Contagem automática de plantas de soja por meio de Inteligência Artificial e dados de Aeronave Remotamente Pilotada – RPA

Página do item simplificado
dc.contributor.advisorCampos, Sérgio [UNESP]
dc.contributor.authorSouza, Flávia Luize Pereira de [UNESP]
dc.contributor.coadvisorShiratsuchi, Luciano Shozo
dc.contributor.coadvisorDias, Mauricio Acconcia
dc.contributor.coadvisorFavan, João Ricardo
dc.contributor.institutionLouisiana State University
dc.contributor.institutionUniversity of Connecticut
dc.date.accessioned2024-04-23T16:21:03Z
dc.date.available2024-04-23T16:21:03Z
dc.date.issued2024-02-23
dc.description.abstractSoja, um componente vital da agricultura global, possui uma importância econômica significativa no Brasil e Estados Unidos, juntos produzem 69% da produção global de soja. As sementes representaram 26% dos custos operacionais associados à produção de soja nos EUA em 2022, e seus custos aumentaram em mais de 230% entre 1997 e 2022; no contexto brasileiro os custos operacionais associados à produção de soja também têm aumentado, principalmente devido ao aumento dos preços dos agrotóxicos e sementes usados em cultivos. Assim, a semente, que há dez anos representava menos de 10% do custo de aquisição de insumos, agora representa entre 10 e 20% no Brasil. A falta de sementes capazes de iniciar a germinação, emergir de forma adequada ou progredir para o desenvolvimento pode causar uma grande perda econômica. Além disso, o espaçamento inadequado nas linhas de cultivo de soja pode resultar em vários desafios que impactam negativamente a produtividade geral. Entretanto a evolução contínua do conhecimento e os avanços tecnológicos desempenham papel fundamental no impulsionamento da produtividade da soja. O mapeamento preciso da população de plantas por imagens é um desafio, especialmente quando não há informações sobre a qualidade das imagens e o melhor momento para capturá-las. Diante deste cenário o estudo foi realizado no Brasil na Fazenda Experimental Lageado, município de Botucatu, SP e nos Estados Unidos, na fazenda Ben Hur, município de Baton Rouge, LA. Neste estudo foi avaliado os impactos de diferentes algoritmos, sensores de captura de imagens, estádio da cultura, velocidade de semeadura e processos de análises de imagens e algoritmos de machine learning em relação a densidade de plantas de soja. Os resultados desta pesquisa destacam o potencial significativo das Redes Neurais na classificação de falhas de soja em imagens de Aeronaves Remotamente Pilotada (RPA). Ao analisar a contagem de plantas, o estádio de cotilédone (VC) e velocidade de 1,1 m/s (aproximadamente 4 km/h) apresentaram melhor acurácia, devido a sobreposição de plantas aumentar conforme o crescimento da planta, o que resulta em uma redução na precisão da estimativa. Em relação à velocidade de semeadura, foi observado que a precisão do modelo diminuiu conforme aumenta a velocidade de semeadura, pois a velocidade de deslocamento da semeadora pode prejudicar a homogeneidade entre as plantas e aumentar o número de sobreposições. As análises do número de plantas com o uso de recortes de ortomosaicos obtidos por câmeras equipadas com sensores RGB (Red, Green, Blue) e a aplicação de Redes Neurais demonstraram alta precisão, em contraste, a análise utilizando processamento de imagens na linguagem R demonstrou alta precisão apenas em cenários de ausência de sobreposição de plantas, dessa forma, para solucionar essa limitação em estudos futuros, outras estratégias técnicas podem investigadas e avaliadas. Esses resultados servem como uma base sólida para o desenvolvimento futuro de algoritmos destinados à detecção de falhas na semeadura por meio da análise de imagens e fornece diretrizes para escolher estádio, sensores de captura de imagens e algoritmo para estimar a densidade de plantas por meio do processamento de imagens. Este avanço pode ter implicações significativas para a agricultura de precisão e o manejo de culturas.pt
dc.description.abstractSoybeans, a vital component of global agriculture, are of significant economic importance in Brazil and the United States, which together produce 69% of global soybean production. Seeds represented 26% of the operating costs associated with soybean production in the US in 2022, and their costs increased by more than 230% between 1997 and 2022; in the Brazilian context, the operating costs associated with soybean production have also increased, mainly due to the increase in the prices of agrochemicals and seeds used in crops. Thus, seed, which ten years ago represented less than 10% of the cost of purchasing inputs, now represents between 10 and 20% in Brazil. The lack of seeds capable of starting germination, emerging properly, or progressing to development can cause economic loss. In addition, inadequate spacing in soybean crop rows can result in challenges that negatively impact overall yield. However, the continuous evolution of knowledge and technological advances play a fundamental role in boosting soybean yield. Accurate mapping of plant populations using images is a challenge, especially when there is no information on the quality of the images and the best time to capture them. Given this scenario, the study was carried out in Brazil at the Lageado Experimental Farm in Botucatu, SP and in the United States at the Ben Hur Farm in Baton Rouge, LA. This study evaluated the impact of different algorithms, image capture sensors, crop stage, sowing speed, image analysis processes and machine learning algorithms in relation to soybean plant density. The results of this research highlight the significant potential of Neural Networks in classifying soybean flaws in Unmanned Aerial Vehicle (UAV) images. When analyzing the plant count, the cotyledon stage (CT) and speed of 1.1 m/s (approximately 4 km/h) showed better accuracy, due to the overlapping of plants increasing as the plant grows, which results in a reduction in the accuracy of the estimate. In relation to sowing speed, it was observed that the model's accuracy decreased as sowing speed increased, as the speed at which the seeder moves can damage the homogeneity between plants and increase the number of overlaps. The analysis of the number of plants using orthomosaic cutouts obtained by cameras equipped with RGB (Red, Green, Blue) sensors and the application of Neural Networks showed high accuracy, in contrast, the analysis using image processing in the R language showed high accuracy only in scenarios where there was no overlapping of plants, so to solve this limitation in future studies, other technical strategies can be investigated and evaluated. These results serve as a solid basis for the future development of algorithms aimed at detecting sowing faults through image analysis and provide guidelines for choosing the stadium, image capture sensors and algorithm for estimating plant density through image processing. This breakthrough could have significant implications for precision agriculture and crop management.en
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
dc.description.sponsorshipId88887.616689/2021-00
dc.description.sponsorshipId88887.695839/2022-00
dc.identifier.citationSOUZA, F. L. P. Contagem automática de plantas de soja por meio de Inteligência Artificial e dados de Aeronave Remotamente Pilotada – RPA. 2024. Tese (Doutorado em Engenharia Agrícola) - Faculdade de Ciências Agronômicas, Universidade Estadual Paulista, Botucatu, 2024.
dc.identifier.lattes2597194891631414
dc.identifier.orcid0000-0002-8015-2316
dc.identifier.urihttps://hdl.handle.net/11449/255297
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso aberto
dc.subjectfalhas de semeadurapt
dc.subjectnúmero de plantaspt
dc.subjectestádio fenológico da sojapt
dc.subjectmachine learningpt
dc.subjectRPApt
dc.subjectInteligência Artificialpt
dc.subjectsowing gapsen
dc.subjectnumber of plantsen
dc.subjectsoybean phenological stageen
dc.subjectmachine learningen
dc.subjectUAVen
dc.subjectArtificial Intelligenceen
dc.titleContagem automática de plantas de soja por meio de Inteligência Artificial e dados de Aeronave Remotamente Pilotada – RPApor
dc.title.alternativeAutomatic counting of soybean plants using Artificial Intelligence and Unmanned Aerial Vehicle (UAV) dataen
dc.typeTese de doutorado
unesp.campusUniversidade Estadual Paulista (Unesp), Faculdade de Ciências Agronômicas, Botucatupt
unesp.embargoOnline
unesp.examinationboard.typeBanca pública
unesp.graduateProgramEngenharia Agrícola - FCA 33004064038P7
unesp.knowledgeAreaAgricultura
unesp.researchAreaAgricultura de Precisão

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
souza_flp_dr_botfca.pdf
Tamanho:
3.24 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
3.02 KB
Formato:
Item-specific license agreed upon to submission
Descrição:

Coleções

Faculdade de Ciências Agronômicas, Botucatu