Uma rede colaborativa com professores e pesquisadores de instituições públicas e privadas, nacionais e internacionais, desenvolveu uma solução pioneira no País, que detecta e conta plantas ao mesmo tempo que identifica linhas de plantio em imagens obtidas com drones.
A tarefa é executada graças a uma combinação de técnicas avançadas de visão computacional e aprendizagem profunda (deep learning), capaz de tomar decisões por conta própria.
Isso reduz custos e incertezas, facilita a gestão sustentável da lavoura e alavanca o agro 4.0.
Em experimentos com cultivo de milho e citros nas regiões Centro-Oeste e Sudeste, o método alcançou alto índice de acerto no monitoramento de sistemas agrícolas, além de demonstrar versatilidade e permitir a redução da dependência 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 área plantada.
O mapeamento preciso das áreas de cultivo é um pré-requisito importante para auxiliar o gerenciamento do campo e a previsão de produção na chamada agricultura de precisão.
Isso porque as culturas são sensíveis aos padrões de plantio e têm uma capacidade limitada para compensar áreas ausentes em uma linha, o que impacta negativamente o rendimento por unidade de área de solo durante a época de colheita.
Identificar as linhas de plantio pode ajudar os produtores a corrigir problemas ocorridos durante o cultivo de mudas, informação essencial na tomada de decisões.
Por isso, imagens ópticas com sensores embarcados em veículos aéreos não tripulados (Vants) são um meio de baixo custo comumente usado para capturar cenas, cobrindo áreas cultivadas.
Versatilidade e precisão
O estudo envolveu pesquisadores da Universidade Federal do Mato Grosso do Sul (UFMS), Universidade do Oeste Paulista (Unoeste), Universidade do Estado de Santa Catarina (Udesc), Universidade de Waterloo, no Canadá, e da Embrapa Instrumentação (SP).
A proposta do grupo foi desenvolver um método de aprendizado profundo baseado em uma rede neural convolucional (do inglês, Convolutional Neural Network – CNN) para contar e detectar simultaneamente plantas e linhas de plantio com imagens obtidas por sensores embarcados em Vants.
Apoiada pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e pela Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes), a pesquisa é um dos resultados do projeto sobre tecnologias com potenciais disruptivos para automação e agricultura de precisão, liderado pelo pesquisador da Embrapa Lúcio André de Castro Jorge, especialista em processamento de imagens captadas por diversos tipos de drones.
A pesquisa
O estudo foi conduzido com plantas de milho, em estádio inicial, mas com alta densidade, em área experimental da Fazenda Escola da Universidade Federal de Mato Grosso do Sul, com aproximadamente 7.435 m². A pesquisa cobriu um total de 33.360 pés de milho em 224 fileiras de plantas.
O método alcançou alto desempenho para contagem, errando aproximadamente seis plantas por imagem, cada uma com mais de 100 plantas, e desempenho similar na localização e extração de linhas de plantio.
Em citros, o método foi igualmente 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 plantas dessa mesma cultura, caso detectadas a tempo de se realizar a intervenção na mesma safra.
Essa condição ocorre em diferentes culturas, como cana-de-açúcar, soja, tomate, entre outras, com características semelhantes.