Monitoramento de rebanhos usando imagens de drones.

• Processo: 23/03870-8
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de agosto de 2023
• Data de Término da vigência: 31 de julho de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Jayme Garcia Arnal Barbedo
• Beneficiário: Everton Castelão Tetila
• Instituição Sede: Embrapa Agricultura Digital. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Ministério da Agricultura, Pecuária e Abastecimento (Brasil). Campinas , SP, Brasil
• Vinculado ao auxílio: 22/09319-9 - Centro de Ciência para o Desenvolvimento em Agricultura Digital - CCD-AD/SemeAr, AP.CCD
• Assunto(s): Aprendizagem profunda Fitopatologia Imagem digital Pecuária Redes neurais Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Aprendizado profundo | Fitopatologia | Imagens digitais | Pecuária | Redes neurais | Inteligência artificial

Resumo

A gestão de grandes áreas dedicadas à pecuária é difícil e, em muitos casos, deficiente, especialmente se o sistema de produção extensivo é adotado. Com a popularização de veículos aéreos não tripulados (VANTs, também conhecidos como drones), imagens aéreas de alta resolução podem ser obtidas a um custo relativamente baixo. Apesar de esta ser uma tecnologia muito promissora, é difícil atingir todo o seu potencial devido ao fato de que há muitos desafios envolvidos na extração de informações relevantes a partir das imagens obtidas. No caso específico do monitoramento de gado, as dificuldades advêm da movimentação dos animais, variedade do terreno (solo exposto, pasto seco, pasto vigoroso, etc.), oclusões por obstáculos como árvores e abrigos, e da tendência dos animais de se agruparem. Uma das aplicações mais básicas na gestão de rebanhos é a estimativa do número de animais a partir de imagens. Um projeto foi financiado recentemente pela Fapesp exatamente nessa temática (2018/12845-9 - Detecção e contagem de gado usando veículos aéreos não tripulados), o qual gerou muitos resultados relevantes reportados em alguns artigos publicados em periódicos internacionais. Apesar dos avanços alcançados, a tecnologia ainda não está suficientemente desenvolvida e validada para uso prático. Este projeto fará uso de técnicas de inteligência artificial e aprendizado profundo, plataformas de aprendizado profundo como o tensorflow, e demandará conhecimento em aplicações agrícolas, e pecuária em particular. O objetivo é que os modelos já desenvolvidos para a contagem de animais sejam aperfeiçoados, e que sejam desenvolvidos novos modelos dedicados a outras aplicações, como detecção de anomalias (animais doentes, nascimento de bezerros, etc.) e estimação de medidas corporais.

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

TETILA, EVERTON CASTELAO; MORO, BARBARA LOPES; ASTOLFI, GILBERTO; COSTA, ANDERSON BESSA DA; AMORIM, WILLIAN PARAGUASSU; BELETE, NICOLAS ALESSANDRO DE SOUZA; PISTORI, HEMERSON; BARBEDO, JAYME GARCIA ARNAL. Real-time detection of weeds by species in soybean using UAV images. CROP PROTECTION, v. 184, p. 9-pg., 2024-07-22. (23/03870-8, 22/09319-9)

TETILA, EVERTON CASTELAO; DA SILVEIRA, FABIO AMARAL GODOY; COSTA, ANDERSON BESSA DA; AMORIM, WILLIAN PARAGUASSU; ASTOLFI, GILBERTO; PISTORI, HEMERSON; BARBEDO, JAYME GARCIA ARNAL. YOLO performance analysis for real-time detection of soybean pests. SMART AGRICULTURAL TECHNOLOGY, v. 7, p. 10-pg., 2024-02-05. (23/03870-8, 22/09319-9)