Enhancing soybean maturity classification using high-throughput UAV RGB imaging and convolutional neural networks

Abstract

Este estudo apresenta a RMNet (Rede Neural de Maturidade Relativa) e sua variante ambientalmente aprimorada RMNet-E, arquiteturas eficientes de redes neurais convolucionais para classificação de maturidade da soja usando imagens RGB baseadas em UAV. A RMNet alcança 98,2% de precisão para identificação de parcelas maduras enquanto processa de 3,3× a 20,4× mais rápido que modelos de aprendizado profundo comparáveis, abordando gargalos críticos em programas de melhoramento que tradicionalmente dependem de avaliações manuais intensivas em mão de obra. A pesquisa utilizou mais de 52.000 parcelas experimentais e 18.000 genótipos únicos, representando um dos conjuntos de dados geneticamente mais diversos usados em estudos de classificação de maturidade da soja até o momento, em duas localidades, criando 20 microambientes distintos para avaliar a transferibilidade do modelo. A RMNet demonstrou desempenho geral excepcional em todas as classes de maturidade com 90,4% de acurácia, 93,5% de precisão, 96,8% de recall e 95,1% de f1-score, superando significativamente tanto abordagens tradicionais de aprendizado de máquina (Máquina de Vetores de Suporte) quanto de aprendizado profundo (Xception) na detecção de classes maduras. A RMNet-E integra parâmetros meteorológicos, de radiação e solo para permitir implantação entre localidades, mantendo desempenho consistente quando transferida entre ambientes de treinamento e teste. Durante a janela crítica de colheita, a RMNet-E alcançou 99,3% de precisão para detecção de plantas maduras com a menor variância de predição entre todas as abordagens avaliadas, demonstrando confiabilidade superior para decisões de tempo de colheita em condições ambientais diversas. A validação estatística abrangente usando ANOVA e testes de Tukey em 13 abordagens de modelagem confirma o equilíbrio ótimo da RMNet entre eficiência computacional e acurácia de classificação. A validação entre localidades simula cenários de implantação do mundo real onde os modelos devem ser transferidos entre diferentes condições ambientais, abordando desafios práticos de implementação em programas de melhoramento. Esta pesquisa fornece uma solução escalável para classificação automatizada de maturidade da soja com transferibilidade comprovada em ambientes agrícolas diversos, permitindo otimização do tempo de colheita e ganho genético acelerado em operações de melhoramento.