Um novo método de contagem de folhas em plantas de tabaco no campo baseado em imagens de UAV e um PointNext aprimorado

Por que contar folhas a partir do céu importa

Saber quantas folhas uma cultura possui pode parecer um detalhe pequeno, mas para os produtores de tabaco é uma janela direta sobre a saúde das plantas e a produtividade futura. Hoje, os trabalhadores ainda percorrem os campos e contam folhas manualmente — uma tarefa lenta, cansativa e cara que não escala para plantações modernas. Este estudo mostra como drones, imagem 3D e inteligência artificial podem se unir para contar automaticamente as folhas de plantas de tabaco cultivadas em campo, oferecendo uma forma mais rápida e precisa de orientar o uso de fertilizantes, prever colheitas e apoiar o melhoramento de variedades.

Dos voos de drone a uma visão 3D do campo

Os pesquisadores recorreram primeiro aos drones como câmeras voadoras. Eles pilotaram um quadricóptero comercial sobre os plantios de tabaco em Yunnan, China, capturando fotografias em alta resolução de várias alturas e em ângulos inclinados ao redor de parcelas de interesse. Usando software de fotogrametria, essas imagens sobrepostas foram costuradas em modelos tridimensionais detalhados das plantas. Cada planta foi então extraída como sua própria nuvem de pontos no espaço 3D, onde cada ponto representa um pequeno trecho de um caule, folha ou sujeira circundante como solo e folhagem vizinha. Essa etapa transforma imagens planas em uma descrição 3D rica que pode revelar folhas mesmo quando elas se sobrepõem em fotografias convencionais.

Ensinando um computador a ver folhas individuais

Para aproveitar essas nuvens de pontos 3D, a equipe construiu um grande conjunto de dados cuidadosamente rotulado. Colecionaram 1.000 modelos de plantas individuais e etiquetaram manualmente cada ponto como pertencente a folhas-alvo, caules, outras plantas ou ruído. Com esse material de treino, refinaram uma rede moderna de aprendizado profundo 3D conhecida como PointNext em uma nova versão adaptada a cultivos de campo, chamada SRW-PointNext. Três melhorias principais foram adicionadas: um módulo de atenção que ajuda a rede a focar nos padrões espaciais e de cor mais informativos; uma função de perda revisada que impede que os abundantes pontos de folha ofusquem classes mais raras, como caules e fundo; e uma cabeça de saída reforçada que recupera melhor detalhes finos quando partes da nuvem de pontos estão faltando ou desiguais.

Convertendo nuvens segmentadas em contagens de folhas

Uma vez que o SRW-PointNext aprendeu a rotular cada ponto 3D, o modelo pôde separar a nuvem de uma planta em suas partes de folha e não‑folha. Mas os cientistas ainda precisavam saber quantas folhas efetivas estavam presentes. Para isso, recorreram a uma abordagem de agrupamento chamada MeanShift. Em termos simples, o algoritmo busca bolsões densos de pontos de folha em três dimensões, sendo que cada bolsão denso corresponde a uma folha. A escolha de um único parâmetro de “largura de banda” controla quão apertado ou frouxo o algoritmo agrupa os pontos. Um valor muito pequeno faz com que uma folha seja dividida em clusters artificiais, inflando a contagem; um valor muito grande funde folhas próximas, reduzindo a contagem. Ao ajustar cuidadosamente esse parâmetro, os pesquisadores conseguiram agrupar os pontos segmentados de folhas em folhas individuais realistas.

Quão bem o método se saiu

Para testar a precisão, a equipe comparou as contagens automáticas com registros manuais meticulosos para 230 plantas de campo. Seu pipeline — imageamento por drone, reconstrução 3D, segmentação com SRW-PointNext e então agrupamento MeanShift — atingiu uma acurácia de contagem de folhas de cerca de 92,6 por cento. A rede aprimorada também obteve segmentação de alta qualidade: aproximadamente 92 por cento de precisão e uma média de interseção sobre união de 76 por cento, superando vários métodos populares para nuvens de pontos 3D, como PointNet, PointNet++, RandLA-Net e o PointNext original. Importante, esse ganho de precisão veio com apenas um aumento modesto do custo computacional, sugerindo que a abordagem é prática para levantamentos em grande escala.

O que isso significa para a agricultura do futuro

Para um não-especialista, a mensagem central é direta: combinando drones, modelagem 3D e um modelo de IA aprimorado, os pesquisadores conseguem agora contar folhas de tabaco em campos reais quase tão confiavelmente quanto pessoas, mas muito mais rápido e em áreas muito maiores. Isso transfere a contagem de folhas de pranchetas e botas no campo para um processo automatizado e rico em dados que pode alimentar sistemas digitais de manejo de culturas. Embora o trabalho atual foque no tabaco durante um estágio de crescimento e dependa de boas reconstruções 3D, a mesma estratégia pode ser estendida a outras culturas e estações. Com o tempo, tais ferramentas podem se tornar auxiliares rotineiros para agricultores, ajudando a monitorar o crescimento das plantas, ajustar insumos e selecionar variedades de melhor desempenho com muito menos esforço manual.

Citação: Nan, D., Li, J., Liang, H. et al. A novel leaf counting method for field tobacco plants based on UAV imagery and an improved PointNext. Sci Rep 16, 11052 (2026). https://doi.org/10.1038/s41598-026-41365-x

Palavras-chave: fenotipagem de tabaco, agricultura com drones, nuvens de pontos 3D, contagem de folhas, aprendizado profundo na agricultura