From standard area diagram-aided human assessment to computer vision–assisted severity estimation: a case study of coffee leaf rust

Abstract

Accurate quantification of coffee leaf rust (CLR), caused by Hemileia vastatrix, remains a central challenge in phytopathometry, particularly under heterogeneous field conditions where symptom variability, illumination differences, and observer subjectivity affect disease severity estimates. Because severity is fundamental for epidemic monitoring, resistance screening, and management decision-making, improving both the reliability and operational efficiency of assessment methods is essential. This dissertation addresses CLR severity estimation from two complementary perspectives: human vision–assisted assessment and computer vision–based segmentation. First, a simplified two-color, 10-diagram standard area diagram (SAD) was developed and empirically validated against an existing 21- diagram scale and unaided visual assessment. Across 17 raters, the new SAD achieved high agreement with reference values (Lin’s concordance correlation coefficient > 0.93), improved coverage probability, and maintained strong interrater reliability (ICC > 0.90). Importantly, the simplified design reduced assessment time by approximately 11–13% while preserving predefined precision targets, thereby improving sampling efficiency and operational feasibility in field conditions. Second, a foundation model–assisted computer vision pipeline was developed for quantitative, pixel-level severity estimation. A two-stage detection–segmentation workflow integrating YOLOv8 and Segment Anything Models (SAM2 and zero-shot SAM3) enabled robust leaf extraction and lesion delineation from complex field images. Among evaluated approaches, the zero-shot foundation model (SAM3) achieved the highest segmentation performance (Dice 0.91; IoU 0.83) and the strongest agreement with reference severity estimates at the leaf level, outperforming both classical threshold-based methods and a supervised DeepLabV3+ model. Classical image processing approaches showed systematic positive bias, whereas foundation models provided more balanced precision and recall under heterogeneous acquisition conditions. By jointly evaluating statistical agreement, measurement bias, operational time costs, and computational robustness, this work advances an integrated framework for CLR severity estimation that spans visual and automated approaches. The findings demonstrate that both; the optimized diagrammatic scale and the foundation model–based segmentation canenhance the accuracy, reproducibility, and scalability of disease monitoring, supporting more precise and efficient decision-making in coffee production systems. Keywords: Hemileia vastatrix; Coffea arabica; phytopathometry; standard area diagram.A quantificação precisa da ferrugem-do-cafeeiro, causada por Hemileia vastatrix, permanece um desafio central na fitopatometria, especialmente sob condições heterogêneas de campo, nas quais a variabilidade dos sintomas, diferenças de iluminação e a subjetividade do avaliador afetam as estimativas de severidade da doença. Como a severidade é fundamental para o monitoramento de epidemias, a seleção de cultivares resistentes e o manejo integrado, melhorar tanto a confiabilidade quanto a eficiência operacional dos métodos de avaliação é essencial. Esta dissertação aborda a estimativa da severidade da ferrugem a partir de perspectivas integradas: avaliação assistida pela visão humana e segmentação baseada em visão computacional. Primeiramente, foi desenvolvida uma escala diagramática simplificada, bicolor, composta por 10 diagramas, a qual foi validado empiricamente em comparação com uma escala existente de 21 diagramas e com avaliação visual sem auxílio. Com a participação de 17 avaliadores, a nova escala diagramática apresentou alta concordância com os valores padrão (coeficiente de concordância de Lin > 0,93), maior probabilidade de cobertura e elevada confiabilidade interavaliadores (ICC > 0,90). De forma relevante, o desenho simplificado reduziu o tempo de avaliação em aproximadamente 11–13%, mantendo os níveis de precisão previamente estabelecidos, aumentando assim a eficiência amostral e a viabilidade operacional em condições de campo. Em seguida, foi desenvolvido um pipeline de visão computacional assistido por modelos fundacionais para estimativa quantitativa da severidade em nível de pixel. Um fluxo de trabalho em duas etapas, integrando YOLOv8 e os modelos Segment Anything (SAM2 e SAM3 com zero-shot), possibilitou a extração robusta de folhas e a delimitação de lesões em imagens de campo com fundo complexo. Entre os métodos avaliados, o modelo fundacional zero-shot (SAM3) apresentou o melhor desempenho de segmentação (Dice 0,91; IoU 0,83) e a maior concordância com os valores de severidade de referência em nível de folha, superando métodos clássicos baseados em limiarização bem como o modelo supervisionado DeepLabV3+. Abordagens clássicas de processamento de imagem apresentaram viés positivo sistemático, enquanto os modelos fundacionais demonstraram maior equilíbrio entreprecisão e sensibilidade sob condições heterogêneas no campo. Ao integrar a avaliação de concordância estatística, viés de mensuração, custo temporal operacional e robustez computacional, este trabalho propõe uma metodologia integrada para estimativa da severidade da ferrugem-do-cafeeiro, abrangendo abordagens visuais e automatizadas. Os resultados demonstram que tanto ferramentas de escalas diagramáticas otimizadas quanto a segmentação baseada em modelos fundacionais podem aumentar a acurácia, a reprodutibilidade e a escalabilidade do monitoramento da doença, contribuindo para uma tomada de decisão mais precisa e eficiente em sistemas de produção de café. Palavras-chave: diagramática Hemileia vastatrix; Coffea arabica; fitopatometria; escala.