Aplicativo móvel utilizando técnicas de deep learning para identificação de doença foliar

Abstract

Este trabalho propõe o desenvolvimento de um aplicativo móvel para reconhecimento de doenças foliares a partir de imagens, visando apoiar a tomada de decisão de pequenos e médios produtores. A solução combina um modelo de deep learning baseado em redes neurais convolucionais (CNNs) com uma arquitetura cliente–servidor: a interface é implementada em Flutter e a inferência do modelo é disponibilizada por meio de uma API em Flask. O projeto contempla curadoria e pré-processamento de um conjunto de imagens de folhas, treinamento e ajuste de um classificador CNN, construção de serviços REST para comunicação com o aplicativo e avaliação de acurácia e desempenho com imagens reais. Espera-se demonstrar que a integração entre IA e dispositivos móveis possibilita diagnósticos rápidos e acessíveis, contribuindo para a detecção precoce de doenças, uso mais racional de insumos e aumento da eficiência produtiva na agricultura de precisão. O estudo discute limitações, como variações de iluminação e qualidade de captura, e indica melhorias futuras, incluindo aumento de base de dados e técnicas de data augmentation.

This project presents a mobile application for leaf disease recognition from images to support decision-making for small and medium-scale farmers. The solution combines a deep learning model based on Convolutional Neural Networks (CNNs) with a client–server architecture: the user interface is built with Flutter, while model inference is exposed through a Flask REST API. The workflow includes curation and preprocessing of a leaf image dataset, training and tuning of a CNN classifier, implementation of REST services for communication with the app, and evaluation of accuracy and runtime performance using real images. We aim to show that integrating AI with mobile devices enables fast and accessible diagnostics, fostering early disease detection, more rational input usage, and improved efficiency in precision agriculture. The study also discusses limitations—such as illumination variability and capture quality—and outlines future improvements, including dataset expansion and data augmentation strategies.