Uma Abordagem Híbrida de Aprendizado Profundo para Classificação Precisa e Transparente de Doenças em Plantas de Milho

Dentro do domínio do progresso agrícola, a identificação precisa de casos de doenças em plantas emerge como um obstáculo crucial. Apresentamos uma nova abordagem para classificar doenças nas folhas de plantas de milho, combinando um modelo híbrido que mescla Redes Neurais Convolucionais (CNNs) para reconhecimento visual com Perceptrons de Múltiplas Camadas (MLPs) para transparência. Essa fusão visa superar a lacuna entre precisão e compreensibilidade. Nosso estudo começa examinando as limitações dos modelos baseados em CNN e MLP no contexto da classificação de doenças. Em seguida, apresentamos nossa arquitetura híbrida, elucidando seus benefícios e abordando os desafios inerentes. Através de experimentação rigorosa, mostramos o desempenho notável do modelo, alcançando precisões de treinamento, validação e teste de 98,98%, 96,19% e 95,76%, respectivamente. A importância do nosso modelo proposto reside em seu potencial para transformar o manejo de doenças na agricultura. A fusão de precisão e interpretabilidade não apenas equipara os agricultores com insights acionáveis, mas também estabelece um modelo para a implementação ética e transparente de IA. Esta pesquisa impulsiona o campo para frente, oferecendo uma solução híbrida inventiva que se destaca não apenas em precisão, mas que também harmoniza com cenários agrícolas práticos, assim pavimentando o caminho para um futuro mais sustentável e esclarecido.