Dissertação/Tese COMPUTER VISION FOR INSECT DETECTION AND COUNTING: APPLICATION TO Glycaspis brimblecombei ON EUCALYPTUS - PPGPV

Insetos-praga representam uma ameaça importante para a saúde e a produtividade das plantações florestais, causando perdas econômicas significativas e comprometendo a sustentabilidade dos sistemas de produção. Este trabalho está organizado em dois capítulos. O primeiro apresenta uma revisão sistemática de 73 estudos publicados entre 2017 e 2025, com o objetivo de compreender as abordagens tecnológicas disponíveis para o monitoramento automatizado de pragas. Os resultados mostram que as abordagens mais eficazes se baseiam em redes neurais convolucionais (CNN) e em arquiteturas híbridas que combinam CNN e Transformers, cuja integração em armadilhas inteligentes permite um monitoramento automatizado, contínuo e em tempo real das populações de insetos, superando as limitações dos métodos restritos ao laboratório. O segundo capítulo relata um estudo experimental conduzido em um plantio comercial de Eucalyptus saligna, visando identificar e quantificar os lerps produzidos pelas ninfas de psilídeos (Glycaspis brimblecombei) nas folhas, por meio da avaliação do modelo YOLOv8n em duas estratégias de modelagem: uma uniclasse, centrada na localização dos insetos, e outra biclasse, que incorpora seu status biológico. Os resultados revelam um compromisso entre a precisão de localização e o desempenho de quantificação: o modelo uniclasse, embora ligeiramente menos preciso na detecção espacial, mostrou-se mais confiável para a contagem dos indivíduos, enquanto alvos de tamanho muito pequeno geraram a maioria dos falsos negativos. O estudo demonstra, assim, que os sistemas de visão computacional baseados em inteligência artificial constituem ferramentas estratégicas promissoras para a modernização da entomologia florestal e agrícola, apoiando um monitoramento mais preciso, contínuo e sustentável das populações de pragas.

Insect pests represent a major threat to the health and productivity of forest plantations, causing substantial economic losses and undermining the sustainability of production systems. This work is organized into two chapters. The first chapter presents a systematic review of 73 studies published between 2017 and 2025, aiming to characterize better the technological approaches currently available for the automated monitoring of pest insects. The analysis of results shows that the most effective approaches rely on convolutional neural networks (CNNs) and on hybrid architectures combining CNNs with Transformers. The integration of these models into smart traps enables automated, continuous, and real-time monitoring of insect populations, overcoming the limitations of counting methods previously confined to the laboratory. The second chapter reports an experimental study conducted in a commercial Eucalyptus saligna plantation, aiming to identify and quantify psyllid lerps (Glycaspis brimblecombei) present on the leaves. The methodological approach consisted of evaluating the performance of the YOLOv8n model by comparing two modeling strategies: a single class approach focused solely on insect localization, and a two class approach incorporating their biological status. Experimental results indicate a trade-off between localization accuracy and quantification performance: while the single-class model exhibited lower overall spatial precision, it produced fewer counting errors per image. Additionally, very small targets accounted for most false negatives. Furthermore, the study demonstrates that artificial intelligence-based computer vision systems constitute promising strategic tools for the modernization of forest and agricultural entomology, supporting more accurate, continuous, and sustainable monitoring of pest populations.