Estratégias para aprendizado de máquina com poucas amostras na classificação de imagens de inseto

Abstract

A detecção automática de pragas agrícolas a partir de imagens é um desafio central para a Agricultura de Precisão, sendo agravada pela escassez de dados anotados e pela elevada complexidade visual entre estágios de maturidade. Esta dissertação investiga a detecção de insetos sob o regime de aprendizado com poucas amostras a partir de uma perspectiva centrada em dados. Foram avaliadas múltiplas arquiteturas YOLO (v5, v8 e v11), integrando estratégias de amostragem inteligente, aumento de dados e modos de congelamento de camadas. A análise experimental revela que a Estratégia II (Amostragem por Diversidade Visual Multivariada) proporcionou ganhos significativos não apenas na estabilidade estatística, mas em todas as métricas primárias: precisão média (mean average precision - mAP), sensibilidade (recall) e pontuação F1 (f1-score). A configuração otimizada, composta pelo modelo YOLOv11n com congelamento de 10 camadas, sem o uso de aumento de dados offline e sob a Estratégia II, alcançou os melhores resultados absolutos. Para o estágio adulto,obteve-se uma precisão média (������50−95) de 0,6372 ± 0,0375 e recall de 0,9054. No estágio jovem, o mais desafiador devido ao mimetismo biológico, o modelo atingiu uma precisão média (������50−95) de 0,4534 ± 0,0621, representando um incremento de 14,4% em relação à seleção aleatória. Esses valores superam o desempenho do estado da arte de 2025, o modelo YOLO-YSTs, que reportou uma precisão média (������50−95) de 0,4130. Além do desempenho superior, a estratégia proposta alcançou uma redução superior a 30% no coeficiente de variação, atingindo o patamar de 3,93% em métricas críticas. Tal avanço garante modelos mais robustos e previsíveis para implementação em dispositivos de borda. Os achados reforçam que a amostragem criteriosa do conjunto de suporte constitui um mecanismo de regularização mais eficaz que a redundância sintética para a Agricultura 4.0