IA na folha de manga: o teste fora do banco de imagens muda a conversa
Atualizado: 13 de nov.
Um classificador acerta quase todas as imagens de teste. Para o produtor, a pergunta decisiva continua sendo o que acontece quando muda a câmera, a iluminação, o fundo ou a condição da folha.
99% no banco de imagens.
O MangoSwin-attention, apresentado por Khurana e colaboradores, foi avaliado num conjunto de 21.932 imagens de folhas de manga, com sete categorias de doença e uma classe saudável. A acurácia interna foi de 99,41%. Num conjunto fora da distribuição de treinamento, a média de três execuções foi de 91,00 ± 3,20%. [1]
Dois testes, duas perguntas
O teste interno mede desempenho em condições mais próximas dos dados usados no desenvolvimento. O teste externo investiga a transferência para outra distribuição de imagens. A diferença entre eles expõe uma limitação que pode ficar escondida quando se divulga apenas o maior número.
No estudo, a média externa do comparador Swin-Base foi de 87,44 ± 5,00%. A diferença entre as médias das três execuções não alcançou significância estatística, com p = 0,37. Isso não demonstra equivalência entre os modelos; limita a conclusão daquela comparação. [1]
Outros trabalhos tratam diretamente da passagem entre imagens controladas e imagens de campo. A adaptação de domínio busca reduzir essa diferença, mas usar dados do ambiente de destino e obter uma melhora num banco externo ainda não substitui uma validação prospectiva na operação. [2]
Classificar a fotografia é uma etapa
O sistema recebe uma imagem e escolhe entre classes conhecidas. O diagnóstico agronômico precisa considerar se o sinal pode ter outras causas, se há condições que o modelo nunca viu e se a referência usada para rotular o caso é adequada.
Uma base como PlantDoc acrescenta condições visuais mais realistas aos testes. Ainda assim, cultura, classe, região e protocolo de captura delimitam o que a avaliação representa. [3]
Por que a acurácia global pode esconder a falha importante
Imagine um teste didático com mil imagens, das quais 900 são saudáveis e cem têm uma doença de interesse. Um programa que respondesse “saudável” para todas teria 90% de acurácia e deixaria passar todos os casos da doença. Esse exemplo é fictício e serve apenas para mostrar por que a distribuição das classes muda a leitura de um percentual global.
Para o operador, importa saber quantos casos confirmados o sistema encontrou e quantos alertas exigiram uma vistoria sem confirmação. Sensibilidade por classe e avaliação dos falsos alertas ajudam a responder essas perguntas. A decisão também depende de qual erro pesa mais naquele uso: deixar passar um caso que exige atenção ou mobilizar a equipe sem necessidade.
Há outra diferença entre classificar imagens previamente selecionadas e acompanhar o pomar. Na seleção, o órgão costuma estar visível e enquadrado. Numa estação fixa, folhas podem ficar fora do quadro ou encobertas. Nossa recomendação é medir essa cobertura como uma etapa do piloto: uma boa previsão sobre uma folha visível não representa automaticamente todas as plantas do setor.
Uma saída útil para a operação pode incluir a imagem que motivou o alerta, a classe sugerida e uma opção de encaminhamento técnico quando a confiança ou a qualidade da captura forem insuficientes. O objetivo do piloto passa a ser verificável: localizar casos relevantes e organizar vistorias, com registro dos acertos, erros e situações em que o sistema não conseguiu avaliar. Esse resultado é mais próximo da necessidade do produtor que um percentual isolado de laboratório.
Como construir evidência para o pomar
Nossa recomendação é que as imagens de avaliação tenham rastreabilidade de fazenda, planta, cultivar, data, aparelho e diagnóstico de referência. Separar plantas e períodos entre desenvolvimento e teste ajuda a formular uma avaliação mais exigente do uso pretendido.
Além da acurácia global, é necessário acompanhar sensibilidade por classe, falsos alertas, casos desconhecidos e imagens em que o órgão está encoberto ou mal enquadrado. A possibilidade de encaminhar um caso à equipe técnica deve fazer parte do fluxo.
Para uma estação fixa no Vale do São Francisco, o desempenho ainda precisa ser medido nas plantas e condições locais. Os resultados citados justificam investigar uma ferramenta de triagem; não comprovam diagnóstico autônomo, escolha de tratamento ou desempenho comercial da AnandaTec.
Referências
[1] Khurana et al. (2026). MangoSwin-attention: a swin transformer with attention pooling for generalizable mango leaf disease classification.
[2] Wu et al. (2023). From Laboratory to Field: Unsupervised Domain Adaptation for Plant Disease Recognition in the Wild.
[3] Singh et al. (2020). PlantDoc: A Dataset for Visual Plant Disease Detection.




Comentários