Um dos maiores desafios na agropecuária em grande escala é o controle e monitoramento de doenças e pragas que acometem as plantações. Sem o controle adequado, podem comprometer a produtividade gerando grandes prejuízos. O monitoramento normalmente é feito de forma visual, um processo ineficiente e propenso a falhas. Para contornar o problema da baixa eficiência no monitoriamento e evitar a disseminação descontrolado de doenças, o produtores costumam realizar aplicações regulares de defensivos químicos. No entanto, quando a inspeção visual detecta uma infestação, os danos causados à plantação frequentemente são elevados, deixando os produtores com opções limitadas de manobra. Além disso, a aplicação regular de defensivos pode acarretar em outros problemas, tais como o desenvolvimento de resistência em pragas e doenças, impactos na saúde humana e contaminação ambiental. Este trabalho tem como objetivo desenvolver modelos de aprendizado de máquina para classificação precoce de pragas no milho usando dados de imagens de fluorescência da clorofila. Para atingir esse objectivo, utilizamos técnicas de data augmentation para expandir o conjunto de dados inicial. Essa abordagem permitiu uma representação mais abrangente dos atributos, aumentando a capacidade de generalização dos modelos. Plantas de milho das variedade Zapalotes chico (LE) e Sintético Spodoptera (SE) foram cultivadas em vasos e preservadas em casa de cultivo até o momento da infestação com as pragas e coleta dos dados. As imagens de fluorecência foram obtidas através do equipamento Closed FluorCam FC800-C e processadas pelo programa FlourCam7 para extração dos atributos. Foram avaliadas dois tipos de infestação, ataque inicial de Spodoptera frugiperda (lagarta) e Dichelops melacanthus (percevejo). Para identificar qual viés de representação mais adequado para o conjunto de dados, exploramos quatro métodos de classificação: baseados em distâncias, como o KNN; métodos simbólicos, exemplificados pela Árvore de Decisão; métodos conexionistas, como Redes Neurais; e métodos de maximização de margens, como o SVM. As redes neurais e o Adaboost demonstraram os melhores desempenhos na classificação, alcançando uma acurácia de 83% na detecção de percevejos e 75% na detecção de lagartas, respectivamente. Este estudo evidenciou o potencial transformador ao integrar dados reais e sintéticos no treinamento de modelos de aprendizado de máquina, resultando em melhorias significativas na identificação precoce de pragas no cultivo de milho.

One of the major challenges in large-scale agriculture is the control and monitoring of diseases and pests affecting crops. Without proper control, they can compromise productivity, leading to significant losses. Typically, diagnosis is done visually, an inefficient and error-prone process. To prevent uncontrolled disease spread due to inefficient monitoring, farmers often resort to regular applications of chemical pesticides. However, when visual inspection detects an infestation, the resulting damage to the crops is often extensive, leaving farmers with limited options. Moreover, regular pesticide use can lead to other issues such as pest and disease resistance, impacts on human health, and environmental contamination. This study aims to develop machine learning models for early pest classification in corn using chlorophyll fluorescence imaging data. To achieve this, we employed data augmentation techniques to expand the initial dataset, allowing a more comprehensive representation of attributes and enhancing the models generalization capability. Corn plants from the Zapalotes chico (LE) and Synthetic Spodoptera (SE) cultivars were grown in pots, maintained in a greenhouse until infestation with pests, and data collection. Fluorescence images were captured using the Closed FluorCam FC800-C equipment and processed by the FlourCam7 program for attribute extraction. Two types of infestation were evaluated: the initial attack of Spodoptera frugiperda (caterpillar) and Dichelops melacanthus (bug). To determine the most suitable bias for dataset representation, we explored four classification methods: distance-based methods like KNN, symbolic methods exemplified by Decision Trees, connectionist methods such as Neural Networks, and margin maximization methods like SVM. Neural networks and Adaboost demonstrated the best performance in classification, achieving an accuracy of 83% in detecting bugs and 75% in detecting caterpillars, respectively. This study highlighted the transformative potential of integrating real and synthetic data in machine learning model training, resulting in significant improvements in early pest identification in corn cultivation.