Publicação: Discrimination of coffee diseases and pests using multispectral imaging
Carregando...
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::CIENCIAS AGRARIAS::AGRONOMIA::CIENCIA DO SOLO::FERTILIDADE DO SOLO E ADUBACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Assis, Gleice Aparecida de
Resumo
Accurate identification of diseases and pests in coffee plants is crucial for targeted crop
management and avoiding productivity losses. In this study, multispectral images were used
to monitor a drip-irrigated coffee plantation of the cultivar Topázio MG-1190 planted in
2016 at the Federal University of Uberlândia – Monte Carmelo Campus, with the objective
of discriminating symptoms caused by Leucoptera coffeella (coffee leaf miner), Cercospora
coffeicola (Cercospora leaf spot), and Hemileia vastatrix (coffee leaf rust). The images,
captured monthly from February to November 2024 using a DJI Phantom 4 drone, were
analyzed using supervised machine learning classification models (Neural Networks and
Random Forests) developed in Weka software. Concurrently, 4 leaf pairs per plant (middle
third) were assessed to analyze the incidence of each disease/pest. The input data for the
classifications consisted of the sensor's original spectral bands, derived vegetation indices,
and the designated class per plant. Subsequently, the methodology was tested on a
commercial crop in July 2025. The results demonstrated that the classification models
achieved up to 85% accuracy and a Kappa index of 0.8, highlighting the potential use of
multispectral images for the continuous monitoring of major coffee crop diseases and pests.
Furthermore, the maps generated by the models allowed for the analysis of the spatial
distribution of the studied phytosanitary problems, proving to be a tool to support localized
management practices. Thus, the research showed that this tool can be an alternative for
promoting sustainable coffee farming, contributing to more efficient disease and pest
control.
Abstract
A identificação precisa de doenças e pragas em cafeeiros é crucial para o manejo dirigido da
lavoura e para evitar perdas de produtividade. Neste estudo, utilizaram-se imagens
multiespectrais para monitorar um cafezal irrigado por gotejamento da cultivar Topázio MG
1190, implantado em 2016 na Universidade Federal de Uberlândia – Campus Monte
Carmelo, com o objetivo de discriminar sintomas causados por Leucoptera coffeella (bicho
mineiro), Cercospora coffeicola (cercosporiose) e Hemileia vastatrix (ferrugem do cafeeiro).
As imagens, capturadas mensalmente de fevereiro a novembro de 2024 com um drone DJI
Phantom 4, foram analisadas por meio de modelos de classificação supervisionada de
aprendizado de máquina (Redes Neurais e Random Forests) desenvolvidos no software
Weka. Paralelamente, foram avaliados 4 pares de folhas por planta (terço médio) para
analisar a incidência de cada doença/praga. Os dados de entrada para as classificações
consistiram nas bandas espectrais originais do sensor, nos índices de vegetação derivados e
na classe designada por planta. Posteriormente, a metodologia foi testada em uma lavoura
comercial em julho de 2025. Os resultados demonstraram que os modelos de classificação
atingiram até 85% de acurácia e índice Kappa de 0,8, evidenciando o potencial do uso de
imagens multiespectrais para o monitoramento contínuo das principais doenças e pragas da
cafeicultura. Além disso, os mapas gerados pelos modelos permitiram analisar a distribuição
espacial dos problemas fitossanitários estudados, mostrando-se uma ferramenta de apoio a
práticas de manejo localizado. Desse modo, a pesquisa evidenciou que essa ferramenta pode
ser uma alternativa para a promoção da cafeicultura sustentável, contribuindo para o controle
mais eficiente de doenças e pragas.
Palavras-chave
Coffee, Monitoring, Plant Diseases, Precision Agriculture, Remotely Piloted Aircraft, Remote Sensing
Citação
SILVA, Filipe Vieira da. Discrimination of coffee diseases and pests using multispectral imaging. 2026. 39 f. Dissertação (Mestrado em Agricultura e Informações Geoespaciais) - Universidade Federal de Uberlândia, Monte Carmelo, 2026. DOI http://doi.org/10.14393/ufu.di.2026.97