Madras1/beans-cnn-disease-classifier

Beans CNN Disease Classifier

CNN treinada para classificar folhas de feijoeiro em três classes:

• angular_leaf_spot
• bean_rust
• healthy

Resultados finais

O modelo foi escolhido exclusivamente pelo macro-F1 de validação. O conjunto de teste não participou da seleção ou do ajuste de hiperparâmetros.

Métrica de teste	Resultado
Accuracy	0.9141
Macro-F1	0.9114
Balanced accuracy	0.9147
Acertos	117/128
Erros	11/128

Métricas por classe

Classe	Precision	Recall	F1	Suporte
angular_leaf_spot	0.8936	0.9767	0.9333	43
bean_rust	0.9706	0.7674	0.8571	43
healthy	0.8936	1.0000	0.9438	42

O principal ponto fraco foi bean_rust, com recall de 0.7674. Dez das 43 folhas dessa classe não foram detectadas corretamente.

Comparação na validação

Modelo	Inicialização	Accuracy	Macro-F1	Parâmetros
CNN própria	aleatória	0.9850	0.9850	1,206,499
MobileNetV3	ImageNet	0.9474	0.9476	1,520,931
MobileNetV3	aleatória	0.3383	0.1685	1,520,931

A MobileNetV3 treinada do zero não generalizou sob este protocolo. O pré-treinamento no ImageNet melhorou fortemente seu resultado, mas a CNN própria foi superior na validação.

Matriz de confusão

Análise dos erros

Os erros se concentraram em sintomas leves ou visualmente ambíguos. Algumas folhas rotuladas como ferrugem possuíam poucas lesões e foram classificadas como saudáveis ou mancha-angular.

Arquitetura e treinamento

• Arquitetura: CNN convolucional personalizada.
• Parâmetros: 1.206.499.
• Inicialização: aleatória.
• Dataset: AI-Lab-Makerere/beans.
• Imagens de treino: 1.034.
• Validação: 133.
• Teste: 128.
• Entrada: RGB, 224 × 224.
• Otimizador: AdamW.
• Learning rate inicial: 3e-4.
• Weight decay: 1e-4.
• Label smoothing: 0.05.
• Early stopping: paciência de 5 épocas.
• Melhor época: 20.
• Seed: 42.
• Hardware: NVIDIA L4.

Durante o treino foram usados recorte aleatório, espelhamento horizontal, rotação leve e pequenas variações de cor. Validação e teste utilizaram redimensionamento e recorte central determinísticos.

Uso

Clone ou baixe o repositório, instale as dependências e execute:

python predict.py folha.jpg --repo Madras1/beans-cnn-disease-classifier

Os resultados são retornados em ordem decrescente de score.

Limitações

• O dataset é pequeno e possui condições visuais relativamente homogêneas.
• Mudanças de câmera, iluminação, cultivar, região ou estágio da doença podem reduzir o desempenho.
• O modelo sempre escolhe uma das três classes conhecidas e não detecta entradas fora de distribuição.
• Os scores do Softmax não foram calibrados; confiança alta não garante acerto.
• Casos leves de ferrugem apresentaram maior risco de falso negativo.
• O modelo não substitui avaliação agronômica profissional.
• Não deve orientar aplicação de defensivos ou decisões econômicas sem validação especializada.

Uso pretendido

Pesquisa, ensino e prototipagem de classificação visual de doenças em folhas de feijoeiro.

Dataset

Treinado com AI-Lab-Makerere/beans, disponibilizado sob licença MIT.