Model Development for Identifying Aromatic Herbs Using Object Detection Algorithm

Resumo

A rápida evolução das tecnologias digitais e a crescente integração da inteligência artificial na agricultura têm possibilitado o desenvolvimento de soluções inovadoras para a identificação de plantas. Esta pesquisa apresenta o desenvolvimento e o treinamento de um modelo de aprendizado profundo (deep learning) para identificar três plantas aromáticas — alecrim, hortelã e louro — utilizando técnicas avançadas de detecção de objetos baseadas na arquitetura You Only Look Once (YOLO). O estudo adotou a metodologia Cross Industry Standard Process for Data Mining (CRISP-DM), contemplando de forma sistemática as etapas de compreensão dos dados, preparação, modelagem, avaliação e implementação. O conjunto de dados foi composto por imagens obtidas por diferentes dispositivos e anotadas com caixas delimitadoras (bounding boxes), sendo utilizado no treinamento do modelo. O desempenho foi avaliado por meio da métrica precisão média (mean average precision – mAP50), calculada com uma interseção sobre união (Intersection over Union – IoU) de 50%, que combina os indicadores de precisão (precision) e revocação (recall). Os resultados demonstraram que o modelo alcançou precisão igual ou superior a 0,7 para cada uma das plantas aromáticas analisadas. Entretanto, os valores de recall indicaram tendência à sobredetecção, evidenciando a necessidade de ampliar a base de dados e aprimorar a metodologia empregada. A pesquisa destaca o potencial inovador do aprendizado profundo na identificação de plantas aromáticas, evidenciando tanto os benefícios quanto os desafios dessa abordagem. Os resultados contribuem significativamente para a ampliação do uso da inteligência artificial na agricultura, promovendo maior eficiência e precisão nos processos de identificação de espécies vegetais.