Universidade Federal do Ceará
Programa de Pós-Graduação em Engenharia de Teleinformática

Defesa de Dissertação de Mestrado – Bianca Sousa Soares

Título: Arquitetura para Identificação e Quantificação de Pragas Agrícolas: Emprego de Redes Neurais Leves com Decomposição CP em Dispositivos de Borda

Data: 15/01/2026
Horário: 09:00
Local: Online

Banca Examinadora:
Atslands Rego da Rocha (UFC, Orientador)
Pedro Pedrosa Rebouças Filho (UFC)
Deborah Maria Vieira Magalhães (UNILAB)
Flávio Henrique Duarte de Araújo (UFPI)
Patrik Luiz Pastori (UFGD)

Resumo:
A agricultura exerce um papel essencial para a segurança alimentar e o desenvolvimento socioeconômico mundial. No entanto, essa atividade enfrenta desafios crescentes, incluindo os insetos-praga, que se destacam devido ao seu potencial de causar perdas expressivas, tornando indispensáveis estratégias de manejo integrado capazes de conciliar eficiência produtiva e sustentabilidade ambiental. Os métodos tradicionais de monitoramento podem ser subjetivos e não escaláveis, pois dependem de inspeção visual e amostragem manual. Avanços em áreas como Internet das Coisas e aprendizado profundo têm impulsionado o desenvolvimento de soluções promissoras para automatizar esse processo, por meio de dispositivos de sensoriamento e módulos de controle capazes de realizar aquisição, pré-processamento e análise de dados de forma contínua.

Nesse cenário, a Edge AI consolida-se como uma abordagem estratégica ao permitir a execução de modelos neurais em dispositivos embarcados posicionados próximos à fonte de dados, reduzindo a dependência da infraestrutura de nuvem. Este trabalho propõe uma arquitetura Edge AI para o monitoramento de pragas agrícolas, com aplicação voltada à identificação e contagem da Spodoptera frugiperda, uma espécie de inseto-praga que ataca diversas plantações como o milho, soja e algodão. A metodologia abrange desde a captura de imagens em campo, a execução dos modelos em um dispositivo de borda e a sincronização dos resultados com a nuvem. Para suprir a insuficiência de bases públicas reais, foi construída uma base de dados própria, reunindo imagens coletadas tanto em campo quanto em laboratório.

O método utiliza decomposição tensorial como pré-processamento de imagens para reduzir ruídos e otimizar características, combinada com técnicas de aumento de dados para melhorar a robustez do conjunto de treinamento. Nos experimentos, a EfficientNetB0 obteve o melhor desempenho na classificação (acurácia de 0,9980), enquanto a combinação U-Net + MobileNetV2 + MLP mostrou os melhores resultados na contagem (IoU de 0,9108 e R² de 0,9889). A implementação em um dispositivo de borda comprovou a viabilidade prática da solução, com tempo total médio de 7,4 s por ciclo de análise. Esses resultados demonstram que a arquitetura proposta é uma alternativa para adoção em campo, pois apresenta baixo custo computacional e elevada precisão. Ainda é uma proposta promissora para o monitoramento em tempo real, onde a rápida detecção de infestações é essencial para mitigar danos e garantir uma produtividade sustentável.

Palavras-chave: Edge AI; visão computacional; aprendizado profundo; decomposição tensorial; monitoramento de pragas; agricultura.