Drones e IA detectam HLB em citros com 89% de acurácia

Pesquisadores desenvolveram um método para detectar huanglongbing, ou HLB, em pomares cítricos por meio de imagens obtidas por drone e redes neurais de aprendizado profundo. O modelo ResNet-50 apresentou o melhor desempenho entre as arquiteturas testadas. Ele alcançou 89% de acurácia geral, com precisão macro de 90%, revocação de 89% e F1-score de 89%.

O trabalho avaliou três modelos de redes neurais convolucionais: ResNet-50, EfficientNetV2B0 e DenseNet-121. As redes classificaram imagens em três classes: plantas saudáveis, plantas infectadas por HLB e fundo da imagem. O EfficientNetV2B0 atingiu 87% de acurácia. O DenseNet-121 alcançou 85%.

A equipe coletou imagens em um pomar de citros da Kathmandu University, em Dhulikhel, no Nepal. A área experimental ficava a 1.455 metros acima do nível médio do mar. A coleta ocorreu entre 5 e 15 de maio de 2025, das 10 horas ao meio-dia. Esse período buscou manter intensidade luminosa constante e menor velocidade do vento.

Dimensões do pomar

O pomar tinha um hectare de laranja-doce. O espaçamento das plantas media seis metros por seis metros. A população atingia 277 plantas por hectare. As árvores tinham entre dois metros e quatro metros de altura, copa semiesférica e diâmetro de copa entre dois metros e meio e quatro metros.

Os pesquisadores usaram um drone DJI Phantom 4 Multispectral. O equipamento operou a 20 metros de altura, com velocidade de dois metros por segundo e sobreposição de 85%. A câmera RGB tinha 20 megapixels. O sensor multiespectral registrou bandas azul, verde, vermelha, red-edge e infravermelho próximo.

O banco de dados inicial reuniu 6.000 recortes RGB em formato Tiff. Cada recorte media 128 por 128 pixels. Os cientistas distribuíram as imagens em três grupos iguais, com 2.000 amostras por classe. Em cada classe, 1.600 imagens entraram no treinamento. Outras 400 imagens compuseram a validação.

Depois da ampliação do banco por rotações de 90 graus, 180 graus e 270 graus, além de ajustes de luminosidade e contraste, o total chegou a 24.000 imagens. O procedimento simulou variações de orientação da copa e de ângulo de câmera durante o voo.

Recortes de copa

A classificação usou recortes de copa e atributos espectrais. O estudo avaliou média, mediana, valores máximos e mínimos, desvio-padrão, assimetria e curtose nas bandas analisadas. As áreas saudáveis apresentaram folhagem verde uniforme e copa compacta. As áreas infectadas exibiram amarelecimento parcial, padrão mosqueado e distribuição assimétrica de nervuras. Solo, plantas daninhas e sombras entraram na classe fundo.

O ResNet-50 classificou corretamente 397 das 400 amostras de fundo. O modelo também identificou 373 das 400 amostras infectadas por HLB. Na classe saudável, acertou 295 das 400 amostras. A maior confusão ocorreu entre copa saudável e copa infectada. Esse resultado indica dificuldade para separar sintomas iniciais de HLB de variações naturais da copa.

O EfficientNetV2B0 identificou corretamente 396 amostras de fundo, 362 amostras infectadas e 291 saudáveis. O DenseNet-121 classificou 384 amostras de fundo, 358 infectadas e 282 saudáveis. Os três modelos tiveram melhor desempenho na classe fundo. A classe saudável apresentou o menor F1-score.

Mapa de detecção

O estudo também gerou um mapa de detecção de HLB em escala de pomar. O mapa dividiu uma região do ortomosaico em 154 grades. Cada célula representou um recorte de 128 por 128 pixels. O ResNet-50 classificou 92 recortes, ou 62%, como fundo. Outros 51 recortes, ou 31%, apareceram como infectados por HLB. Apenas 11 recortes, ou 7%, entraram como copa saudável.

Esse mapa mostrou manchas de infecção em blocos contíguos. A visualização pode apoiar pulverização localizada, inspeção dirigida e remoção de árvores doentes. O método evita tratamento uniforme em toda a área e permite manejo por sítio específico.

Os cientistas concluem que a integração entre drones, imagens RGB e redes neurais pode apoiar o monitoramento automatizado de HLB em citros. O trabalho também indica potencial de avanço com uso de bandas no infravermelho próximo e red-edge, pois essas faixas registram alterações ligadas à estrutura interna das folhas e à concentração de clorofila.

Outras informações em doi.org/10.1016/j.atech.2026.102274