Emendar traço de plantio pode permanecer mais fácil com tecnologia pioneira

0
57

Uma tecnologia pioneira no Brasil pode tornar o trabalho de identificação e correção de traço de plantio mais fácil e assertivo. De contrato com a Embrapa, as imagens são capturadas por drones e processadas com uma técnica chamada de aprendizagem profunda (deep learning), capaz de tomar decisões por conta própria.

Foto: Joana Silva/Embrapa

Segundo a estatal, em experimentos com cultivo de milho e citros nas regiões Núcleo-Oeste e Sudeste, o método alcançou cume índice de acerto no monitoramento de sistemas agrícolas, além de provar versatilidade e permitir a redução da obediência de inspeções visuais, que são demoradas, trabalhosas e tendenciosas.

“Outra vantagem em relação aos métodos tradicionais é que a solução proposta permite uma varredura completa do talhão ou da dimensão plantada”, afirma.

O mapeamento preciso das áreas de cultivo é um pré-requisito importante para facilitar o gerenciamento do campo e a previsão de produção na chamada lavoura de precisão. Isso porque as culturas são sensíveis aos padrões de plantio e têm uma capacidade limitada para ressarcir áreas ausentes em uma traço, o que impacta negativamente o rendimento por unidade de dimensão de solo durante a quadra de colheita.

Identificar as linhas de plantio pode ajudar os produtores a emendar problemas ocorridos durante o cultivo de mudas, informação importante na tomada de decisões. Por isso, imagens ópticas com sensores embarcados em veículos aéreos não tripulados (Vants) são um meio de plebeu dispêndio comumente usado para conquistar cenas, cobrindo áreas cultivadas.

Uma vez que foi feita a pesquisa?

O estudo foi transportado com vegetação de milho, em estádio inicial, mas com subida densidade, em dimensão experimental da Rancho Escola da Universidade Federalista de Mato Grosso do Sul, com aproximadamente 7.435 m². A pesquisa cobriu um totalidade de 33.360 pés de milho em 224 fileiras de vegetação.

O método alcançou cume desempenho para relato, errando aproximadamente seis vegetação por imagem, cada uma com mais de 100 vegetação, e desempenho similar na localização e extração de linhas de plantio. Em citros, o método foi também superior a outras redes neurais previamente desenvolvidas em outros estudos, errando entre uma e duas árvores por imagem.

Em campos de milho, as áreas com falhas podem ser preenchidas por vegetação dessa mesma cultura, caso detectadas a tempo de se realizar a mediação na mesma safra. Essa exigência ocorre em diferentes culturas, uma vez que cana-de-açúcar, soja, tomate, entre outras, com características semelhantes. De olho nessa vácuo, os pesquisadores focaram em uma solução que pudesse ser replicada em outras culturas, não restrita somente aos campos de milho e citros.

Outra taxa importante do método é a detecção de culturas plantadas em subida densidade, ou adensadas com espaçamento reduzido. As vegetação nas imagens da dimensão experimental foram identificadas por meio de fotointerpretação.

O professor da Unioeste Lucas Prado Osco, supervisionado pelo pesquisador José Marcato Junior durante o seu pós-doutorado na UFMS, explica que esses dados foram inseridos na rede neural uma vez que exemplo para a aprendizagem.

“Assim, o método aprende por meio desses exemplos. Ocorre que as vegetação se encontram muito próximas umas das outras, e isso pode ser um fator problemático para métodos convencionais de deep learning. Esse método utiliza uma abordagem cuja a verosimilhança de cada pixel ser uma vegetal é real e, a partir de um refinamento inteligente, consegue definir o pixel mediano e detectar a posição da vegetal na imagem”, detalha Osco, que é bolsista na Embrapa Instrumentação no projeto sobre tecnologias disruptivas.

Segundo o Castro Jorge, nenhum dos estudos implementou uma detecção de traço de plantio em seus métodos com rede neural convolucional, outro diferencial da abordagem atual. “Embora muitas redes profundas de detecção de objetos possam ser usadas para detectar vegetação e linhas de plantio, elas exigem várias etapas de processamento de imagem com técnicas convencionais extremamente custosas e modificações para executar ambas as tarefas em conjunto”, compara o pesquisador.

A abordagem proposta usa uma arquitetura de duas ramificações, um padrão que permite a troca de informações entre os ramos da rede. “Dessa maneira, a detecção de linhas pela rede é beneficiada com aprendizagem da detecção de vegetação, e vice-versa, uma vez que ela entende que não haverá vegetação fora das linhas, e uma traço não poderá ser formada sem que existam vegetação. Isso também contribui para reduzir a detecção de vegetação daninhas, embora estudos futuros ainda sejam necessários para estimar essa exigência com maior perspicuidade”, relata Castro Jorge.

O pesquisador lembra que as evoluções nas tecnologias de sensoriamento remoto e métodos de visão computacional sofreram um progresso disruptivo com as redes convolucionais e estão melhorando significativamente o mapeamento de sistemas agrícolas. “Essa integração está beneficiando a lavoura de precisão em diversas aplicações, uma vez que controle de envolvente, caracterização fenológica, avaliação nutricional, previsão de rendimento, estudo temporal, além da gestão da lavoura, entre outros benefícios”, avalia.

Diante da estimativa da Organização das Nações Unidas para a Lavradio e Sustento (FAO), de que para atender a demanda por provisões em 2050 a produção agrícola terá de crescer mais de 60%, com participação de 41% só do Brasil, é esperado que os produtores rurais aumentem a produtividade no campo.

“No entanto, esse aumento deve vir de avanços tecnológicos e otimização das áreas de produção, em vez de sua expansão. Uma estimativa precisa das vegetação em campos de cultivo é importante para prever a quantidade de rendimento enquanto monitora o seu propagação”, diz o professor da Faculdade de Engenharia, Arquitetura e Urbanismo e Geografia da UFMS José Marcato Junior.

Para o professor, a detecção de vegetação e linhas de vegetação consiste em uma métrica importante na avaliação de campos agrícolas, porque o número de vegetação auxilia agricultores e técnicos rurais a prezar a produtividade no termo do ciclo da cultura.

“Esse tipo de avaliação, quando realizada nas fases iniciais do plantio, é importante para a tomada de decisão rápida. Para o milho e outras culturas, a janela de decisão é breve e uma detecção rápida pode ajudar a mitigar ou prevenir problemas com a produção. Essas práticas devem melhorar as aplicações da lavoura de precisão, resultando no manejo sustentável do sistema agrícola”, acrescenta.

Grave dispêndio uma vez que diferencial

Uma versão prévio do método foi aplicada pela primeira vez para recontar árvores cítricas, e obteve uma precisão de aproximadamente 97% de acertos. Tanto em citros quanto em milho, o grupo usou imagens de um campo cultivado, captadas por câmera com sensores RGB embarcada em drones para criar o conjunto de dados. O sistema RGB – um sistema de cores aditivas em que o vermelho, o virente e o azul são combinados – por ser uma solução de plebeu dispêndio, é instalado na maioria dos drones, é facilmente replicável e possui subida disponibilidade no mercado.

“Essa tendência de utilizar os sensores RGB permitu resultados importantes com custos reduzidos quando comparados ao uso de sensores especiais em outras faixas do espectro de luz. Assim, o método é uma escolha de plebeu dispêndio e viável para ser aplicada em qualquer cultivo. Mas um grande diferencial ainda está na possibilidade de embarcar diretamente no Vant um sistema inteligente que permite detectar em tempo real a partir das redes treinadas”, avalia Castro Jorge.

Um dos principais desafios envolveu a detectação de vegetação nas bordas das imagens, quando a maior segmento delas se encontra obstruída. “A complicação se dá em função de regiões com subida oclusão, onde uma vegetal se sobrepõe a outra. Outrossim, outra dificuldade, nesse caso com a detecção de linhas, está relacionada ao espaçamento entre vegetação. Existem linhas em que, por perdas durante o plantio, a intervalo entre uma vegetal e outra é grande. Isso dificulta a aprendizagem da rede, pois ela pode não compreender que uma vegetal muito distante das outras possa ainda pertencer à mesma traço”, conta o observador. “Não obstante, mesmo nesses poucos casos, observamos que o método publicado é capaz de predizer corretamente a posição da maioria das vegetação e das linhas”, afirma Lucas Osco.

Perspectivas futuras

Os cientistas acreditam que pesquisas e aplicações futuras poderão tirar proveito do método desenvolvido para facilitar redes neurais profundas na relato simultânea de vegetação e detecção de fileiras de plantios em outros tipos de culturas.

“Estamos implementando novos recursos ao método para superar diferentes desafios relacionados aos padrões de plantio. E, também, estamos confiantes com o patamar atual, pois proporciona um aprimoramento nas tarefas de tomada de decisão ao mesmo tempo em que contribui para uma gestão mais sustentável dos sistemas agrícolas”, conclui o professor da UFMS José Marcato Junior.

DEIXE UMA RESPOSTA

Por favor digite seu comentário!
Por favor, digite seu nome aqui