MODELO INTELIGENTE BASEADO EM APRENDIZADO FEDERADO E VISÃO COMPUTACIONAL COM DADOS SIMULADOS PARA O DIAGNÓSTICO DISTRIBUÍDO DE DOENÇAS DO CACAUEIRO EM COOPERATIVAS DA AMAZÔNIA LEGAL
DOI:
https://doi.org/10.18623/rvd.v23.7511Keywords:
Visão Computacional, Aprendizado Federado, Theobroma cacao, Inteligência Artificial, Amazônia LegalAbstract
O diagnóstico precoce de doenças do cacaueiro é crucial para a sustentabilidade agrícola na Amazônia Legal, porém esbarra em desafios logísticos e na centralização de dados sensíveis por parte das cooperativas. Este estudo propõe e avalia uma arquitetura inteligente que integra Aprendizado Federado e Visão Computacional, utilizando dados simulados, para o diagnóstico distribuído dessas doenças. A metodologia abrangeu uma Revisão Sistemática da Literatura guiada pelo protocolo PRISMA para fundamentar a arquitetura, seguida pelo desenvolvimento de um ambiente de simulação com 12.000 imagens sintéticas reproduzindo o cenário cross-silo de cinco cooperativas. Foram comparados os regimes de treinamento local, centralizado e federado (FedAvg e FedProx) utilizando redes convolucionais leves (MobileNetV3, EfficientNet-B0 e ResNet50). Os resultados demonstram que a combinação de EfficientNet-B0 com o algoritmo FedProx obteve o melhor equilíbrio, alcançando 93,8% de acurácia e 93,3% de F1-macro. Essa configuração superou amplamente o treinamento local isolado e aproximou-se do desempenho do modelo centralizado, com a vantagem arquitetural de manter a custódia e a soberania dos dados nas cooperativas. Conclui-se que a abordagem federada proposta é viável e eficaz para ambientes operacionais com restrições de infraestrutura, promovendo a identificação descentralizada de patologias sem comprometer a privacidade das informações agronômicas.
References
PAGE, M. J. et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ, v. 372, n. 71, 2021. DOI: https://doi.org/10.1136/bmj.n71.
AHMAD, A.; SARASWAT, D.; EL GAMAL, A. A Survey on Using Deep Learning Techniques for Plant Disease Diagnosis and Recommendations for Development of Appropriate Tools. Smart Agricultural Technology, 3, 100083, 2023. DOI: https://doi.org/10.1016/j.atech.2022.100083.
ALVARADO, J.; RESTREPO-ARIAS, J. F.; VELÁSQUEZ, D.; MAIZA, M. Disease Detection on Cocoa Crops Based on Computer-Vision Techniques: A Systematic Literature Review. Agriculture, 15(10), 1032, 2025. DOI: https://doi.org/10.3390/agriculture15101032.
AYIKPA, K. J.; BALLO, A. B.; DIARRA, M.; ET AL. A Hybrid Feature Fusion and Machine Learning Approach for Cocoa Pod Disease Detection. Human-Centric Intelligent Systems, 5, 531-544, 2025. DOI: https://doi.org/10.1007/s44230-025-00117-2.
BARBEDO, J. G. A. Factors Influencing the Use of Deep Learning for Plant Disease Recognition. Biosystems Engineering, 172, 84-91, 2018. DOI: https://doi.org/10.1016/j.biosystemseng.2018.05.013.
DEMBANI, R.; KARVELAS, I.; AKBAR, N. A.; RIZOU, S.; TEGOLO, D.; FOUNTAS, S. Agricultural Data Privacy and Federated Learning: A Review of Challenges and Opportunities. Computers and Electronics in Agriculture, 232, 110048, 2025. DOI: https://doi.org/10.1016/j.compag.2025.110048.
DHINGRA, G.; KUMAR, V.; JOSHI, H. D. Study of Digital Image Processing Techniques for Leaf Disease Detection and Classification. Multimedia Tools and Applications, 77, 19951-20000, 2018. DOI: https://doi.org/10.1007/s11042-017-5445-8.
DURRANT, A.; MARKOVIC, M.; MATTHEWS, D.; MAY, D.; ENRIGHT, J.; LEONTIDIS, G. The Role of Cross-Silo Federated Learning in Facilitating Data Sharing in the Agri-Food Sector. Computers and Electronics in Agriculture, 193, 106648, 2022. DOI: https://doi.org/10.1016/j.compag.2021.106648.
FUENTES, A.; YOON, S.; KIM, S. C.; PARK, D. S. A Robust Deep-Learning-Based Detector for Real-Time Tomato Plant Diseases and Pests Recognition. Sensors, 17(9), 2022, 2017. DOI: https://doi.org/10.3390/s17092022.
GODMALIN, R. A.; ALIAC, C. J.; FELISCUZO, L. S. Classification of Cacao Pod if Healthy or Attack by Pest or Black Pod Disease Using Deep Learning Algorithm. 2022 IEEE International Conference on Artificial Intelligence in Engineering and Technology, 2022. DOI: https://doi.org/10.1109/IICAIET55139.2022.9936817.
GODMALIN, R. A.; ALIAC, C. J.; FELISCUZO, L. S. Cacao Pod Infection Level Classification Using Transfer Learning. 2023 IEEE Open Conference of Electrical, Electronic and Information Sciences, 2023. DOI: https://doi.org/10.1109/eStream59056.2023.10135062.
KAIROUZ, P.; MCMAHAN, H. B.; AVENT, B.; ET AL. Advances and Open Problems in Federated Learning. Foundations and Trends in Machine Learning, 14(1-2), 1-210, 2021. DOI: https://doi.org/10.1561/2200000083.
KOUASSI, K. S.; DIARRA, M.; EDI, K. H.; KOUA, B. J.-C. Detection of Cocoa Pod Diseases Using a Hybrid Feature Extractor Combining CNN and Vision Transformer with Dual Classifier. Edelweiss Applied Science and Technology, 9(1), 668-681, 2025. DOI: https://doi.org/10.55214/25768484.v9i1.4209.
KUMI, S.; KELLY, D.; WOODSTUFF, J.; LOMOTEY, R. K.; ORJI, R.; DETERS, R. Cocoa Companion: Deep Learning-Based Smartphone Application for Cocoa Disease Detection. Procedia Computer Science, 203, 87-94, 2022. DOI: https://doi.org/10.1016/j.procs.2022.07.013.
MAMBA KABALA, D.; HAFIANE, A.; BOBELIN, L.; CANALS, R. Image-Based Crop Disease Detection with Federated Learning. Scientific Reports, 13, 19220, 2023. DOI: https://doi.org/10.1038/s41598-023-46218-5.
MOHANTY, S. P.; HUGHES, D. P.; SALATHÉ, M. Using Deep Learning for Image-Based Plant Disease Detection. Frontiers in Plant Science, 7, 1419, 2016. DOI: https://doi.org/10.3389/fpls.2016.01419.
NAVARRO-CABRERA, J. R.; BERAÚN-BARRANTES, J. G.; CÁRDENAS-GARCÍA, Á.; LOZANO-CARRANZA, C. M. Application of Deep Learning in the Phytosanitary Detection of Cocoa Using Computer Vision. Revista Científica de Sistemas e Informática, 6(1), e1385, 2026. DOI: https://doi.org/10.51252/rcsi.v6i1.1385.
RAMCHARAN, A.; BARANOWSKI, K.; MCCLOSKEY, P.; AHMED, B.; LEGG, J.; HUGHES, D. P. Deep Learning for Image-Based Cassava Disease Detection. Frontiers in Plant Science, 8, 1852, 2017. DOI: https://doi.org/10.3389/fpls.2017.01852.
RAMCHARAN, A.; MCCLOSKEY, P.; BARANOWSKI, K.; ET AL. A Mobile-Based Deep Learning Model for Cassava Disease Diagnosis. Frontiers in Plant Science, 10, 272, 2019. DOI: https://doi.org/10.3389/fpls.2019.00272.
RIZMAN ŽALIK, K.; ŽALIK, M. A Review of Federated Learning in Agriculture. Sensors, 23(23), 9566, 2023. DOI: https://doi.org/10.3390/s23239566.
SILVEIRA, A. C. de L.; SILVA, E. de V.; LIMA, G. C.; SANTOS, W. J. C. dos; CONTE, T. N. M. de S.; PICANÇO, A. R. S. Sistema Autônomo de Fiscalização Viária: Detecção em Tempo Real de Ultrapassagens em Faixas Contínuas e Veículos em Contramão com OpenCV em Ambiente Simulado. Revista de Gestão e Secretariado, [S. l.], v. 16, n. 12, p. e5499, 2025. DOI: 10.7769/gesec.v16i12.5499. Disponível em: https://ojs.revistagesec.org.br/secretariado/article/view/5499. Acesso em: 9 jul. 2026.
VILLALOBOS-CULQUI, C.; GARCÍA-RIVAS-PLATA, C.; TUESTA-HIDALGO, O. A. Artificial Vision Model Based on Convolutional Neural Networks for Black Pod Identification in Cacao Plantations. Revista Científica de Sistemas e Informática, 5(1), e678, 2025. DOI: https://doi.org/10.51252/rcsi.v5i1.678.
Downloads
Published
How to Cite
Issue
Section
License
I (we) submit this article which is original and unpublished, of my (our) own authorship, to the evaluation of the Veredas do Direito Journal, and agree that the related copyrights will become exclusive property of the Journal, being prohibited any partial or total copy in any other part or other printed or online communication vehicle dissociated from the Veredas do Direito Journal, without the necessary and prior authorization that should be requested in writing to Editor in Chief. I (we) also declare that there is no conflict of interest between the articles theme, the author (s) and enterprises, institutions or individuals.
I (we) recognize that the Veredas do Direito Journal is licensed under a CREATIVE COMMONS LICENSE.
Licença Creative Commons Attribution 3.0
