U-Net leve otimizado e framework YOLACT para detecção de severidade múltipla de doenças em folhas de frutas pomáceas

Por que inspeções de folhas mais inteligentes importam

Produtores de maçã e pera sabem que manchas e lesões nas folhas podem se espalhar rapidamente e reduzir silenciosamente a colheita. Percorrer pomar e avaliar doenças a olho é lento e frequentemente incerto, especialmente quando mais de uma infecção ataca a mesma folha. Este estudo apresenta uma abordagem automatizada baseada em câmera que pode identificar várias doenças em uma única folha de fruta pomácea e estimar quão avançada está cada infecção, oferecendo um caminho prático para verificações de saúde das culturas mais rápidas e confiáveis.

Vendo além do olho humano

Os pesquisadores concentram-se em frutas pomáceas como maçãs e peras, que são altamente vulneráveis a doenças foliares que prejudicam a qualidade do fruto e reduzem a produtividade. A inspeção tradicional depende de especialistas que classificam visualmente o tamanho e a cor dos sintomas, um processo demorado e sujeito a variações entre avaliadores. Pomares reais também apresentam fundos confusos, iluminação variável e folhas sobrepostas ou enroladas. A equipe propôs construir uma ferramenta capaz de lidar com esse ruído visual, trabalhar a partir de fotos coloridas comuns e ainda distinguir múltiplas infecções sobrepostas em uma única folha enquanto avalia o grau de avanço de cada doença.

Uma visão em dois passos das folhas doentes

Para enfrentar esse desafio, o estudo usa um pipeline visual digital em duas etapas. Primeiro, uma versão simplificada de uma rede popular em imagens médicas, chamada Lite U Net, é treinada para separar a folha do entorno e assinalar as áreas gerais doentes. Esta etapa elimina galhos, céu e solo, garantindo que a análise posterior concentre-se apenas no tecido vegetal. Em seguida, uma versão aligeirada de outra rede, Lite YOLACT, amplia ainda mais para identificar cada mancha doente distinta como seu próprio objeto. Juntas, essas duas etapas permitem ao sistema reconhecer que uma única folha pode, por exemplo, apresentar tanto crosta quanto ferrugem, cada uma com seu tamanho e extensão.

Transformando manchas em pontuações simples

Uma vez que cada área doente é delineada, o método mede quanto da superfície da folha está coberta por cada infecção. Os autores elaboram uma nova escala de severidade de nove níveis que traduz essas porcentagens em estágios fáceis de entender, desde pequenos pontos iniciais até dano quase total. A escala foi concebida para lidar com duas doenças simultâneas, descrevendo se ambas são leves, ambas avançadas ou se uma claramente domina a outra. Para ajudar os usuários a confiar no sistema, os pesquisadores adicionam uma técnica de visualização chamada Grad CAM que produz mapas de calor, mostrando quais partes da folha o modelo considerou ao decidir a gravidade das infecções.

Testes em pomares e laboratórios digitais

A equipe treina e testa sua abordagem em dois grandes conjuntos públicos de imagens de folhas de maçã e pera. Esses conjuntos incluem várias doenças comuns, fotografadas em condições de campo reais e rotuladas por especialistas em fitossanidade. Após cuidadoso pré-processamento, balanceamento dos dados e treinamento em hardware gráfico moderno, o sistema combinado alcança cerca de 95% de acurácia ao classificar a severidade de múltiplas doenças. Ele também opera de forma eficiente: ao usar arquiteturas compactas e formas inteligentes de compartilhar cálculos, o modelo requer menos operações e memória do que muitos sistemas de aprendizado profundo padrão, tornando-o adequado para celulares ou dispositivos de borda usados diretamente no campo.

O que isso significa para os agricultores

Em termos práticos, este trabalho demonstra que uma câmera barata mais um modelo de inteligência artificial enxuto pode identificar e classificar várias doenças foliares simultaneamente em maçãs e peras. Em vez de estimativas visuais aproximadas, os produtores poderiam receber medidas numéricas consistentes de quanto de cada folha está infectada e o quão avançada está cada doença. Embora o método ainda exija testes mais amplos em outras culturas e condições, ele aponta para vigias digitais práticos que ajudam agricultores a agir mais cedo, direcionar tratamentos com maior precisão e reduzir desperdício e uso de produtos químicos nos pomares.

Citação: Qasim, M., Adnan, S.M. & Safi, Q.G.K. Optimized Lightweight U-Net and YOLACT framework for multi-disease severity detection in pome fruit leaves. Sci Rep 16, 15132 (2026). https://doi.org/10.1038/s41598-026-45947-7

Palavras-chave: detecção de doenças de plantas, doença em folha de maçã, doença em folha de pera, aprendizado profundo na agricultura, classificação da severidade da doença