Aplicação de aprendizagem federada na Identificação de plantas daninhas.

Abstract

A agricultura de precisão voltada para a cultura da cana-de-açúcar tem recebido investimentos expressivos no cenário brasileiro. Nesse contexto, um dos principais desafios das grandes produções é a infestação de plantas daninhas, que competem com a lavoura principal e comprometem a produtividade. Para mitigar o crescimento dessas espécies e otimizar os custos via aplicação localizada de herbicidas, investiga-se a identificação inteligente de plantas invasoras no campo. Atualmente, as soluções predominantes baseiam-se em modelos centralizados de aprendizado de máquina, que apresentam alta performance, mas exigem o envio de imagens para um servidor central, expondo dados corporativos e operacionais sensíveis do produtor rural. Como alternativa para a preservação da privacidade, o Aprendizado Federado (Federated Learning) propõe o treinamento local nos dispositivos dos clientes, compartilhando apenas as atualizações de pesos com um servidor agregador para a construção de um modelo global. Este trabalho propõe e avalia um ecossistema de aprendizado federado para a identificação de plantas daninhas, comparando-o com abordagens centralizadas tradicionais. Os resultados experimentais baseados na arquitetura DarkNet53 demonstraram que, enquanto o treinamento centralizado atingiu níveis de Acurácia e Recall próximos a 98%, o cenário federado de distribuição homogênea (IID) obteve desempenho altamente competitivo, superando 90% em ambas as métricas. Ademais, no desafiador cenário heterogêneo (Non-IID), a aplicação do algoritmo de agregação FedProx evitou a divergência dos clientes locais, garantindo a convergência estável do classificador global e validando a técnica como uma solução segura, privada e eficiente para a identificação agrícola em larga escala.