Busca avançada
Ano de início
Entree

Sistema de visão embarcado para identificação de falhas nas linhas de cultivo da cana-de-açúcar utilizando inteligência artificial para tomada de decisão em tempo real

Processo: 18/21991-9
Linha de fomento:Auxílio à Pesquisa - Pesquisa Inovativa em Pequenas Empresas - PIPE
Vigência: 01 de dezembro de 2019 - 30 de novembro de 2021
Área do conhecimento:Ciências Agrárias - Engenharia Agrícola
Pesquisador responsável:Milton Felipe Souza Santos
Beneficiário:Milton Felipe Souza Santos
Empresa:SENSORVISION SERVICOS DESENVOLVIMENTO PROGRAMAS COMPUTADOR LTDA
CNAE: Desenvolvimento e licenciamento de programas de computador customizáveis
Serviços de engenharia
Atividades profissionais, científicas e técnicas não especificadas anteriormente
Município: Paulínia
Pesquisadores principais:Domingos Guilherme Pellegrino Cerri
Assunto(s):Aprendizado computacional  Visão computacional  Agricultura de precisão  Cana-de-açúcar  Inteligência artificial 

Resumo

Atualmente, o maior produtor de cana-de-açúcar do mundo é o Brasil. A produção de cana-de-açúcar corresponde a 2% do PIB brasileiro. A eficiência na produção da cana-de-açúcar pode ser influenciada por vários fatores. Um dos grandes problemas no cultivo da cana-de-açúcar são as falhas no estande da cultura. Tais falhas podem ser geradas por diversos motivos como, plantio mal implantado, por ineficiência das plantadoras, arranquio de soqueira pelo corte de base das colhedoras e pelos rodados e esteira das máquinas. Em média, um canavial possui falhas que variam de 5% a 20% do total da área plantada. Assim, o Brasil perde em produção a cada ano o equivalente a US$ 2 bilhões podendo-se chegar a US$ 10 bilhões. Tornando a identificação de falhas em plantio de cana de açúcar em um tema de grande importância. Com o índice de falhas identificado, o produtor pode decidir se deve reformar o talhão ou continuar o cultivo. Este projeto de pesquisa tem como objetivo desenvolver um sistema de visão embarcado para identificação de falhas nas linhas de cultivo da cana-de-açúcar de baixo custo utilizando inteligência artificial para tomada de decisão em tempo real sem recorrer a imagens aéreas. Adicionalmente, serão buscados outros parâmetros tais como altura da planta e presença de plantas infestantes. Outro requisito é a busca da detecção das falhas em tempo de replantar (de 30 a 60 dias do plantio) e desta forma atingir a produção máxima da área cultivável. O projeto foi dividido em três etapas. Na etapa A, será feita a coleta e rotulação de dados que serão coletados por uma câmera multiespectral, uma câmera estéreo e uma câmera RGB de alta resolução. Na etapa B, será feita a implementação dos algoritmos e protocolos de testes, que serão baseados em cor e contraste e em algoritmos fim-a-fim (deep learning) usando redes totalmente convolucionais DenseNet, ConvNet, Mobilenet e Inception que permitem uma maior acurácia na segmentação de imagens e consequente segmentação das regiões nas imagens sejam elas, planta de cultivo, planta infestante, detritos, ou solo. Na etapa C, os algoritmos serão transferidos para uma placa de processamento embarcado com GPU (Graphics Processing Unit - unidade de processamento gráfico) para os testes em campo e conclusões do projeto. Como resultado, será criado um dispositivo instalado na parte frontal do trator alimentado por bateria, que efetua o processamento de classificação de falhas em cana-de-açúcar em tempo real. Isto é, o tempo de processamento do equipamento é menor que o tempo entre as imagens adquiridas pela câmera. Além do mercado de cana-de-açúcar acredita-se na viabilidade de, com pequenas adaptações, aplicar o sistema desenvolvido para o mapeamento de parâmetros de outras culturas, como por exemplo o mapeamento de falhas e porte de plantas pós-plantio para subsidiar o inventário florestal. (AU)