Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40576| Título: | Recomendações de manejo nutricional e prevenção de estresse abiótico com base na classificação de deficiências em folhas de plantas utilizando visão computacional e deep learning |
| Título(s) alternativo(s): | Recommendations for nutritional management and abiotic stress prevention based on the classification of deficiencies in plant leaves using computer vision and deep learning |
| Autor(es): | Macedo, Anne Livia da Fonseca |
| Orientador(es): | Oliveira, Claiton de |
| Palavras-chave: | Plantas - Análise Informática na agricultura Mudanças climáticas Plants - Analysis Agricultural informatics Climatic changes |
| Data do documento: | 24-Fev-2026 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | MACEDO, Anne Livia da Fonseca. Recomendações de manejo nutricional e prevenção de estresse abiótico com base na classificação de deficiências em folhas de plantas utilizando visão computacional e deep learning. 2026. Dissertação (Mestrado em Informática) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2026. |
| Resumo: | As plantas sao essenciais para o planeta Terra, atuando como as principais geradoras de oxigenio, sendo responsaveis pelo armazenamento de mais de 90% da biomassa terrestre e formando a base da cadeia alimentar. Contudo, as mudancas climaticas impoem desafios ao fortalecimento da seguranca alimentar, ao aumento da produtividade agricola e a melhoria da qualidade das colheitas, as quais podem ser prejudicadas por eventos extremos como secas e inundacoes. Esses fatores ambientais podem ocasionar estresses abioticos, impactando a economia e a producao agricola, o que pode agravar as restricoes a seguranca alimentar global. O manejo adequado de nutrientes surge, portanto, como uma solucao eficaz, promovendo defesas naturais e melhorando a tolerancia aos estresses, uma vez que os desequilibrios nutricionais nas plantas afetam nao apenas o crescimento delas, mas tambem os mecanismos de defesa e a tolerancia aos estresses abioticos. Logo, a identificacao precoce e eficaz das deficiencias nutricionais e de grande importancia para garantir maior eficiencia na agricultura. Entre os metodos de diagnostico existentes, e possivel identificar essas deficiencias por meio de sintomas visuais como clorose, necrose e deformacoes nas bordas das folhas. Diante desse contexto, este trabalho propoe o desenvolvimento de um sistema que integra um modelo de CNN, treinado com base na arquitetura EfficientNetV2-B3, projetado para categorizar as folhas do cafeeiro em seis classes distintas: folhas saudaveis e deficiencias de K, Mn, B, Ca e P. Adicionalmente, o sistema inclui uma pipeline de recomendacao baseada na abordagem RAG, construida utilizando o ChromaDB, LangChain e o modelo GPT-4o, que possibilita a geracao de recomendacoes para auxiliar no manejo eficiente e ambientalmente responsavel das deficiencias nutricionais identificadas pelo modelo de classificacao. Os resultados finais do classificador indicaram uma acuracia global de 94%, uma media macro (F1) de 92% e uma media ponderada (F1) de 94%, evidenciando um desempenho robusto e com potencial para apoiar nos processos de diagnostico nutricional de forma rapida e precisa. Alem disso, as recomendacoes de manejo foram avaliadas por meio do RAGAS, utilizando seis metricas distintas, que apontaram que, em geral, as respostas geradas pelo LLM sao relevantes, claras, fundamentadas nas informacoes extraidas da base vetorial e consistentes com a deficiencia nutricional identificada. |
| Abstract: | Plants are essential for planet Earth, serving as the primary producers of oxygen, accounting for the storage of over 90% of the world’s terrestrial biomass, and forming the base of the food chain. However, climate change poses challenges to strengthening food security, increasing agricultural productivity, and improving crop quality, which can be adversely affected by extreme events such as droughts and floods. These environmental factors can lead to abiotic stresses, impacting the economy and agricultural production, what can make the constraints on global food security more severe. Proper nutrient management, therefore, emerges as an effective solution, promoting natural defenses and enhancing stress tolerance, as nutritional imbalances in plants affect not only their growth but also their defense mechanisms and tolerance to abiotic stresses. Consequently, the early and effective identification of nutritional deficiencies is crucial to ensure greater efficiency in agriculture. Among the existing diagnostic methods, these deficiencies can be identified through visual symptoms such as chlorosis, necrosis, and deformations along the leaf edges. In this context, this work proposes the development of a system that integrates a CNN model, trained based on the EfficientNetV2-B3 architecture, designed to categorize coffee plant leaves into six distinct classes: healthy leaves and deficiencies of K, Mn, B, Ca, and P. Additionally, the system includes a recommendation pipeline based on the RAG approach, built using ChromaDB, LangChain, and the GPT-4o model, which enables the generation of recommendations to support efficient and environmentally responsible management of nutritional deficiencies identified by the classification model. The final results of the classifier indicated an overall accuracy of 94%, a macro-average (F1) of 92%, and a weighted-everage (F1) of 94%, demonstrating robust performance with potential to assist in rapid and precise nutritional diagnostic processes. Moreover, the management recommendations were evaluated using RAGAS across six distinct metrics, which indicated that, in general, the responses generated by the LLM are relevant, clear, grounded in the information extracted from the vector database, and consistent with the identified nutritional deficiency. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40576 |
| Aparece nas coleções: | CP - Programa de Pós-Graduação em Informática |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| visaocomputacionaldeeplearning.pdf | 11,85 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
