Esta dissertação analisa a aplicação de redes neurais convolucionais na detecção automá-
tica de doenças do feijão-caupi (Vigna unguiculata) em condições de campo no estado do
Piauí. O estudo aborda duas patologias de impacto econômico: a cercosporiose, causada
por Pseudocercospora cruenta, e o Cowpea aphid-borne mosaic virus (CABMV), ambas
associadas à redução de produtividade. Para a pesquisa, foi construída uma base de dados
(dataset ) composta por 168 imagens coletadas em lavouras nos municípios de Teresina,
Floriano e São Miguel do Tapuio, sendo 70 de folhas saudáveis e 98 de folhas doentes.
Foram avaliadas três arquiteturas de redes neurais convolucionais: LeNet-5, ResNet-50 e
EfficientNet-B0. Os resultados indicaram que a ResNet-50 obteve acurácia e F1-Score de
até 1,00, seguida da EfficientNet-B0, com valores próximos (F1 0,96), enquanto a LeNet-5
apresentou desempenho inferior na detecção do CABMV (F1 0,87). A obtenção de valores
máximos de acurácia e F1-Score pode estar relacionada ao tamanho reduzido da base de
dados. Os resultados apontam que técnicas de aprendizado profundo podem ser aplicadas
ao diagnóstico precoce do feijão-caupi em condições de campo, contribuindo para o manejo
da cultura e redução de perdas agrícolas.