🌽 Monitoramento Inteligente de Fitossanidade (Milho)

Sistema de Visão Computacional baseado em Deep Learning para detecção e classificação de patologias em folhas de milho, com integração automática para Business Intelligence (BI).

📝 Resumo

O projeto utiliza a arquitetura de rede neural DenseNet121 para analisar imagens de folhas de milho e classificá-las entre saudáveis ou doentes. O diferencial do sistema é a aplicação de Grad-CAM++, que gera mapas de calor (máscaras) sobre a imagem original, explicando visualmente quais áreas da folha levaram o modelo àquela conclusão.

✨ Funcionalidades

• Classificação Automática: Identificação de múltiplas classes de doenças e estado saudável.
• IA Explicável (XAI): Geração de imagens anotadas com máscaras adaptativas que destacam as lesões foliares.
• Fluxo de BI Automatizado: Sincronização direta entre o processamento em Python e dashboards interativos.
• Gestão Agrícola: Suporte para segmentação de dados por Fazenda e Talhão (Plot).

🛠️ Tecnologias Utilizadas

• Linguagem: Python 3.12+
• Deep Learning: PyTorch & Torchvision (DenseNet121)
• Visão Computacional: OpenCV (Masking e Anotação)
• Banco de Dados: SQLite (Armazenamento local de inferências)
• Integração e BI: Google Sheets API & Google Looker Studio

Links de acesso

• Dashboard: https://datastudio.google.com/reporting/A1d8af4-8967-470c-ae3635cabf8943fb
• Base de dados: https://docs.google.com/spreadsheets/d/1N5G3ZNGLyvsygI4FzlMYEYSbwC8uUPAZxHPEC0-vBEg/edit?usp=sharing
• Vídeo Explicativo: https://youtu.be/H4PDg5tVwx0

🚀 Como Testar (Ambiente Google Colab)

1. - Abrir projeto em ferramenta para python opencv (google colab, por exemplo)

2. Preparação e Autenticação - criar cêlula com comando para autenticação:

from google.colab import auth auth.authenticate_user()

3. - Verificar instalação:

!pip install gspread

4. - Clonar projeto:

!git clone ...

5. - Colocar imagens na pasta "input images"

6. - Para analisar as imagens por upload na pasta:

!python corn_predictions/mvp/consumer.py --model_path corn_predictions/models/maize_densenet121_state_dict.pt --meta_path corn_predictions/models/maize_densenet121_meta.json --input_dir corn_predictions/input_images --run_once

7. - Pasta "annotated_images" é criada. Dentro dela é possível visualizar demarcação da doença na planta.

8. - Exportar csv e google sheets:

!python corn_predictions/mvp/export_results_to_csv.py --flatten_probs

9. - Arquivo "results.csv" é criado e dados são enviados ao googles sheets.

10. - dados conectados ao painel em google looker studio.