Aplicação do ResNet-50 para classificação binaria de folhas cítricas

Abstract

Este trabalho apresenta a aplicação da arquitetura ResNet-50 para a classificação binária de folhas cítricas saudáveis e infectadas pelo Huanglongbing (HLB). A citricultura no Brasil é uma atividade agrícola de grande importância, sendo o país o maior exportador mundial de suco de laranja. O HLB, causado por bactérias do gênero Candidatus Liberibacter, é considerado a doença mais destrutiva da citricultura global, exigindo diagnósticos rápidos para um manejo eficaz. A metodologia empregou o "Citrus Plant Dataset", que contém imagens de folhas cítricas saudáveis e infectadas por diversas doenças, incluindo o HLB. As imagens foram pré-processadas com redimensionamento, conversão de cores para o espaço YCrCb, equalização de histograma no canal Y, e filtragem bilateral para realçar detalhes e preservar bordas. O treinamento utilizou a ResNet-50 com aprendizado por transferência, reaproveitando pesos previamente treinados no ImageNet. Para otimização e prevenção de overfitting, foram aplicadas técnicas como dropout, global average pooling, ajuste fino (fine-tuning) das camadas do backbone, early stopping e ajuste dinâmico da taxa de aprendizado. Os resultados emonstraram uma redução constante e significativa da função de perda (loss) em ambos os conjuntos de dados, sem sinais de overfitting, indicando a eficácia das estratégias de regularização. A acurácia de treinamento e validação apresentou um crescimento expressivo e se manteve estável nas épocas finais. A análise da diferença entre as acurácias (gap) indicou um bom ajuste e equilíbrio do modelo ao longo do treinamento. Em conclusão, o estudo demonstrou que a combinação da ResNet-50 com aprendizado por transferência e técnicas de pré-processamento de imagens permite desenvolver um modelo de classificação binária altamente acurado (99,26%) e com baixo erro de generalização para detecção de HLB em folhas cítricas, mesmo com um dataset reduzido.