Deep learning para a detecção de ervas daninhas em imagens aéreas coletadas por VANTs

• Processo: 22/01259-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de maio de 2022
• Data de Término da vigência: 30 de abril de 2023
• Área de conhecimento: Interdisciplinar
• Pesquisador responsável: Flávio José de Oliveira Morais
• Beneficiário: Ronaldo de Oliveira Elias
• Instituição Sede: Faculdade de Ciências e Engenharia. Universidade Estadual Paulista (UNESP). Campus de Tupã. Tupã , SP, Brasil
• Assunto(s): Agricultura digital Inteligência artificial Aprendizagem profunda Veículos aéreos não tripulados Plantas daninhas
• Palavra(s)-Chave do Pesquisador: Agricultura 4 | manejo de plantas daninhas | Redes Neurais Profundas | Segmentac'ao Semantica | 0 | Inteligência Artificial, Manejo de Ervas Daninhas, VANTs

Resumo

Com a necessidade de otimização do manejo agrícola almejando maior produtividade, produtores têm estado, cada vez mais, dispostos ao emprego de novas tecnologias no campo. Seguindo esta tendência, esta pesquisa oferece alternativas para a mitigação de perdas (e consequente aumento de produtividade) ao explorar o problema de ervas daninhas nas lavouras. Mais especificamente, na agricultura tradicional, dentre diferentes medidas para reduzir o impacto de plantas invasoras, faz-se uso da aplicação de agrotóxicos visando controle, porém a utilização exacerbada de inúmeros destes defensivos pode acarretar em elevados custos de produção, além de males a saúde humana e ao meio ambiente. Nesse sentido, este trabalho considera novas tecnologias da chamada Agricultura Inteligente, como Veículos Aéreos Não Tripulados (VANTs) e técnicas avançadas de Inteligência Artificial para se detectar invasoras. Em particular, serão investigadas para esta aplicação as chamadas Redes Neurais Artificiais Profundas, as quais têm sido empregadas com sucesso no reconhecimento de padrões em imagens. A partir destas arquiteturas, serão discriminados padrões de ervas daninhas em imagens aéreas coletadas por um VANT realizando-se a segmentação dos pixels. Os métodos/algoritmos estudados e propostos serão comparados em bases de dados reais (após trabalho de campo em uma cultura alvo) e os resultados serão apresentados considerando-se métricas, como a IoU (Intersection-Over-Union) e Dice Coefficient, que são tipicamente adotadas na literatura para se avaliar o desempenho destas ferramentas.(AU)