Estrutura adaptativa de aprendizado profundo para detecção de doenças em plantas em múltiplas escalas

A detecção de doenças em plantas é uma tarefa crítica na agricultura moderna, impactando diretamente a produtividade das culturas, a segurança alimentar e as práticas agrícolas sustentáveis. Os métodos tradicionais dependem da inspeção visual de especialistas, que é demorada, inconsistente e inacessível em áreas remotas. Este estudo apresenta uma estrutura avançada de aprendizado profundo (DL), a rede convolucional adaptativa em múltiplas escalas (AMS-ConvNet), otimizada para uma identificação precisa e eficiente de doenças em plantas. A rede de extração de características hierárquica (HFEN) integra o framework de atenção multidomínio (MDAF) e o módulo de fusão de escalas adaptativas (ASFM) para melhorar a extração de características e enfrentar desafios como fundos naturais complexos, estruturas de folhas não uniformes e condições ambientais variadas. A estrutura proposta emprega técnicas de adaptação de conhecimento pré-treinado (PTKA) para melhorar a generalização e superar a escassez de dados. Avaliações abrangentes em múltiplos conjuntos de dados demonstram o melhor desempenho do modelo, alcançando métricas de ponta em precisão, recall, F1-score e acurácia. Além disso, essa abordagem garante escalabilidade e adaptabilidade, tornando-a adequada para condições reais de campo. O estudo enfatiza a importância de soluções robustas e automatizadas na minimização de perdas nas culturas, redução dos custos de mão-de-obra e melhoria da sustentabilidade agrícola por meio do manejo de doenças de precisão.