União entre algoritmos de visão computacional, redes neurais a imagens obtidas por satélites e VANTs estão dando novos rumos à agricultura de precisão.
Em muitos cantos do Brasil, ainda se usa a expressão “entrar na linha” para denotar a necessidade dos indivíduos em adotar boas práticas de comportamento e organização. Para a agricultura de precisão, manter o plantio em “linha” também é uma regra de ouro a ser seguida para os produtores que buscam excelência.
Linhas de plantio bem definidas permitem muitos benefícios às plantações, como: maximizar o uso de espaço do terreno, regular a quantidade de luz incidente na cultura, otimizar as condições de replantio e rotação de cultura, entre outros. Mas para desfrutá-los, o produtor precisa manter a regularidade nas linhas de plantio, o que pode ser muito complicado sem o uso de #analytics.
Natureza imperfeita e limitações físicas: obstáculos da agricultura de precisão
Tomando os canaviais como exemplo, é possível afirmar que não existe canavial sem falhas. A formação aleatória de gemas consecutivas nos sulcos que deixam de brotar é algo inerente à cana-de-açúcar, e sempre são fontes de falha de plantio. A ocorrência não pode ser remediada, é uma imperfeição natural.
As limitações físicas do homem, também reduzem a capacidade de monitoramento de linhas, plantações imensas, análises tendenciosas e incerteza em instrumentos de medição interferem diretamente na eficiência da detecção de linhas de plantio.
Detecção remota com redes neurais aplicadas a imagens de satélite e VANT
Uma das melhores formas de se observar as linhas de plantio de um grande terreno é através de imagens aéreas. Os métodos de melhor custo benefício para a captação dessas imagens são com satélites e VANT’s, porém, a mera coleta de imagens não é suficiente para classificar as linhas de plantação.
A captação de quantidades relevantes de imagens de linhas de plantio exige milhares de imagens com uma definição que torna impossível a detecção de falhas a olho nu, e é nessa hora que a inteligência artificial entra em ação.
A classificação e interpretação dessas imagens é feita por redes neurais, mais especificamente pelas CNN (Convolutional Neural Networks). Basicamente, redes neurais são modelos computacionais baseados em agrupamentos de funções matemáticas capazes de classificar dados de entrada e saída ao longo das interações. A repetição desse processo em camadas consecutivas é conhecido como deep learning ou redes neurais profundas.
O deep learning costuma ser utilizado para reconhecimento/classificação de imagens. As imagens que vemos, quando digitalizadas, são representadas por matrizes numéricas (pixels). A máquina é capaz de associar esses números a determinadas formas e cores, um exemplo disto é o código de cores RGB, composto por três matrizes numéricas identificáveis. Através de operações sucessivas, a rede neural consegue classificar e diferenciar com mais exatidão pontos de falha e delinear linhas de plantio a cada interação. A aplicação de filtros, máscaras, e o treinamento do algoritmo através de pedaços de imagens também é uma etapa importante do processo.
Imagem1: Esquema do processo de detecção remota com uso de deep learning.
Para exemplificar os benefícios da união entre deep learning e algoritmos de otimização e visão computacional na agricultura de precisão, vamos falar de uma de nossas soluções, o “algoritmo genético”.
Seguindo processo análogo ao descrito no parágrafo anterior, fizemos a coleta de grandes áreas de plantio de cana-de-açucar na propriedade de um cliente. Aplicamos deep learning sobre as imagens coletadas, as redes neurais, através da aplicação de filtros, identificam os pontos onde há presença de cana, conforme a imagem comparativa abaixo:
Uma vez que os pontos de ausência são devidamente localizados nas imagens, nosso algoritmo de otimização (algoritmo genético), junto com visão computacional, começa a delinear um plano de plantio ideal, e então, identifica as falhas de plantio. Nas imagens abaixo, vemos o plano de plantio ideal representado pelas linhas negras sobrepostas pelas falhas de plantio em vermelho.
Os benefícios do deep learning para agricultura de precisão.
A detecção de falhas é apenas um dos benefícios da aplicação do deep learning na agricultura de precisão. É possível também detectar pontos de germinação de ervas daninhas, incêndios, roubos e até pontos de sombra nas plantações, e o detalhe, esses são apenas benefícios de curto prazo.
A médio prazo, é possível integrar as imagens da vegetação com dados meteorológicos para se obter o cruzamento de produtividade, criar relatórios para ATV sobre compra de defensivos e sistemas de irrigação.
Em prazos mais elevados, é possível gerar ordens de serviço automáticas para correção de falhas e eliminação de daninhas, prever a produtividade do talhão por idade e descobrir o período de maturidade do canavial.
Se você está procurando se aprimorar em agricultura de precisão, não pode ignorar as técnicas de deep learning. As benesses da tecnologia são extremamente importantes no que se refere a otimização dos recursos do terreno e da safra. Fale com a SciCrop e coloque as redes neurais a seu serviço.
