FECCIF25 – IV Feira Estadual de Ciência e Cultura do IFSP – Setembro / Outubro de 2025
O cultivo do caqui possui grande relevância na cidade de Mogi das Cruzes, porém sua produção vem diminuindo devido aos impactos da antracnose, doença causada pelo fungo Colletotrichum truncatum. Com o objetivo de preservar esse símbolo cultural e a agrobiodiversidade local, este trabalho propõe o uso de sensoriamento remoto aliado a técnicas de visão computacional para identificar a doença nas plantações e aprimorar seu manejo. Para isso, foram utilizadas imagens capturadas por um drone e transmitidas a um computador, onde são processadas por uma IA desenvolvida com o modelo pré-treinado YOLOv8, em conjunto com a biblioteca OpenCV e outros recursos complementares.
RESUMO
INTRODUÇÃO
OBJETIVOS
METODOLOGIA
DETECÇÃO DA ANTRACNOSE EM PLANTAÇÕES DE CAQUI EM MOGI DAS CRUZES COM O USO DE INTELIGÊNCIA ARTIFICIAL E SENSORIAMENTO REMOTO
Felipe Nogueira Abrantes de Castro1, Mateus Nogueira Abrantes de Castro2, Vinícius Nogueira Abrantes de Castro3, Vera Lúcia da Silva4 , Ana Paula Abrantes de Castro Shiguemori5
1 Instituto Federal de São Paulo, Suzano, Brasil - felipe.nog.castro23@gmail.com
2 Instituto Federal de São Paulo, Suzano, Brasil - mateusnog.castro@gmail.com
3 Instituto Federal de São Paulo, Suzano, Brasil - vinicius.nogueira.castro@gmail.com
4 Instituto Federal de São Paulo, Suzano, Brasil – verals@ifsp.edu.br
5 Instituto Federal de São Paulo, Jacareí, Brasil – anapaula.acs@ifsp.edu.br
O caqui, fruta originária da China, chegou ao Brasil pela imigração japonesa, destacando-se em Mogi das Cruzes. A cidade é conhecida como “Terra do Caqui” devido ao seu grande destaque produtivo (IBGE, 2013, apud SANTOS; BELLO, 2014). Contudo, doenças como a antracnose, que provoca manchas pretas e queda precoce do fruto, ameaçam a produtividade e a agrobiodiversidade local.
Segundo Alves, Lacerda e Piantoni (2023, p. 4), a visão computacional é um campo da Inteligência Artificial (IA) que possui potencial de solucionar os problemas presentes na produção agrícola, permitindo que o monitoramento e o diagnóstico sejam mais precisos e eficientes nas produções rurais.
Diante das perdas causadas pela antracnose, propõe-se o uso de sensoriamento remoto e visão computacional para o diagnóstico precoce e manejo eficiente da doença em Mogi das Cruzes.
Aplicar técnicas de IA e visão computacional para o reconhecimento da antracnose em caquizeiros, através do uso de sensoriamento remoto, a fim de aprimorar o monitoramento da doença em plantações de caqui em Mogi das Cruzes e manter a agrobiodiversidade no município.
A coleta de dados foi baseada na visita à uma plantação de caqui na cidade de Mogi das Cruzes, envolvendo a coleta de imagens (cerca de 1500) para a construção de um dataset próprio para o desenvolvimento da IA. Também foram realizadas entrevistas com os produtores rurais, a fim de ampliar as noções sobre o funcionamento do plantio do caqui e seus devidos tipos, com ênfase aos impactos causados pela antracnose no cultivo da fruta. A Figura 1 exibe algumas imagens coletadas.
Após a captura, as imagens foram rotuladas na Plataforma online Roboflow, divididas entre caquis saudáveis e doentes (com antracnose), formando um dataset próprio para a IA baseada em detecção de objetos. Utilizou-se o modelo de IA pré-treinado YOLOv8, devido à alta precisão e à ampla comunidade ativa (PENTLAND, 2023), o que facilitou a pesquisa.
O sensoriamento remoto foi realizado por um drone YLR/C, que envia imagens em tempo real ao notebook. Porém, não foi possível transferi-las diretamente. Desta forma, a imagem foi obtida do Aplicativo do drone, conforme apresenta a Figura 2.
A construção do conjunto de dados resultou em 1.000 imagens rotuladas, embora tenham sido coletadas 1.500 imagens. Os treinamentos do modelo para detecção da doença apresentaram um desempenho um pouco abaixo do esperado. Contudo, o objetivo de distinguir entre caquis saudáveis e caquis infectados foi alcançado, ainda que os índices de acurácia não tenham atingido os valores adequados.
Por fim, a detecção em tempo real, conforme proposto no esquema da Figura 2, foi implementada com sucesso, garantindo que os objetivos do projeto fossem cumpridos. Entretanto, a realização de testes de detecção em campo, considerada ideal, não pôde ser executada devido às limitações de tempo do projeto. A Figura 3 apresenta alguns resultados.
RESULTADOS E DISCUSSÕES
REFERÊNCIAS
CONCLUSÃO
É possível identificar e diferenciar caquis saudáveis de caquis doentes por meio do sensoriamento remoto, evidenciando o grande potencial dessa técnica, aliado à visão computacional, para o monitoramento e diagnóstico de doenças em cultivos agrícolas.
ALVES, Adson; LACERDA, André; PIANTONI, Jane. Agrovisão: analisando imagens com Inteligência Artificial: apostila do aluno. Sorocaba: Fit Instituto de Tecnologia, 2023.
PENTLAND, Jacob. What is YOLOv8? Roboflow Blog, 13 jan. 2023. Disponível em: https://blog.roboflow.com/what-is-yolov8/. Acesso em: 25 maio 2025.
SANTOS, Valdirene F. Neves dos; BELLO, Ellen Martins. Aspectos gerais da cultura alimentar do município de Mogi das Cruzes – SP. UNISEPE – Faculdades Integradas do Vale do Ribeira. Disponível em: https://linkania.org/master/article/view/207. Acesso em: 23 março 2025.
Figura 1 - Imagens coletadas nas visitas
Fonte: Autoria Própria
Figura 2 - Esquema de funcionamento do sensoriamento remoto do projeto
Fonte: Autoria Própria
Figura 3 - Resultados das predições realizadas pelo modelo desenvolvido
Fonte: Autoria Própria