Fenotipagem de plantas sob estresse hídrico utilizando características derivadas de imagens

Abstract

A irrigação de precisão em ambientes controlados exige o monitoramento contínuo e remoto do solo, mas métodos tradicionais, baseados em medições pontuais, enfren tam limitações de abrangência e durabilidade dos sensores. Como alternativa, esta dissertação apresenta o desenvolvimento e validação de um sistema inteligente de fenotipagem, fundamentado em imagens RGB e aprendizado de máquina embarcado emmicrocontroladores de baixo custo. Os experimentos demonstraram que alterações na coloração foliar podem ser utilizadas como indicativos sensíveis do estado hídrico, permitindo antecipar intervenções de irrigação com maior precisão. Foram avaliadas diferentes estratégias de classificação de estresse hídrico: (i) análise da componente Saturação, destacando-se como a solução mais simples e eficiente para implementa ção em dispositivos com recursos limitados; (ii) modelos rasos baseados em textura, que apresentaram desempenho promissor; e (iii) arquiteturas profundas do tipo CNN, que exigem maior poder computacional. Os resultados confirmam a viabilidade de descentralizar o processamento em dispositivos embarcados (Edge Computing), re duzindo a dependência de infraestrutura de nuvem, e evidenciam o potencial da visão computacional como ferramenta para o monitoramento agrícola de baixo custo.