DETECÇÃO DE FERRUGEM EM PLANTAÇÕES DE UVA POR MEIO DEMODELOS DE INTELIGÊNCIA ARTIFICIAL BASEADOS EM DEEP LEARNING

Danilo Henrique Bruno; Ellen Silva Lago Vanzela; Diego Renan Bruno

doi:10.31510/infa.v22i2.2336

Autores

Danilo Henrique Bruno https://orcid.org/0009-0005-0902-1582
Ellen Silva Lago Vanzela
Diego Renan Bruno Faculdade de Tecnologia de Taquaritinga (FATEC) – São Paulo – Brasil

DOI:

https://doi.org/10.31510/infa.v22i2.2336

Palavras-chave:

Inteligência Artificial. Pragas em uvas. Deep Learning. Engenharia de alimentos.

Resumo

A ferrugem é uma das principais doenças que afetam plantações de uva, causando sérios prejuízos econômicos ao comprometer a produtividade e a qualidade dos frutos. O monitoramento e a detecção precoce dessa praga são fundamentais para a tomada de decisão no manejo agrícola, permitindo intervenções rápidas e eficazes. No entanto, métodos tradicionais de inspeção manual e pulverização indiscriminada de pesticidas são pouco eficientes, custosos e ainda geram riscos à saúde humana e ao meio ambiente. Este trabalho apresenta uma solução inovadora baseada em modelos de inteligência artificial e visão computacional para a identificação automática da ferrugem em videiras. Para isso, foi utilizada a arquitetura de deep learning YOLOv7, conhecida por sua alta precisão e velocidade na detecção de objetos em imagens. O modelo foi treinado com imagens de plantações de uva, permitindo a identificação robusta das regiões afetadas pela praga. As áreas identificadas com ferrugem são georreferenciadas, e as coordenadas são utilizadas para guiar a aplicação localizada de pesticidas pelo próprio drone. Dessa forma, apenas os pontos realmente afetados recebem o tratamento, evitando a pulverização generalizada. Os resultados demonstram que essa abordagem contribui para o uso racional de defensivos agrícolas, reduz o desperdício de insumos, diminui os impactos ambientais e melhora a segurança alimentar. Assim, a integração entre deep learning, drones e agricultura de precisão representa um avanço significativo no controle sustentável de pragas na viticultura.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

Danilo Henrique Bruno

Meu nome é Danilo Bruno, estudante de Engenharia de Alimentos na UNESP e bolsista de Iniciação Científica, com formação técnica em Química pela ETEC Elias Nechar.

Minhas habilidades abrangem tanto a área química quanto a de alimentos, capacitando-me para contribuir em projetos e análises. Estou familiarizado com procedimentos laboratoriais e equipamentos especializados na indústria alimentícia, com sólido entendimento em estudos de vida de prateleira, normas, regulamentos e tecnologias inovadoras.

Além da formação acadêmica, atuei como assessor financeiro na Semana Acadêmica de Engenharia de Alimentos da UNESP (Semaneng), onde planejei financeiramente o evento. Também integrei o time de Vendas da Engeali, Empresa Júnior de Engenharia de Alimentos da UNESP, desenvolvendo habilidades em negociação e gestão de projetos para empresas alimentícias. Sou membro do Projeto Educacional Profissionalizante do Adolescente (Proepad), promovendo práticas alimentares renovadas, incluindo a criação de uma horta em conjunto com os estudantes.

Na pesquisa, concentro-me no efeito da temperatura de armazenamento em passas pré-tratadas e na formulação de sucos de uvas desidratados. Essa experiência aprofunda meus conhecimentos técnicos em processamento de alimentos e técnicas de análises inovadoras, contribuindo para a produção científica.

Destaco minha capacidade de trabalho em equipe, desenvolvida em projetos colaborativos que aprimoraram minhas habilidades de planejamento e análise, contribuindo para a busca de soluções conjuntas.

Busco constantemente aprimorar-me, mantendo-me atualizado com as últimas tendências e inovações na Engenharia de Alimentos. Sou motivado e comprometido, pronto para enfrentar e superar desafios.
Ellen Silva Lago Vanzela
Formação acadêmica
- Graduação (2004) em Engenharia de Alimentos pela Universidade Estadual Paulista "Júlio de Mesquita Filho" - IBILCE/UNESP, São José do Rio Preto, SP.
- Mestrado (2007) e Doutorado-Sanduíche (2011) em Engenharia e Ciências de Alimentos pelo IBILCE/UNESP. Estágio no Exterior pela Universidad de Castilla-La Mancha (UCLM), Ciudad Real, Espanha.
Dissertação: Avalição das condições cromatográficas e análise de carotenoides em abóboras desidratadas com coberturas comestíveis.

Tese: Estudos bioquímicos, físico-químicos e tecnológicos de uvas paulistas.
- Livre-Docência (2022) em Tecnologia e Inovação em Produtos de Origem Vegetal, Departamento de Engenharia e Tecnologia de Alimentos, pelo IBILCE/UNESP, São José do Rio Preto, SP.
Título: Compostos fenólicos em uvas e produtos derivados: prospecção em solos brasileiros.
- Profa. Associada MS-5.3

Referências

ANAM, I. et al. A systematic review of UAV and AI integration for targeted plant disease detection and management. Computers and Electronics in Agriculture, v. 205, p. 107-118, 2024.

ELETRODRONES. Quanto custa um drone pulverizador? Eletro Drones, 22 ago. 2025. Disponível em: https://eletrodrones.com.br/quanto-custa-um-drone-pulverizador/

. Acesso em: 24 set. 2025.

HAFEEZ, A. et al. Implementation of drone technology for farm monitoring & pesticide spraying: a review. Information Processing in Agriculture, v. 10, n. 2, p. 192-203, 2023. DOI: 10.1016/j.inpa.2022.02.002.

KIM, So-Hee et al. Pesticide exposure of operators from drone application: a field study with comparative analysis to handheld data from exposure models. ACS Agricultural Science & Technology, 2023. DOI: 10.1021/acsagscitech.3c00253.

LI, Changyong; ZHANG, Shunchun; MA, Zhijie. RF-YOLOv7: a model for the detection of poor-quality grapes in natural environments. Agriculture, v. 15, n. 4, p. 387, 2025. DOI: 10.3390/agriculture15040387.

OIV – Organisation Internationale de la Vigne et du Vin. State of the world vitivinicultural sector in 2022. Paris: OIV, 2023.

PLANT disease detection using drones in precision agriculture. Precision Agriculture, v. 24, p. 1663-1682, 2023. DOI: 10.1007/s11119-023-10014-y.

PORTELA, F. et al. A systematic review on the advancements in remote sensing and proximity tools for grapevine disease detection. Sensors, v. 24, n. 24, p. 8172, 2024.

REDMON, J. et al. You only look once: unified, real-time object detection. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016. p. 779-788.

SANTOS, Andreza Aparecida dos; AVILA, Sandra; SANTOS, Thiago Teixeira. Detecção automática de uvas e folhas em viticultura com uma rede neural YOLOv2. In: Congresso Interinstitucional de Iniciação Científica – CIIC, 12., 2018, Campinas. Anais [...]. Campinas: CIIC, 2018. ISBN 978-85-7029-145-5. Nº 18601.

SUN, Fuchun et al. Grape target detection method in orchard environment based on improved YOLOv7. Agronomy, v. 15, n. 1, p. 42, 2025. DOI: 10.3390/agronomy15010042.

WANG, Chien-Yao et al. YOLOv7: trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv preprint, arXiv:2207.02696, 2022.

YANG, Mingji; TONG, Xinbo; CHEN, Haisong. Detection of small lesions on grape leaves based on improved YOLOv7. Electronics, v. 13, n. 2, p. 464, 2024. DOI: 10.3390/electronics13020464.