Defesa de mestrado do discente Luan Patrick, dia 13/08, às 14:00.Defesa de mestrado do discente Luan Patrick, dia 13/08, às 14:00. Título: DETECÇÃO DE REGIÕES SINTOMÁTICAS EM CAFEZAIS UTILIZANDO IMAGENS DE VANT Resumo: O Brasil é o maior produtor e exportador de café do mundo, e a cafeicultura desempenha papel estratégico na economia nacional. Para garantir alta qualidade, fatores como a detecção precoce de doenças devem ser monitorados, mas o acompanhamento visual em grandes áreas é desafiador, exigindo soluções tecnológicas. Esta pesquisa investiga o uso de Visão Computacional, por meio das arquiteturas YOLO e RT-DETR, para detectar automaticamente pés de café com diferentes estágios de sintomas de doenças. Foram coletadas 162 imagens aéreas por VANTs, em diferentes alturas (10, 15 e 25 metros) e ângulos (30º, 45º e 90º), rotuladas em três classes: estágio inicial, intermediário e avançado. Os experimentos foram conduzidos de forma a avaliar separadamente o impacto das condições de aquisição, bem como o desempenho utilizando a base de dados completa, permitindo analisar a influência da variabilidade das imagens na generalização dos modelos. Os resultados demonstraram que a diversidade de perspectivas contribui de forma significativa para o desempenho dos detectores, enquanto conjuntos limitados a condições específicas de captura tendem a restringir a capacidade de generalização. No caso do YOLO, o melhor desempenho foi obtido com o conjunto completo, no qual a classe avançada atingiu 54,2% de precisão, 52,6% de revocação e 50,5% de mAP50. Já o RT-DETR apresentou desempenho competitivo e, em alguns cenários, superior ao YOLO, destacando-se na classe avançada com 64,0% de precisão, 55,3% de revocação e 51,5% de mAP50 na base completa, além de alcançar 64,1% de revocação e 58,2% de mAP50 em imagens capturadas a 20 metros de altura. Observou-se ainda que o desbalanceamento entre as classes influenciou os resultados, favorecendo as classes mais representadas, enquanto os estágios iniciais apresentaram maior dificuldade de detecção, em razão da semelhança com o fundo. De modo geral, os resultados indicam que ambas as arquiteturas possuem potencial para aplicações de monitoramento automatizado na cafeicultura, especialmente na identificação de sintomas em estágios mais avançados, embora ainda sejam necessários avanços para aprimorar a detecção de sinais mais sutis. Data/Horário: 13/08/2026 às 14:00 |
Departamento de Computação | ICEB | Universidade Federal de Ouro Preto
Campus Universitário Morro do Cruzeiro | CEP 35400-000 | Ouro Preto - MG, Brasil
Telefone: +55 31 3559-1692 | decom@ufop.edu.br
