Abstract
A interferência de plantas daninhas é uma das principais restrições à produtividade da cana-de-açúcar (Saccharum spp.), e o manejo sítio-específico depende de identificar as áreas infestadas com precisão e a baixo custo. Este artigo descreve um pipeline completo de segmentação de plantas daninhas em cana-de-açúcar a partir de ortomosaicos obtidos por veículo aéreo não tripulado (VANT). A anotação é semiautomática: caixas delimitadoras desenhadas por um operador servem de prompt para o Segment Anything Model 2 (SAM 2), que devolve máscaras binárias posteriormente vetorizadas e exportadas como GeoJSON georreferenciado. Dois modelos de segmentação do tipo codificador–decodificador, construídos sobre os codificadores VGG16 e MobileNetV2, foram treinados em 5.000 recortes extraídos desses ortomosaicos sob condições idênticas de parada antecipada, checkpointing e regularização L2. Avaliados sobre aproximadamente 6,9 milhões de pixels rotulados em quatro classes — dossel de cana-de-açúcar (fundo), daninhas de folha estreita, daninhas de folha larga e mamona (Ricinus communis) —, o modelo VGG16 alcançou 83,06% de acurácia por pixel e 0,692 de interseção sobre união média (mIoU), contra 73,87% e 0,549 do MobileNetV2. A análise por classe mostra que o erro dominante não é a confusão entre tipos de daninhas, que responde por 1,9% dos pixels dessas duas classes no modelo VGG16, mas a confusão entre as manchas de daninhas e o dossel de cana ao redor: as daninhas de folha larga perdem 25,0% de seus pixels para o fundo e 15,9% dos pixels de fundo são atribuídos a alguma classe de daninha. Como os dois modelos foram treinados sobre representações de cor diferentes, a comparação é apresentada como linha de base operacional, e não como um experimento arquitetural controlado.