As doenças de plantas ameaçam silenciosamente a segurança alimentar global, destruindo 10-16% de culturas anualmente e custando ao setor agrícola $220 bilhões em perdas. Os métodos tradicionais, como inspeções manuais e testes de laboratório, são lentos, caros e, muitas vezes, não confiáveis.
Um estudo inovador de 2025, “Aprendizagem profunda e visão computacional na detecção de doenças em plantas” (Upadhyay et al.), revela como a detecção de doenças em plantas por IA e a agricultura por visão computacional estão transformando a agricultura.
Por que a detecção precoce de doenças de plantas é importante para a segurança alimentar global
A agricultura emprega 28% da força de trabalho global, com países como a Índia, a China e os EUA liderando a produção agrícola. Apesar disso, as doenças das plantas causadas por fungos, bactérias e vírus reduzem os rendimentos e prejudicam as economias.
Por exemplo, a doença da explosão do arroz reduz as colheitas em 30-50% nas regiões afetadas, enquanto o greening dos cítricos dizimou 70% dos laranjais da Flórida desde 2005. A detecção precoce é fundamental, mas muitos agricultores não têm acesso a ferramentas avançadas ou a conhecimentos especializados.
É nesse ponto que a detecção de doenças orientada por IA entra em cena, oferecendo soluções rápidas, econômicas e precisas que superam os métodos tradicionais.
Como a IA e a visão computacional detectam doenças de culturas
O estudo analisou 278 artigos de pesquisa para explicar como funcionam os sistemas de detecção de doenças em plantas com IA. Primeiro, câmeras ou sensores capturam imagens das plantações. Em seguida, essas imagens são processadas por meio de algoritmos para identificar sinais de doenças.
Por exemplo, Câmeras RGB tiram fotos coloridas para identificar sintomas visíveis, como manchas nas folhas, enquanto as câmeras hiperespectrais detectam sinais ocultos de estresse analisando centenas de comprimentos de onda de luz.
Depois que as imagens são capturadas, elas passam por um pré-processamento para melhorar a qualidade. Técnicas como limiarização isolam as áreas doentes por cor, e a detecção de bordas mapeia os limites das lesões ou da descoloração.
Em seguida, os modelos de aprendizagem profunda analisam os dados pré-processados. Redes neurais convolucionais (CNNs), As ferramentas de IA mais comuns na agricultura digitalizam imagens camada por camada para identificar padrões como texturas ou cores incomuns.
Em um julgamento de 2022, ResNet50-um modelo CNN popular - alcançou 99,07% de precisão no diagnóstico de doenças do tomate.
Enquanto isso, Transformadores de visão (ViTs) dividem as imagens em manchas e estudam suas relações, imitando a forma como os seres humanos analisam o contexto. Essa abordagem ajudou a detectar o vírus da limpeza das veias da videira com precisão de 71% em um estudo de 2020.
“O futuro da agricultura não está em substituir os humanos, mas em equipá-los com ferramentas inteligentes.”
O papel dos sensores avançados na agricultura moderna
Diferentes sensores oferecem vantagens exclusivas para a agricultura de precisão. Câmeras RGB, embora acessíveis e fáceis de usar, têm dificuldades com doenças em estágio inicial devido aos detalhes espectrais limitados. Em contrapartida, câmeras hiperespectrais capturam dados em centenas de comprimentos de onda de luz, revelando sinais de estresse invisíveis a olho nu.
Por exemplo, os pesquisadores usaram imagens hiperespectrais para diagnosticar o cancro da maçã valsa com precisão de 98% em 2022. No entanto, essas câmeras custam 10,000–50.000, o que os torna muito caros para os pequenos agricultores.
Câmeras térmicas fornecem outro ângulo ao medir as mudanças de temperatura causadas por infecções. Um estudo de 2019 descobriu que as folhas infectadas com citrus greening apresentam padrões de calor distintos, permitindo a detecção precoce.
Enquanto isso, câmeras multiespectrais-Uma opção intermediária - rastrear os níveis de clorofila para avaliar a saúde da planta.
Esses sensores mapearam a ferrugem da listra do trigo em 2014, ajudando os agricultores a direcionar os tratamentos de forma mais eficaz. Apesar de seus benefícios, os custos dos sensores e os fatores ambientais, como vento ou iluminação irregular, continuam sendo desafios.
Conjuntos de dados públicos: A espinha dorsal da agricultura com IA
O treinamento de modelos confiáveis de IA requer grandes quantidades de dados rotulados. Os Conjunto de dados do PlantVillage, um recurso gratuito com 87.000 imagens de 14 culturas e 26 doenças, tornou-se o padrão ouro para os pesquisadores.
Mais de 90% dos estudos citados no artigo usaram esse conjunto de dados para treinar e testar seus modelos. Outro recurso importante, o Conjunto de dados de doenças da mandioca, O modelo CNN, que inclui 11.670 imagens da doença do mosaico da mandioca, alcançou uma precisão de 96% com os modelos CNN.
No entanto, as lacunas persistem. Doenças raras, como o nematoide do pinheiro, têm menos de 100 imagens rotuladas, o que limita a capacidade da IA de detectá-las. Além disso, a maioria dos conjuntos de dados apresenta imagens capturadas em laboratório, que não levam em conta as variáveis do mundo real, como clima ou iluminação.
Para resolver isso, projetos como o AI4Ag estão fazendo crowdsourcing de imagens de campo de agricultores do mundo todo, com o objetivo de criar conjuntos de dados mais robustos e realistas.
Medição do desempenho da IA: Exatidão, precisão e muito mais
Os pesquisadores usam várias métricas para avaliar os sistemas de detecção de doenças de plantas com IA. Precisão-a porcentagem de diagnósticos corretos - varia de 76,9% nos primeiros modelos para 99,97% em sistemas avançados como o EfficientNet-B5.
Entretanto, a precisão por si só pode ser enganosa. A precisão mede quantas doenças sinalizadas são reais (evitando alarmes falsos), enquanto a revocação rastreia quantas infecções reais são detectadas.
Por exemplo, Máscara R-CNN, um modelo de detecção de objetos, obteve 93,5% de recuperação na detecção da antracnose do morango, mas apenas 45% de precisão na detecção da podridão da raiz do algodão.
O Pontuação F1 equilibra precisão e recuperação, oferecendo uma visão holística do desempenho. Em um teste de 2023, PlantViT-um modelo híbrido de IA - obteve 98,61% F1-Score no conjunto de dados PlantVillage.
Para detecção de objetos, Precisão média (mAP) é fundamental. R-CNN mais rápido, um modelo popular, alcançou 73,07% mAP em testes de doenças da maçã, o que significa que ele localizou e classificou corretamente as infecções na maioria dos casos.
Desafios que impedem a IA na agricultura
Apesar de seu potencial, a detecção de doenças com base em IA enfrenta obstáculos. Primeiro, a escassez de dados afeta as doenças raras ou emergentes.
- Por exemplo, apenas 20 imagens do oídio do pepino estavam disponíveis para um estudo de 2021, limitando a confiabilidade do modelo.
- Em segundo lugar, fatores ambientais como vento, sombras ou condições de luz variáveis reduzem a precisão do campo em 20-30% em comparação com as configurações de laboratório.
- Terceiro, os altos custos impedem a adoção. As câmeras hiperespectrais, embora potentes, continuam inacessíveis para os pequenos agricultores, e as ferramentas de IA exigem smartphones ou acesso à Internet - o que ainda é uma barreira nas áreas rurais.
- Por fim, os problemas de confiança persistem. Uma pesquisa de 2023 revelou que 68% dos agricultores hesitam em adotar a IA devido à sua natureza de “caixa preta” - eles não conseguem ver como as decisões são tomadas.
Para superar isso, os pesquisadores estão desenvolvendo uma IA interpretável que explica os diagnósticos em termos simples, como destacar áreas de folhas infectadas ou listar sintomas.
O futuro da agricultura: 5 inovações a serem observadas
1. Computação de borda para análise em tempo real: Modelos leves de IA, como o MobileNetV2 (tamanho de 7 MB), são executados em smartphones ou drones, oferecendo detecção de doenças em tempo real sem internet. Em 2023, esse modelo alcançou uma precisão de 99,42% na classificação de doenças da batata, capacitando os agricultores a tomar decisões instantâneas.
2. Transferência de aprendizado para uma adaptação mais rápida: Modelos pré-treinados como o PlantViT podem ser ajustados para novas culturas com o mínimo de dados. Um estudo de 2023 adaptou o PlantViT para a detecção de explosão de arroz, obtendo uma precisão de 87,87% usando apenas 1.000 imagens.
3. Modelos de visão e linguagem (VLMs): Sistemas como o CLIP da OpenAI permitem que os agricultores consultem a IA usando texto (por exemplo, “Encontre manchas marrons nas folhas”). Essa interação natural preenche a lacuna entre a tecnologia complexa e a agricultura cotidiana.
4. Modelos básicos para IA de uso geral: Modelos grandes, como o GPT-4, poderiam simular a propagação de doenças ou recomendar tratamentos, atuando como agrônomos virtuais.
5. Bancos de dados globais colaborativos: Plataformas de código aberto como PlantVillage e AI4Ag reúnem dados de agricultores e pesquisadores de todo o mundo, acelerando a inovação.
Estudo de caso: Cultivo de mangas com IA na Índia
Em 2024, os pesquisadores desenvolveram um modelo DenseNet leve para combater doenças da manga, como a antracnose e o oídio. Treinado em 12.332 imagens de campo, o modelo alcançou uma precisão de 99,2% - maior do que a maioria dos sistemas baseados em laboratório.
Com 50% menos parâmetros, ele funciona sem problemas em smartphones econômicos. Os agricultores indianos agora usam um aplicativo $10 criado com base nessa IA para escanear folhas e receber diagnósticos instantâneos, reduzindo o uso de pesticidas em 30% e salvando as colheitas.
Conclusão
A detecção de doenças de plantas por IA e a tecnologia de agricultura de precisão estão remodelando a agricultura, oferecendo esperança contra a insegurança alimentar. Ao possibilitar o diagnóstico precoce, reduzir o uso de produtos químicos e capacitar os pequenos agricultores, essas ferramentas podem aumentar o rendimento das safras globais em 20-30%.
Para concretizar esse potencial, as partes interessadas precisam lidar com os custos dos sensores, melhorar a diversidade de dados e aumentar a confiança dos agricultores por meio da educação.
Referência: Upadhyay, A., Chandel, N.S., Singh, K.P. et al. Aprendizagem profunda e visão computacional na detecção de doenças em plantas: uma análise abrangente de técnicas, modelos e tendências na agricultura de precisão. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x
English 
German 
Ukrainian 
French 
Kazakh 
Portuguese 
Spanish 
Arabic 
Swedish 
Serbian 
Romanian 
Norwegian 
Finnish 
Lithuanian 
Estonian 
Latvian 
Croatian 
Slovenian 
Slovak 
Japanese 
Polish 