Esta dissertação teve como objetivo avaliar e comparar o desempenho de três
arquiteturas de redes neurais convolucionais — LeNet-5, ResNet-50 e EfficientNet-B0 —
na detecção automática de Cercospora e Cowpea aphid-borne mosaic virus (CABMV)
em folhas de feijão-caupi (Vigna unguiculata). As imagens utilizadas foram coletadas em
plantações de Teresina, Floriano e São Miguel do Tapuio (Piauí), abrangendo condições
reais de campo. A LeNet-5 demonstrou eficiência em tempo de treinamento e inferência,
atingindo 100% de acurácia para Cercospora, porém apresentou limitações na detecção de
CABMV, estabilizando-se em 86,96%. A ResNet-50 destacou-se com 100% de acurácia
para ambas as patologias e excelente capacidade de generalização, embora com alto custo
computacional. O EfficientNet-B0 apresentou o melhor equilíbrio entre precisão e eficiência,
alcançando mais de 95% de acurácia, incluindo 100% após 25 e 50 épocas, com menor
tempo de inferência que a ResNet-50. Os resultados indicam que o EfficientNet-B0 é o
modelo mais adequado para aplicações práticas em monitoramento agrícola em tempo
real, enquanto a LeNet-5 é mais apropriada para dispositivos com recursos restritos e a
ResNet-50 para sistemas que exigem máxima precisão.