CLASSIFICAÇÃO AUTOMÁTICA DE DIAPHORINA CITRI EM IMAGENS DE MICROSCOPIA POR VISÃO COMPUTACIONAL E APRENDIZAGEM DE MÁQUINA

Objetivo: analisar e apresentar uma abordagem computacional para a classificação automática de imagens de Diaphorina citri Kuwayama, principal vetor do Huanglongbing, distinguindo-o de outros insetos capturados em armadilhas adesivas amarelas. Métodos: o capítulo sintetiza um fluxo de visão computacional baseado em aquisição de imagens de microscopia, segmentação do objeto principal, extração de características locais, representação por bolsas de características e classificação supervisionada. Foram avaliados ORB, SIFT, SURF, BRISK e FREAK, agrupamento por Mini Batch K-Means e classificadores KNN e SVM, com base de 1.152 imagens. Resultados: a configuração mais eficiente combinou detector SURF, descritor SIFT, bolsa de características construída com padrões visuais de Diaphorina citri e SVM com núcleo RBF. Essa abordagem alcançou 98,17% de acurácia na validação cruzada, com desvio-padrão de 2,54%, e 99,14% no teste final de generalização. Conclusão: os resultados indicam que técnicas clássicas de aprendizagem de máquina, quando integradas a uma representação visual adequada, podem superar a inspeção manual e apoiar sistemas automatizados de monitoramento fitossanitário, reduzindo tempo, custo e subjetividade na contagem do vetor do HLB.