Com módulo de inteligência artificial desenvolvido pela SciCrop, a maior exportadora de papel do Brasil conseguiu otimizar processos logísticos em áreas de extração de madeira.
Esta não será a primeira vez que discutimos aqui no Blog SciCrop, a grande vantagem do uso de analytics em processos logísticos. Tomando como exemplo o emprego de IA na montagem de mix de cargas, vimos como a tecnologia pode aumentar a eficiência em transporte de estoques em até 40%.
Hoje iremos discutir outra aplicação de analytics ao segmento, desta vez, iremos mostrar através de um projeto desenvolvido em uma prova de conceito, como redes neurais convolucionais podem otimizar processos de transporte, mais especificamente através da definição e mapeamento de rotas em locais remotos.
A maior exportadora de papéis do Brasil, por intermédio de um desafio de inovação aberta promovido pelo SENAI-PR em 2020, contratou a SciCrop para otimizar o mapeamento de estradas em campos de exploração de eucalipto e pinus. Através de nossos serviços de algoritmos sob demanda auxiliamos na resolução do problema, o sucesso alcançado pela solução deu origem a nossa plataforma Route 40.
O Desafio: “Mapear estradas em regiões com mobilidade e conectividade limitadas”
Ao contrário das cidades, que hoje em dia, tem suas rotas amplamente registradas em plataformas como o Google Maps, áreas rurais, sobretudo as destinadas ao desenvolvimento de atividades de extrativismo, ainda não possuem mapeamento definido.
Isso se deve a presença vegetal massiva, que ocasiona sérios problemas de mobilidade, tornando difícil executar qualquer tipo de mapeamento sem a ajuda de imagens aéreas, além disso, essas áreas sofrem recorrentemente com instabilidades em relação a conectividade.
Entretanto, os meios de coleta de imagens via satélite são geralmente caros e a análise das imagens coletadas para traçar as rotas, não é algo tão trivial, exige de fato o trabalho de especialistas. Devido aos desafios impostos pelos fatores mencionados, as equipes do cliente se guiavam por mapas tradicionais, ou recorriam a experiência de tráfego na localidade para realizar operações de transporte, algo que muitas vezes ocasionava desperdício de tempo durante os percursos.
A Solução SciCrop:”Módulo analytics deep learning para identificação autônoma de estradas em imagens de VANT.”
Nossa solução iniciou-se pelo processo de coleta de imagens. A forma mais econômica e adequada disponível era a captação com VANTs (drones), para possibilitar a posterior análise por algoritmos, adotamos como critério para as imagens, a presença de bandas RGB de alta resolução, com resolução espacial de até 10 cm x 10 cm.
Uma vez em posse de um banco de imagens armazenado no AWS S3, foi criada uma ferramenta de identificação de estradas, hospedada em um servidor AWS EC2, que em cada imagem identifica o que é estrada e o que não é, essas identificações geoespaciais são gravadas em um AWS RDS PostgreSQL com funcões geospaciais POSTGIS habilitadas.
Esse conjunto de imagens e classificações foi alimentada em uma rede neural convolucional CNN, o que chamamos de deep-learning, utilizando a biblioteca TensorFlow. As redes neurais convolucionais profundas, através do treinamento com algumas centenas de amostras, desenvolvem a capacidade de separar os pontos de presença e ausência de estradas.
Imagem: Aprimoramento da rede neural conforme ciclos de treinamento: primeiro (vermelho), segundo (azul) e terceiro (verde)
Após alguns ciclos de treinamento, a rede neural aprende os padrões de estradas e conseguiu identificar estradas com uma acurácia de 98,79%. As áreas identificadas como estradas são então transformadas em polígonos utilizando as bibliotecas geoespaciais e de de operações vetoriais GDAL, Rasterio e Shapely. Esses polígonos são então comparados com mapas prévios para classificar as vias entre: planejadas, improvisadas e não planejadas.
O Resultado: “Acurácia do mapeamento próxima de 98%”
Quando tratamos da aplicação de deep learning sobre imagens os resultados possuem métricas muito objetivas, a acuracidade mostra qual o percentual de acerto com que as áreas de estradas são identificadas. A equipe técnica verificou na prática que aproximadamente 98% das estradas mapeadas eram correspondentes às reais. Obter mapas bem estruturados sobre as estradas locais, possibilita que equipes cumpram seus trajetos de forma planejada, evitando situações de improviso durante as viagens. Isso permite também a diminuição de distâncias percorridas para as mesmas viagens, ocasionada pelo aumento de previsibilidade nos itinerários. Com base em um mapa tão preciso de vias é possível implementar algoritmos de otimização de rotas que minimizam quilômetros rodados pelas frotas florestais reduzindo o desgaste, custos com combustível e também emissão de poluentes pelos veículos. A SciCrop já observou reduções de quilometragem da ordem de 40% na aplicação de algoritmos de otimização logística, que fazem parte do produto Route 40.
A logística é um terreno fértil para a aplicação de inteligência artificial. A transformação digital vem afetando as relações de transporte de forma direta, sanando os principais gargalos dos processos. Carregue sua empresa adiante, a SciCrop é referência em analytics e irá te ajudar a definir o melhor caminho para seus negócios. Fale com nossos especialistas.
