Deep Learning Approach for Oil Palm Leaf Disease Classification Using VGG16 Enhanced with Adam Optimization

Resumo

A detecção precoce de doenças nas folhas da palmeira de óleo é essencial para minimizar perdas econômicas e garantir o manejo sustentável da plantação. Este estudo propõe uma abordagem de aprendizado profundo utilizando a arquitetura VGG16 otimizada com o algoritmo Adam para classificar folhas de palmeira de óleo em três categorias: saudáveis, infectadas e com infecção inicial. O conjunto de dados foi obtido do Roboflow e pré-processado por meio de recorte, anotação e padronização antes de ser dividido em conjuntos de treinamento, validação e teste. Avaliações experimentais foram realizadas em múltiplas épocas de treinamento e comparadas com dois modelos de referência: uma Rede Neural Convolucional (CNN) rasa e o YOLOv11-CLS (versão S). Os resultados mostram que a VGG16 combinada com o Adam alcançou a maior acurácia, de 97%, em 25 e 50 épocas, com precisão e recall equilibrados em todas as classes. Em contraste, a CNN de referência atingiu uma acurácia máxima de 88%, enquanto o YOLOv11-CLS apresentou resultados instáveis, com uma acurácia máxima de 82%. Os testes de significância estatística confirmaram que as melhorias de desempenho do VGG16 + Adam foram consistentes e confiáveis, validando sua adequação para implementação prática na agricultura de precisão. Esses resultados destacam o potencial da combinação de arquiteturas profundas com otimização adaptativa para aprimorar o diagnóstico de doenças em plantações de palma de óleo e reduzir a dependência de inspeções manuais.