Hydra: a Multi-Task learning approach to fine-grained leaf-level agricultural diagnostic

• Ano de defesa: 2025
• Autor(a) principal: PHILIPPINI, Igor de Moura
• Orientador(a): BLAWID, Stefan Michael
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pernambuco
• Programa de Pós-Graduação: Programa de Pos Graduacao em Ciencia da Computacao
• País: Brasil
• Palavras-chave em Português: Aprendizagem de máquina; VIsão computacional; Assistente de fitopatologia; Aprendizado profundo
• Link de acesso: https://repositorio.ufpe.br/handle/123456789/66912

Pragas e doenças representam grandes desafios na agricultura, levando a perdas econômicas significativas. O uso incorreto de pesticidas, frequentemente decorrente de diagnósticos errados, agrava o problema, especialmente para agricultores familiares que não possuem acesso ao suporte especializado e acesso a informações em tempo hábil. Embora existam sistemas de visão computacional que auxiliam nesse problema com sua capacidade de detectar doenças em plantas a partir de imagens de folhas ou frutos, a maioria está limitada a esta única tarefa e não contempla o processo diagnóstico completo exigido em cenários práticos. Este trabalho propõe uma abordagem unificada baseada em Multi-Task Learning (MTL) para lidar com múltiplas tarefas relacionadas ao processo de diagnóstico de doenças em plantas a partir de uma única imagem de entrada. O modelo proposto é capaz de: (i) determinar se uma imagem contém uma folha, (ii) detectar se a folha está saudável ou doente, (iii) classificar a espécie da planta, (iv) identificar o provável agente patogênico, (v) detectar macro-sintomas visíveis associados à doença e (vi) classificar a doença específica da planta, quando presente. Para dar suporte à utilização prática, também desenvolvemos um sistema completo de diagnóstico em torno do modelo, que inclui detecção e segmentação automáticas das folhas, permitindo o processamento de todas as folhas presentes em uma imagem. Osistema é exposto por meio de uma API RESTful, que serve como interface central para inferências. Além disso, uma aplicação web intuitiva é construída sobre essa API, possibilitando que usuários finais—como agricultores e técnicos agrícolas—interajam facilmente com o modelo e testem suas funcionalidades através de uma interface visual acessível.