A inteligência artificial (IA) vem ampliando suas aplicações em diferentes áreas, entre elas a visão computacional, tecnologia capaz de analisar imagens e identificar padrões. Na agricultura, por exemplo, esse recurso pode auxiliar na identificação de doenças e contribuir para o monitoramento das plantações.
Foi nesse contexto que o egresso Felipe Rohr Hoinoski, do curso de Engenharia de Software da Udesc Alto Vale, desenvolveu a pesquisa sobre o uso de inteligência artificial para identificar, a partir de imagens de folhas, a ferrugem do cafeeiro, doença que pode causar impactos significativos na produção de café.
O trabalho, intitulado “Explaining Domain Shift Effects in Coffee Leaf Rust Detection”, foi realizado sob orientação do professor Tiago Funk, com contribuições do professor Marcelo de Souza e da acadêmica Clara Becker. Marcelo foi responsável por apresentar os resultados da pesquisa em um evento internacional de Inteligência Artificial e Computação, realizado na Polônia.
A participação do docente no evento foi viabilizada por meio de um edital da Udesc Alto Vale de apoio à participação de professores em eventos no exterior. Como parte da iniciativa, Marcelo também produziu um vídeo de divulgação científica, com o objetivo de apresentar os resultados da pesquisa de forma acessível ao público não especializado.
Sobre a doença
A ferrugem do cafeeiro é uma doença causada por um fungo que provoca manchas amareladas ou alaranjadas nas folhas e pode comprometer a produção. Em situações de forte incidência, as perdas podem chegar a 70%.
“A pesquisa investigou o uso de modelos de inteligência artificial treinados para identificar, a partir de fotografias, folhas saudáveis e folhas com sintomas da doença. Um dos principais desafios encontrados foi a diferença entre as imagens utilizadas no treinamento e aquelas registradas diretamente nas lavouras”, explica Felipe.
Do laboratório para o campo
Para treinar modelos de inteligência artificial, geralmente são utilizadas grandes bases de imagens. Em ambientes controlados, essas fotografias apresentam características mais padronizadas, como iluminação, fundo e enquadramento. Já no campo, as condições são bastante diferentes, com variações de luz, ângulos, fundos e sobreposição de folhas.
Essa diferença teve impacto significativo no desempenho do modelo. Enquanto o sistema alcançou 100% de acerto nas imagens de laboratório, o índice caiu para aproximadamente 60% nas imagens capturadas em condições de campo.
“Esse fenômeno é conhecido como domain shift, ou mudança de domínio, e representa um dos desafios para levar modelos de inteligência artificial desenvolvidos em ambientes controlados para situações reais”, diz Marcelo.
IA ajuda a entender os erros
Além de avaliar o desempenho do modelo, os pesquisadores utilizaram técnicas de Inteligência Artificial Explicável (XAI) para entender como o sistema tomava suas decisões.
As análises mostraram que, em alguns casos de erro, o modelo direcionava sua atenção para regiões do fundo da fotografia, em vez de considerar características da folha.
Esse resultado ajudou os pesquisadores a compreender por que algumas folhas doentes foram classificadas como saudáveis e outras, saudáveis, foram identificadas como doentes.
