Aprendizado Federado na Agricultura Inteligente: Um Modelo Colaborativo para o Controle de Doenças Agrícolas
A detecção precoce de doenças em plantas é essencial para a produtividade agrícola, mas enfrenta desafios associados à privacidade dos dados, à heterogeneidade das imagens e à segurança em ambientes distribuídos. Esta dissertação tem como objetivo desenvolver, avaliar e aprimorar um framework de Federated Learning (FL) capaz de oferecer alto desempenho, escalabilidade e resiliência para diagnóstico agrícola em cenários reais. A pesquisa foi estruturada em três eixos complementares: inicialmente, implementou-se um sistema federado baseado em computação em nuvem, demonstrando sua viabilidade prática para treinar modelos colaborativos sem compartilhamento de dados sensíveis; em seguida, realizou-se uma avaliação em larga escala utilizando o modelo VGG16, alcançando 99,71\% de acurácia mesmo sob distribuição não-IID; por fim, investigaram-se ameaças internas ao processo federado, validando mecanismos de filtragem de atualizações anômalas e agregação robusta, que permitiram manter acurácia acima de 95\% mesmo sob ataques de envenenamento de dados. Os resultados demonstram que a abordagem proposta entrega um pipeline federado completo, eficiente e seguro, contribuindo para o avanço da agricultura inteligente e estabelecendo bases sólidas para a adoção de sistemas distribuídos confiáveis em ambientes sensíveis à privacidade.