Linha de pesquisa: Ciência de Dados

Resumo: O diagnóstico de deficiências nutricionais na cafeicultura, um pilar do agronegócio brasileiro, é tradicionalmente reativo e subjetivo. Este trabalho propõe uma análise tem poral para a detecção precoce de estresses nutricionais, com o objetivo de determinar a partir de que momento os sintomas se tornam visualmente discriminativos para mode los de aprendizado profundo. Para isso, comparou-se sistematicamente o desempenho de três arquiteturas de deep learning, sendo elas ResNet50, Vision Transformer (ViT B/16) e um modelo híbrido CNN-Transformer, na classificação de seis deficiências (N, P, K, Ca, Mg, S) e uma classe de controle em folhas de café, com um conjunto de dados de imagens RGB coletadas ao longo de cinco meses. Os resultados de 98 experimentos demonstram que a performance é fortemente dependente do estágio dos sintomas, com ponto ótimo identificado na configuração que retém os 40% temporais finais do período experimental, denominada frac60. Sob o protocolo padronizado adotado, em resultado contrário à expectativa de uma das hipóteses, o ResNet50 superou o Híbrido CNN-ViT, que por sua vez superou o ViT-B/16, com acurácia máxima de 77,97% para a arquitetura convolucional com imagens de 512 × 512 pixels, contra 71,68% do Híbrido e 67,74% do ViT-B/16. A análise exploratória de interpretabilidade via Grad-CAM produziu mapas de ativação compatíveis com a sintomatologia agronômica de cada deficiência, o que in dica representações biologicamente coerentes. Conclui-se que, nas condições controladas do experimento, o viés indutivo de localidade das CNNs mostrou-se mais adequado para a captura de padrões texturais foliares neste domínio, e que a análise temporal é crucial para entender os limites e o potencial da detecção precoce automatizada.

Link para a defesa: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fmeet...