Automatização do YOLO para análise da métrica de área foliar sob diferentes espécies vegetais

A automatização de plataformas no âmbito da agricultura de precisão, buscam integrar eficiência computacional, rigor estatístico e aplicabilidade agronômica, contribuindo para o avanço das metodologias não destrutivas de avaliação do crescimento vegetal e para a consolidação do uso da inteligência artificial, visto a escassez de protocolos voltados a métrica foliar de forma objetiva, prática e rápida, um fator determinante em pesquisas de cunho científico ou no cotidiano para inferências agronômicas, à exemplo, verificação de doenças foliares. O objetivo deste estudo, é adaptar a arquitetura do YOLO para automatização em análise de imagens da área foliar de diferentes espécies vegetais, em que ao mesmo tempo possa ser acessível e de fácil aplicação. A metodologia baseou-se em um estudo experimental usando o modelo YOLO11, na obtenção e organização dos dados para automação, anotação e pré-processamento dos dados adquiridos. Foram avaliados: melho desempenho de parâmetros (M), tempo de treinamento (h), tempo de inferência (ms), Mask mAP50-95, precisão (P) e recall (R). Os resultados demonstraram que a detecção e segmentação automatizada de folhas baseadas no YOLO, tiveram como melhor resposta o modelo YOLO11s para estimativa de área foliar em diferentes espécies vegetais, apresentando M= 10, h= 0,96, ms= 8,5, Mask mAP50-95 de 0,956, P= 0,980 e R= 0,962. Portanto, a escolha do modelo final busca uma análise holística, abordando não apenas a capacidade da rede neural, mas também os fatores operacionais: resolução das imagens, o custo computacional e a finalidade agronômica da aplicação, além do tempo resposta de retorno a leitura da área foliar.