Inteligência Artificial utilizada na determinação longitudinal da cultura da soja
Carregando...
Data
2021-02-25
Autores
Orientador
Campos, Sérgio
Coorientador
Pós-graduação
Agronomia (Energia na Agricultura) - FCA
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Dissertação de mestrado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
Em virtude da importância agrícola da soja no contexto econômico, faz-se necessário o seu acompanhamento com o uso de técnicas buscando a maximização da produtividade e qualidade do produto. É possível alcançar altas produtividades na lavoura, por meio da semeadura com distribuição espacial adequada e uniforme das sementes. Com isso se faz importante o uso de tecnologias, como a aplicação do Processamento Digital de Imagens, que permite tratar as imagens coletadas e aperfeiçoá-las para a interpretação humana e, em seguida, a análise automática pelo computador, a partir da classificação do reconhecimento de padrões. O objetivo desta pesquisa foi desenvolver um novo método para estimar a distribuição das plantas na linha de plantio da lavoura de soja, por meio de visão computacional e processamento de imagens coletadas pelo RPA (sigla em inglês para “Aaeronave Remotamente Pilotada”) utilizando Machine Learning. O estudo foi realizado na Fazenda Experimental Lageado, município de Botucatu, SP. O delineamento experimental utilizado foi em faixas, variando-se a velocidade de semeadura (4, 6 e 8km·h-1), com quatro repetições. A distribuição longitudinal da soja foi obtido em campo de forma convencional, inicialmente, para posterior análise do cálculo de distância entre conjuntos de plantas de soja com Inteligência Artificial (I.A.) com a utilização de RPA para a detecção das imagens. Os resultados obtidos das distâncias entre plantas com trena demonstraram que o aumento da velocidade de semeadura proporcionou menos espaçamentos normais e mais espaçamentos duplos e falhos, enquanto menores velocidades de semeadura favoreceram maior regularidade. Entretanto, nas velocidades de 6 e 8 km·h-1 os resultados não diferiram estatisticamente. O modelo Random Forest apresentou melhor resultado com acurácia em torno de 65% em média, porém o algoritmo não obteve um resultado considerado satisfatório. É possível concluir que a dificuldade de classificação das distâncias entre plantas de soja com o modelo utilizado pode estar associada às variáveis qualidade de imagem, sobreposição das plantas de soja e a precisão do modelo. Foi verificado que o modelo Random Forest não é a melhor tecnologia para a estimativa.
Resumo (inglês)
In view of the importance of soy farming in an economic context, it is necessary to monitor agriculture with the use of techniques to maximize productivity and product quality. It is possible to achieve high yields in the field by sowing with adequate and uniform local distribution of the seeds. To attain this, the use of technologies is important - for example the application of Digital Image Processing that allows treatment of collected images and improvement for human interpretation, and then the automatic analysis by the computer, based on pattern recognition classification. The objective of this research was to develop a new method to estimate the distribution of plants in the soybean planting line, through computer vision and processing of images collected by RPA (Remotely Piloted Aircraft) using Machine Learning. The study was carried out at Fazenda Experimental Lageado, municipality of Botucatu, SP. The experimental design used was in bands, varying sowing speed (4, 6 and 8 km·h-1 ) with four replications. The longitudinal distribution of soybeans was initially obtained in the field in a conventional way, with further analysis of the distance between sets of soybean plants with Artificial Intelligence (A.I.) with the use of RPA for image detection and A.I. application. The results obtained from the distances between plants with measuring tape showed that the increase in sowing speed provided less normal spacing and more double and flawed spacing while lower sowing speed improved regularity. However, for 6 and 8 km·h-1 sowing speeds the results did not differ statistically. The Random Forest model showed the best result, where the resulting accuracy was 65% on average, but the algorithm did not obtain a good result. It is possible to conclude that the difficulty of classifying the distances between soybean plants with the model used may be associated with the variables of image quality, overlapping of soybean plants and the precision of the model. It was verified that the Random model is not the best technology for the estimation.
Descrição
Idioma
Português
