 condições melhor corresponde à imagem. Apesar de usar apenas cerca de 9,4 milhões de parâmetros e exigência computacional modesta, o modelo mantém alta velocidade e baixo uso de memória, tornando‑o adequado para telefones, tablets ou pequenos computadores de placa única.

Vendo dentro da caixa‑preta

Como agricultores e agrônomos precisam confiar em qualquer diagnóstico automatizado, os autores incorporaram explicabilidade ao sistema. Eles usaram ferramentas como Grad‑CAM e LIME para criar mapas de calor que mostram onde o modelo está “prestando atenção” em cada folha, e plotagens t‑SNE para visualizar como diferentes doenças se agrupam no espaço de características interno do modelo. Essas explicações revelam que a IA consistentemente foca em lesões, tecidos descoloridos e teias fúngicas em vez do fundo simples ou dos caules. Mesmo nas raras classificações incorretas — apenas cinco erros em 1.800 imagens de teste — as regiões destacadas permanecem em áreas biologicamente significativas; a confusão surge principalmente quando duas doenças parecem muito semelhantes ao olho humano também.

O que os resultados significam para os cultivadores

No conjunto de dados principal, o LSeTNet classificou corretamente as imagens de folhas com uma acurácia de cerca de 99,7%, e alcançou desempenho igualmente alto quando testado em um conjunto externo separado de plantas medicinais de Bangladesh que não havia visto antes. Ao mesmo tempo, ele roda rapidamente (cerca de sete milésimos de segundo por imagem em uma GPU) e ocupa pouca memória, abrindo caminho para aplicativos de baixo custo e prontos para uso em campo. Em termos práticos, este trabalho mostra que IA compacta e transparente pode detectar de forma confiável sinais precoces de doença em plantas medicinais importantes e mostrar claramente aos usuários por que chegou a uma determinada decisão. Com testes adicionais em mais espécies e condições de campo mais adversas, sistemas semelhantes podem ajudar a proteger cadeias de fornecimento de medicina herbal, apoiar a agricultura de precisão e oferecer aos pequenos agricultores uma “segunda opinião” acessível no bolso.

Citação: Ahmmed, J., Kabir, M.A., Rehman, A.u. et al. A lightweight hybrid CNN and transformer model for medicinal leaf disease classification with explainable AI. Sci Rep 16, 8243 (2026). https://doi.org/10.1038/s41598-026-39182-3

Palavras-chave: plantas medicinais, detecção de doenças em folhas, aprendizado profundo, IA explicável, agricultura de precisão