A produção de morango no Brasil tem experimentado um crescimento significativo nos últimos anos, impulsionado pela demanda em constante expansão tanto no mercado interno quanto nas exportações. Nesse contexto, é crucial assegurar uma condição nutricional adequada para garantir altos níveis de produtividade, otimizar o uso de fertilizantes, aumentar a eficiência dos sistemas operacionais e promover a sustentabilidade no uso dos recursos naturais. Para atender a essa demanda, torna-se indispensável o uso de ferramentas tecnológicas capazes de determinar o estado nutricional por meio da extração de características de imagens digitais e aplicação de algoritmos. Essas abordagens não apenas reduzem significativamente o tempo necessário em comparação com as análises convencionais, mas também aprimoram a eficiência na aplicação de fertilizantes. Dentre os algoritmos de aprendizado de máquina utilizados para extrair características de imagens, destaca-se a rede neural convolucional (CNN), que tem sido amplamente estudada para classificação, detecção e segmentação de dados de interesse através de camadas convolucionais que fornecem informações mais eficientes e robustas. Assim, a CNN surge como uma alternativa viável para a determinação da condição nutricional das plantas. O objetivo deste estudo foi avaliar e comparar o desempenho de duas redes neurais convolucionais na predição de nitrogênio foliar na cultura do morango a partir de imagens RGB, analisando a acurácia e o erro de predição dos modelos. O delineamento experimental adotado foi de blocos casualizados, com três tratamentos e cinco repetições. A parcela experimental foi composta por dois vasos, contendo uma planta de morangueiro cada, com capacidade de 3 L (área de 0,02298 m² e diâmetro de 0,17 m), totalizando 30 vasos. Os tratamentos consistiram em 3 doses de adubação e foram nomeados de T1: 50% da adubação recomendada, para nitrogênio, T2: 100% da adubação controle e T3: 150% da adubação controle. A utilização da arquitetura Resnet-50 resultou em um desempenho superior em comparação com a rede neural própria, apresentando uma acurácia de 96% e 76%, respectivamente.

Strawberry production in Brazil has experienced significant growth in recent years, driven by ever-expanding demand both in the domestic market and in exports. In this context, it is crucial to ensure an adequate nutritional condition to guarantee high levels of productivity, optimize the use of fertilizers, increase the efficiency of operational systems and promote sustainable use of natural resources. To meet this demand, the use of technological tools capable of determining nutritional status by extracting features from digital images and applying algorithms is essential. These approaches not only significantly reduce the time required compared to conventional analyses, but also improve the efficiency of fertilizer application. Among the machine learning algorithms used to extract image features, the convolutional neural network (CNN) stands out, which has been widely studied for classification, detection and segmentation of data of interest through convolutional layers that provide more efficient and accurate information. robust. Thus, CNN emerges as a viable alternative for determining the nutritional status of plants. The aim of this study was to evaluate and compare the performance of two convolutional neural networks in accurately estimating different nitrogen doses in strawberry crops, analyzing the accuracy and prediction error of the models. The experimental design adopted was randomized blocks, with three treatments and five replications. The experimental plot consisted of two pots, containing one strawberry plant each, with a capacity of 3 L (area of 0.02298 m² and diameter of 0.17 m), totaling 30 pots. The treatments consisted of 3 doses of fertilization and were named T1: 50% of the fertilization recommended, for nitrogen, T2: 100% of the control fertilization and T3: 150% of the control fertilization. The use of the Resnet-50 architecture resulted in superior performance compared to the proprietary neural network, with an accuracy of 96% and 76%, respectively.