Como a IA e os dados adaptativos elevam a detecção de doenças na folha de betel para 98% de precisão em Bangladesh

Dhaka, Bangladesh, Fonte:

A folha de betel é fundamental para a medicina tradicional e para a subsistência rural em toda a Ásia do Sul e Sudeste. No entanto, essa cultura essencial enfrenta ameaças constantes de doenças recorrentes, como podridão foliar e manchas nas folhas. Esses patógenos causam perdas significativas de produtividade e danos econômicos, afetando especialmente os pequenos agricultores em Bangladesh. Embora o aprendizado profundo ofereça uma perspectiva promissora para a detecção automatizada de doenças, sua aplicação prática esbarra em obstáculos devido à escassez de dados de treinamento e ao desequilíbrio entre as classes.

Os métodos tradicionais de inspeção manual ainda são trabalhosos e subjetivos. Essa dependência da observação humana frequentemente leva a diagnósticos tardios e ao uso inconsistente de pesticidas. Tentativas anteriores com aprendizado profundo enfrentaram dificuldades com conjuntos de dados pequenos. Muitos desses modelos antigos usavam técnicas de aumento fixas que não se adaptavam ao desempenho do modelo durante o treinamento. A nova abordagem redefine a seleção da política de aumento como um problema de bandit multinível. Um controlador UCB seleciona dinamicamente entre diferentes magnitudes do RandAugment e ativações do Mixup com base no desempenho de validação. Essa estratégia equilibra exploração e exploração para identificar a estratégia de transformação de dados mais eficaz.

O estudo utiliza um protocolo de avaliação rigoroso onde apenas imagens originais são usadas para a divisão do conjunto de dados. Esse método evita vazamento de dados que pode inflacionar artificialmente as métricas de desempenho. O backbone ConvNeXt-Tiny foi escolhido por sua eficiência e precisão. Ele foi testado contra outros modelos, incluindo ResNet, DenseNet e EfficientNet. Os resultados indicam que o ConvNeXt-Tiny com aumento guiado por UCB de 12 braços alcançou uma impressionante precisão de 98,04%. O macro-F1 chegou a 97,87%. Esse desempenho supera significativamente os métodos de aumento fixo e outros backbones.

A pesquisa também demonstrou robustez diante do aumento do desequilíbrio de classes. O modelo manteve alto desempenho mesmo quando as amostras das classes minoritárias foram reduzidas. Ao integrar técnicas de IA explicável, como Grad-CAM, o modelo fornece evidências visuais de que ele foca em características relevantes das folhas, e não em artefatos do fundo. Essa estrutura melhora a precisão diagnóstica enquanto oferece uma solução escalável e eficiente para ambientes agrícolas com recursos limitados. Ela abre caminho para práticas agrícolas mais inteligentes e resilientes por meio da inteligência artificial avançada.