Título: Discriminação de Variedades Fenotipicamente Similares: Uma Abordagem de Aprendizado Profundo para a Identificação de Cana-de-Açúcar com Imagens RGB
Comissão Examinadora -Titulares
Prof. Dr. André Franceschi de Angelis (Presidente) - FT/Unicamp
Prof. Dr. Guilherme Palermo Coelho - FT/Unicamp
Dr. Octávio Antonio Valsechi - UFSCar
Profa. Dra. Juliana Aparecida Fracarolli - FEAGRI/Unicamp
Dr. José Antônio Bressiani - NUSEED
Suplentes
Prof. Dr. Plinio Roberto Souza Vilela - FT/Unicamp
Prof. Dr. José Rafael Pilan - FATEC
Profa. Dra. Liliane dos Santos Machado - UFPB
Local: Sala de Defesa - Prédio da Pós-Graduação da FT | https://stream.meet.google.com/stream/40c605a9-d1c1-4418-9e47-8805c1e1205e
Resumo: A cana-de-açúcar representa uma das principais culturas agrícolas do Brasil, com
significativa importância econômica e social. A correta identificação de variedades constitui
um fator crítico para o sucesso do cultivo, uma vez que diferentes variedades apresentam
adaptações específicas a determinados ambientes de produção. Os métodos tradicionais de
identificação varietal, baseados na análise morfológica por especialistas ou em técnicas
moleculares, apresentam limitações relacionadas à subjetividade, disponibilidade de recursos
humanos especializados e custos operacionais.
Este trabalho propõe a aplicação de técnicas de visão computacional para a identificação
automatizada de variedades de cana-de-açúcar, utilizando imagens digitais de colmos. O
estudo focou na diferenciação entre duas variedades comerciais: Vertix 3 e Vertix 12,
desenvolvidas pela empresa Nuseed como parte de seu programa de melhoramento genético.
Para fundamentar a metodologia, uma fase exploratória inicial foi conduzida em
Maceió/AL, servindo para identificar desafios práticos na aquisição e análise de imagens,
como a variabilidade decorrente da idade fenológica das plantas e das condições de captura.
Os aprendizados desta etapa preliminar foram importantes para o delineamento do protocolo
experimental aplicado no estudo principal.
A metodologia final desenvolvida compreendeu a coleta de amostras em campo na Usina
Iracema, Iracemápolis/SP, seguida da captura de imagens em ambiente controlado utilizando
protocolo padronizado. Foram obtidas 5.230 imagens de alta resolução, posteriormente
processadas para remoção de fundo e segmentação do objeto de interesse. O conjunto final
de dados foi composto por 2.590 imagens da variedade Vertix 3 e 2.640 imagens da variedade
Vertix 12, ambas com 10 meses de idade.
Para a classificação das variedades, foi empregado o modelo YOLOv8n-cls, submetido a
processo de ajuste fino (fine-tuning) específico para a tarefa proposta. O treinamento foi
realizado durante 30 épocas, utilizando conjunto de dados dividido em 80% para treinamento,
10% para validação e 10% para teste.
Os resultados obtidos demonstraram a viabilidade da abordagem proposta, com acurácia
de 97,71% no conjunto de teste, precisão de 0,96 para Vertix 3 e 0,99 para Vertix 12, e recall
de 0,99 para Vertix 3 e 0,96 para Vertix 12. A análise de explicabilidade por meio de técnicas
de visualização confirmou que o modelo aprendeu a focar nas características morfológicas
relevantes dos colmos.
Os resultados indicam que a Visão Computacional representa uma alternativa viável para
a identificação de variedades de cana-de-açúcar, oferecendo potencial para desenvolvimento
de ferramentas práticas de baixo custo para aplicação no setor sucroenergético.