
RESSALVA 

Atendendo solicitação do(a) 
autor(a), o texto completo desta 
dissertação será disponibilizado 
somente a partir de 18/06/2023. 


UNIVERSIDADE ESTADUAL PAULISTA – UNESP
CÂMPUS DE JABOTICABAL

APLICAÇÃO DE REDES NEURAIS CONVOLUCIONAIS PARA
MEDIÇÃO DE PATINAGEM EM TRATORES AGRÍCOLAS

Rafael Rodrigues Feih
Engenheiro Eletricista

2021


UNIVERSIDADE ESTADUAL PAULISTA – UNESP
CÂMPUS DE JABOTICABAL

APLICAÇÃO DE REDES NEURAIS CONVOLUCIONAIS PARA
MEDIÇÃO DE PATINAGEM EM TRATORES AGRÍCOLAS

Rafael Rodrigues Feih
Prof. Dr. Rouverson Pereira da Silva

Dissertação apresentada à Faculdade de
Ciências Agrárias e Veterinárias - Unesp,
Câmpus de Jaboticabal, como parte das
exigências para a obtenção do tı́tulo de Mestre
em Agronomia (Produção Vegetal)

2021


F297a

Feih, Rafael Rodrigues
Aplicação de redes neurais convolucionais para medição de

patinagem em tratores agrı́colas. / Rafael Rodrigues Feih. – –
Jaboticabal, 2021

59 p. : tabs., fotos

Dissertação (mestrado) – Universidade Estadual Paulista
(Unesp), Faculdade de Ciências Agrárias e Veterinárias, 2021

Orientador: Prof. Dr. Rouverson Pereira da Silva

1. Agronomia. 2. IA (Inteligência artificial). 3. Agricultura
de precisão. 4. Redes neurais (Computação). I. Tı́tulo.

Sistema de geração automática de fichas catalográficas da Unesp. Biblioteca da Faculdade de
Ciências Agrárias e Veterinárias, Jaboticabal. Dados fornecidos pelo autor.


DADOS CURRICULARES DO AUTOR

RAFAEL RODRIGUES FEIH - nascido em 12 de maio de 1979, no municı́pio
de Cachoeira do Sul, Rio Grande do Sul, possui formação no curso de Engenharia
Elétrica (2003) pela Universidade Federal de Santa Maria – Câmpus Santa Maria. De
2003 a 20019 atuou em empresas fabricantes de máquinas (tratores, pulverizadores,
colhedoras de cana-de-açúcar e grãos) e equipamentos agrı́colas. Também atuou
em um fabricante de guinastes e outros equipamentos para movimentação de cargas
e pessoas. Ao longo de sua trajetória, trabalhou nos processos de Engenharia de
Produto e Validação, Engenharia de Manufatura, Pós-Vendas, Gestão de Projetos e
Produção na indústria. Em função das inovações constantemente demandadas pelo
Agronegócio, ele está cursando o Mestrado em Produção Vegetal, sendo orientado pelo
Prof. Dr. Rouverson Pereira da Silva, na UNESP Jaboticabal, buscando conhecimentos
sobre Máquinas e Mecanização Agrı́cola, uso de plataformas digitais e tecnologias de
inteligência artificial. Durante o Mestrado, conciliou suas atividades laborais com as
acadêmicas. Não foi bolsista CNPq (Conselho Nacional de Desenvolvimento Cientı́fico
e Tecnológico). É integrante do Laboratório de Máquinas e Mecanização Agrı́cola –
LAMMA, onde realizou pesquisas voltadas para a área de colhedoreas de cana-de-
açúcar, telemetria e inteligência artificial voltada às operações agrı́colas. É membro
do Rouverson Silva Research Group (RSRG), ajudando em pesquisas relacionadas a
sensoriamento remoto, mecanização e agricultura de precisão.


“Importante não é ver o que alguém nunca viu, mas sim, pensar o que alguém nunca
pensou sobre algo que todo mundo vê.” Arthur Schopenhauer


Ao meu filho Luciano e minha esposa Carolina por serem os verdadeiros motivos para
perseverar. Ao meu pai Gilberto e mãe Elizabeth (in memorian) pela educação,

oportunidades e construção do meu caráter. Ao meu Orientador por todo o
conhecimento transmitido e confiança. E por último, mas não menos imporante, a

Deus, por me dar as condições alcançar mais esse objetivo.


AGRADECIMENTOS

Aos meus pais Gilberto e Elizabeth por me proverem as condições para estudar
e escolher minha trajetória acadêmico-profissional.

Ao meu irmão Luciano (in memoriam), pelos exemplos de garra e superação.
À minha avó Elza pelos exemplos de humildade e sabedoria.
À Carolina, minha esposa, amiga e companheira. Ao meu filho Luciano, definiti-

vamente, a maior bênção que Carolina e eu poderı́amos receber.
Aos professores e amigos do Laboratório de Máquinas e Mecanização Agrı́cola

(LAMMA) que pude conviver em diversos momentos: Carlos Eduardo Angelini Furlani,
Cristiano Zerbato, Jean, Samira, Jarlyson, Armandinho, Caio e Maranhão.

Ao ilustre colega Danilo Tedesco que me apoiou e dedicou muitas horas do seu
tempo na construção desse projeto.

Ao grande amigo Luan Oliveira que gentilmente permitiu que eu utilizasse suas
ideias revolucionárias nessa dissertação.

Ao Prof. Dr. Rouverson Pereira da Silva, que me recebeu, orientou e muito
ensinou ao longo dos últimos anos. Serei eternamente grato pelas oportunidades,
experiências e ensinamentos que recebi. Um verdadeiro professor preocupado ge-
nuinamente com o aprendizado e desenvolvimento dos alunos. Nos momentos mais
difı́ceis, ele sempre estava lá para estender a mão e buscar por alternativas.

À Universidade Estadual Paulista – Jaboticabal por toda a estrutura, investimento,
educação, que fez com que eu conseguisse realizar a Pós-Graduação em Produção
Vegetal.


SUMÁRIO
Página

1 Considerações gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Revisão bibliográfica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.2.1 Equilı́brio operacional e patinagem . . . . . . . . . . . . . . . . . 5
1.2.2 Machine learning e redes neurais convolucionais . . . . . . . . . 9

1.3 Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 Concept proof: are convolutional neural networks able to detect and
count marks on a turning wheel of agricultural tractor? . . . . . . . . . . 17
2.1 Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Related studies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Material and methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.4.1 Deep meta-architectures for object detection . . . . . . . . . . . 21
2.4.1.1 Faster region-based convolutional neural network (Faster

R-CNN) . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1.2 Single shot detector (SSD) . . . . . . . . . . . . . . . . 23
2.4.1.3 Single shot detector lite (SSDLite) . . . . . . . . . . . . 23
2.4.1.4 Feature extractors . . . . . . . . . . . . . . . . . . . . . 24

2.4.2 Database build . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.2.1 Data division, image labeling and data augmentation

technique . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.3 Implementation details . . . . . . . . . . . . . . . . . . . . . . . . 27

2.4.3.1 Detection algorithms . . . . . . . . . . . . . . . . . . . . 27
2.4.3.2 Performance evaluation . . . . . . . . . . . . . . . . . . 28

2.5 Results and discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5.1 Overall training performance . . . . . . . . . . . . . . . . . . . . . 30
2.5.2 Manual x automatic counting of tire markings . . . . . . . . . . . 31

2.6 Conclusions and future directions . . . . . . . . . . . . . . . . . . . . . . 34
2.7 Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3 Redes neurais convolucionais podem ser aplicadas para medir patina-
gem de um trator agrı́cola? . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1 Resumo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3 Material e métodos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

i


3.4 Resultados e discussão . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4.1 Treinamento do modelo . . . . . . . . . . . . . . . . . . . . . . . 48
3.4.2 Comparação entre contagem manual e modelo SSDLite . . . . . 49

3.5 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.6 Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4 Considerações finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

ii


APLICAÇÃO DE REDES NEURAIS CONVOLUCIONAIS PARA MEDIÇÃO DE
PATINAGEM EM TRATORES AGRÍCOLAS

RESUMO – Assim como na Indústria, a era 4.0 chegou na Agricultura. Técnicas,
ferramentas, sistemas de tecnologia da informação e robótica passaram a contribuir
ativamente para a digitalização da Agricultura. Além da evolução tecnológica, existe
uma orientação à sustentabilidade da Agricultura e utilização racional dos recursos
naturais renováveis e não renováveis. Os tratores agrı́colas atuais são energeticamente
mais eficientes e menos poluentes desde que estejam adequados a operação em curso.
Caso o conjunto trator-implemento-solo (TIS) esteja mal equilibrado, haverá redução da
eficiência operacional, aumento no consumo de combustı́vel, incremento dos custos de
manutenção, desgaste prematuro dos pneus entre outros efeitos na operação agrı́cola.
O ı́ndice de patinagem é um dos entes a serem medidos e controlados para verificar
o quão bem balanceado o TIS está. Nesse contexto misto de tradição e inovação,
objetivou-se neste trabalho a verificação da aplicabilidade de redes neurais convolucio-
nais para reconhecimento e contagem de padrões visuais para então, indiretamente,
medir o deslocamento das rodas de um trator com e sem carga. De posse dessas
informações, foi possı́vel determinar os ı́ndices de patinagem de dois tratores agrı́colas.
Futuramente essa tecnologia poderá ser adaptada para aplicações em smartphones
comerciais. De posse dos nı́veis de patinagem, os produtores agrı́colas poderão fazer
os ajustes necessários à operação e assim, usar mais racionalmente os recursos natu-
rais, máquinas, implementos agrı́colas e mão-de-obra com vistas à sustentabilidade do
negócio.

Palavras-chave: Agricultura Digital, Agricultura de Precisão, Equilı́brio Operacional,
Inteligência Artificial, Sustentabilidade, Visão Computacional, Rodados Agrı́colas.

iii


APPLICATION OF CONVOLUTIONAL NEURAL NETWORKS TO MEASURE
AGRICULTURAL TRACTOR SLIPAGGE INDEX

ABSTRACT – The 4.0 era has arrived to the Agriculture as it had happened into the
Industry. Techniques, tools and information systems and robotics started contribu-
ting actively to the Agriculture digitalization. It is not only technological evolution, but
also growing concern regarding sustainability and proper use of renewable and non-
renewable resources. In general, current farm tractors are more energetically efficient
and less polluter if they are properly adjusted to the ongoing operation. When the
set tractor-implement-soil (TIS) is misbalanced, there will be reduction of operational
efficiency, increase in fuel consumption and maintenance costs, premature wear to
tires among other negative effects to the operation. The slippage index is one of the
entity to be measured and controlled to know how well TIS is balanced. In the context
of innovation and traditional concepts, this study aimed to evaluate the applicability of
convolutional neural networks (CNNs) to recognize and count marked patterns into the
tire sidewall to then, indirectly, measure the displacement of the rear wheel with and
without load. Based on these pieces of information, it was possible to measure, with
certain limitation, the slippage index of farm tractors. In the future, this technology may
be adapted to commercial smartphones as an application. By knows the slippage index
at a glance, farmers will be able to do the necessary adjustments to the operation. As a
result, there will be a more rational use of natural resources, machinery, implements
and labor while keeping business sustainability.

Keywords: Digital Agriculture, Precision Agriculture, Operational Balance, Artificial
Intelligence, Sustainability, Computer Vision, Tractor Wheels.

v


LISTA DE TABELAS
Página

1.1 Valores de referência para patinagem. Fonte: (ASAE, 2003). . . . . . . . . 7

2.1 Details of the detection algorithms proposed in each scenario of computatio-
nal demand. Ex.: Extractor, Res.: Resolution. . . . . . . . . . . . . . . . . . 27

2.2 Comparative results of detection performance in scenarios for training and
validation datasets. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.3 Results summary of the three scenario performances (MAPE). . . . . . . . 31
2.4 Comparison of Actual Sampling Rate versus Nyquist Theorem. M.C: manual

couting, S.R: sampling rate, s: seconds. . . . . . . . . . . . . . . . . . . . . 33

3.1 Resultados de mAP, mAR e F1-Score obtidos após treinamento e validação. 49
3.2 Comparação de resultados entre contagem manual (referência) e modelo

SSDLite com extrator MobileNet V2 . . . . . . . . . . . . . . . . . . . . . . 49

vii


LISTA DE FIGURAS
Página

1.1 Marcas tı́picas deixados por um trator agrı́cola em função da patinagem.
(a) patinagem excessiva, (b) pouca patinagem e (c) patinagem adequada.
Fonte: (MONTEIRO; ARBEX, 2009). . . . . . . . . . . . . . . . . . . . . . . 7

1.2 A inteligência artificial é uma designação mais ampla que engloba Machine
Learning. Por sua vez, Deep Learning é uma das sub-áreas do Machine
Learning. Fonte:(MIN, 2020) . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.3 Esquema representativo de rede neural simples (a), que apresenta uma ca-
mada intermediária, e rede neural profunda (b), que possui várias camadas
nas quais as saı́das de uma camada são entradas da próxima, favorecendo
a classificação e busca por padrões. Fonte: (VÁZQUEZ, 2018). . . . . . . . 10

1.4 (a) Declaração da matriz de entrada e do filtro (matriz de convolução) que
fará a conversão da matriz original 5 × 5 para uma matriz 3 × 3. (b)
Ilustração do filtro sendo aplicado nos elementos Aij com i e j variando de 1
a 3. O filtro seguirá fazendo a convolução na matriz ao j se deslocar até 5 o
que preencherá a primeira linha da matriz 3x3. O processo vai acontecendo
sucessivamente. (c) O filtro chega nos últimos elementos da matriz e retorna
“4” para o elemento N33 Fonte: (CLAPPIS, 2019). . . . . . . . . . . . . . . . 11

1.5 A imagem de entrada entrada é convertida em imagem RGB 64 × 64
× 3. A primeira camada convolucional conta com 4 filtros 5 × 5 × 3,
processa a imagem RGB 64 × 64 × 3 e produz um tensor com 4 mapas de
caracterı́sticas; a segunda camada convolucional contém 5 filtros 3 × 3×
4 que filtram o tensor da camada anterior, produzindo um novo tensor de
mapa de caracterı́sticas com tamanho 64 × 64 × 5. As funções de ativação
estão representadas pelos circulos amarelos. Os cı́rculos após cada filtro
funções de ativação, responsáveis por trazer a não linearidade ao sistema.
Fonte: (PONTI, 2017). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.1 General architecture of the evaluated systems in this work. Figure adapted
from (VASCONEZ et al., 2020). . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.2 Faster R-CNN meta-architecture using Inception V2 as feature extractor.
Figure adapted from (VASCONEZ et al., 2020). . . . . . . . . . . . . . . . . 23

2.3 SSD meta-architecture using MobileNet V2 as feature extractor. Figure
adapted:(MONTEIRO; ARBEX, 2009). . . . . . . . . . . . . . . . . . . . . . 23

2.4 (a) Tractor was lifted to allow the wheel turning under stationary condition.
(b) Tyre sidewall prepared to be marked. . . . . . . . . . . . . . . . . . . . . 24

ix


2.5 (a) 20 white-doted marks. (b) 10 white-doted and 10 red-doted marks. (c)
10 white-doted and 10 red-doted marks. (c) 20 “X” profile marks. (d) 20 “X”
profile marks. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.6 Experimental Design – Factorial 4 (illustrative image) x 3 (wheel turning) x 3
(architecture+extractor). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.7 (a) AP achieved after 200.000 steps of model training. (b) AR achieved after
200.000 steps of model training. . . . . . . . . . . . . . . . . . . . . . . . . 31

3.1 Equipamentos utilizados no experimento. (a) Trator MF 660. (b) Trator
Valmet 118. (c) Arado subsolador. . . . . . . . . . . . . . . . . . . . . . . . 42

3.2 Distâncias de estabilização (Estab.), comprimento e espaço entre parce-
las. Após o perı́odo de estabilização da velocidade de deslocamento, as
repetições foram feitas em sequencia. Entre cada parcela foi deixado um
espaço de 5 metros (I1 e I2) para melhor identificação do inı́cio e término de
cada uma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.3 Ilustração do processo de filmagem em campo. . . . . . . . . . . . . . . . . 43
3.4 Cada ponto esquematicamente apontado na Figura 4 foi demarcado em

campo por uma bandeirola (seta amarela) como mostrado nesta figura. As
marcações em “X” no pneu traseiro serão os objetos a serem detectados e
contados pelo sistema de inteligência artificial (seta laranja). . . . . . . . . 44

3.5 Fluxograma das principais etapas para processamento de dados para
medição da patinagem em videos. . . . . . . . . . . . . . . . . . . . . . . . 45

3.6 Marcação manual dos contornos nas imagens (frames) obtidas a partir dos
vı́deos feitos em campo. Deve-se buscar o melhor contorno possı́vel para
que o objeto a ser detectado seja englobado. . . . . . . . . . . . . . . . . . 46

3.7 Curva da precisão média ao longo do perı́odo de aprendizado (a). Curva da
revocação média ao longo do perı́odo de aprendizado (b). . . . . . . . . . . 48

3.8 Nuvem de pontos gerados pela comparação da contagem manual (re-
ferência) com a contagem automatizada na velocidade de 2 km h−1 (a),
5 km h−1 (b) e 8 km h−1 (c). Estão inclusos no gráfico a equação de
regressão linear que melhor se ajusta aos pontos e o R2 associado. . . . . 50

3.9 Durante o processo de filmagem, é difı́cil estabilizar e manter a velocidade
relativa entre o filmador e o trator especialmente em velocidades acima de 2
km h−1. A linha “ROI” é a referência adotada no arquivo de inferência para
medir os objetos que cruzam por ela. Como existe oscilação, é possı́vel que
um mesmo ponto seja contado mais de uma vez ou não seja contado. Isso
traz erros para a medição. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

x


3.10 Tipicamente as detecções e contagens ocorrem com movimentos unidirecio-
nais. Fonte: Adaptado de (OZLU, 2021) . . . . . . . . . . . . . . . . . . . . 53

3.11 Na aplicação em campo, as detecções e contagens precisam ocorrer em
movimentos acontecendo em duas direções. . . . . . . . . . . . . . . . . . 53

xi


CAPÍTULO 1 – Considerações gerais

1.1 Introdução

É inegável a importância da Agricultura para a humanidade. Além de ser a res-
ponsável por alimentar uma população crescente ano após ano, ela possui participação
relevante na economia global. Os reflexos da gestão agrı́cola aparecem em toda cadeia
produtiva do agronegócio, nas populações e no meio-ambiente. Face aos desafios
enfrentados no campo, novas tecnologias e processos são o caminho para atender às
demandas crescentes de um planeta faminto. Nesse contexto, a Agricultura Digital des-
ponta como uma forte contribuinte para operações agrı́colas cada vez mais eficientes e
orientadas ao uso intensivo de informações – sem descuidar dos impactos ambientais.

A Agricultura Digital combina técnicas tradicionais de Agricultura com Tecnolo-
gias da Informação, Ciência de Dados e Engenharia de Controle e Automação. As
novas gerações de máquinas e implementos agrı́colas já contam com recursos e
tecnologias que anteriormente eram disponı́veis apenas para indústria automotiva e
aero-espacial. Sensores instalados em máquinas e implementos agrı́colas, no solo e
até câmeras em drones geram dados estruturados e representativos das operações
agrı́colas. Ao empregar algoritmos para processar quantidades enormes de dados
adquiridos por sensores em campo, os sistemas digitais geram informações que podem
ser direcionadas a melhorar a eficiência das lavouras e a gestão das propriedades
rurais. Em outras palavras, tecnologias de informação associadas à capacidade com-
putacional criam oportunidades de descobrir, quantificar e entender o que está por trás
dos processos e ambientes de produção agrı́cola. Sistemas de inteligência artificial
são uma importante ferramenta para análise, controle e determinação de padrões em
tais processos e ambientes.

Embora necessária, a evolução tecnológica por si só não é capaz de mitigar os
impactos ambientais causados pela agricultura. Frequentemente age-se sem considerar
que a Terra possui uma quantidade limitada de recursos naturais renováveis e não
renováveis. Apesar de existirem iniciativas para eletrificação de máquinas agrı́colas,
atualmente, combustı́veis fósseis são a principal fonte de energia empregada no campo.
Isso implica emissão de poluentes na atmosfera e aumento do aquecimento global.
Os recursos naturais estão disponı́veis e continuarão a ser consumidos, contudo, eles
devem ser utilizados com sabedoria e de forma otimizada.

Apesar de nem sempre haver sincronia, fabricantes de máquinas agrı́colas e
orgãos governamentais vêm desenvolvendo estratégias para atenuar consumo exces-
sivo de combustı́vel e as emissões de poluentes na atmosfera. Tem-se motores mais
eficientes com controles eletrônicos e sistemas para tratar os gases de escapamento

1


2

antes de lançá-los no meio-ambiente. São importantes ações, mas insuficientes se a
execução das operações agrı́colas não estiver adequadamente dimensionada.

Os pneus também possuem papel importante no melhor aproveitamento energético
das operações agrı́colas, pois eles são responsáveis pelo contato e transmissão de
potência de tração entre a máquina e o solo. Suas caracterı́sticas construtivas, pressão
de inflação e condição de desgaste influenciam diretamente na capacidade operacional.

De certa forma, o equilı́brio operacional trata da correta adequação do conjunto
trator-implemento-solo a determinada operação agrı́cola, e balisa a eficiência energética
e operacional no campo. Os principais fatores que influenciam no equilı́brio operacional
são: adequação do implemento e operação ao trator selecionado; lastragem lı́quida e
sólida; condição e tipo construtivo dos pneus, além das suas calibragens; cobertura
vegetal, teor de água, topografia, textura e mobilização do solo. Uma das formas de
se medir a qualidade do equilı́brio operacional de um conjunto trator-implemento é por
meio do ı́ndice de patinagem.

De uma forma simplificada, pode-se dizer que a patinagem é movimentar-se
continuamente sobre uma superfı́cie sem realizar tração. Geralmente ela é expressa
em valores percentuais que devem estar dentro de faixas adequadas para operações
leves, médias e pesadas. Quando os valores medidos estão fora dos nı́veis aceitáveis,
é necessário ajustar o conjunto trator-implemento à operação. Como resolver o de-
sequilı́brio vai depender do contexto operacional, comumente é necessário ajustar a
lastragem do trator, rever as pressões dos pneus e modificar a carga aplicada pelo
implemento – alterar profundidade, largura, elementos ativos e velocidade de operação,
por exemplo.

Os tratores tecnologicamente mais avançados já contam com soluções de fábrica
para a medição do ı́ndice de patinagem. Contudo, a maior parte da frota mundial não
dispõe desse recurso. É possı́vel medir a patinagem de um trator agrı́cola por meio de
contagem manual, por um equipamento comercialmente conhecido como avançometro,
ou por sistemas computadorizados nos quais a plataforma Arduino costuma ser empre-
gada. As medições computadorizadas são precisas e confiáveis, entretanto, demandam
um tempo de calibração e investimento em aquisição de equipamentos. Os métodos
manuais são de custo virtualmente nulo, contudo, estes estão sucetı́veis a erros huma-
nos. Um sistema ideal teria o melhor dos dois mundos: alta confiabilidade, praticidade
e baixı́ssimo custo de aquisição. Eis uma provocação: E se utilizássemos um equi-
pamento popularmente disponı́vel para fazer as medições com acurária sem erros
humanos?


3

Controles eletro-eletrônicos e informatizados são um caminho sem volta nas
máquinas agrı́colas. Os tratores atuais podem contar com rede de comunicação padrão
CAN-Bus, telemetria e diversos sensores para medição de grandezas em campo tais
como consumo de combustı́vel, pressão no sistema hidráulico, potência e rotação do
motor entre outras. Mesmo em meio a toda essa tecnologia, conceitos agronômicos
tradicionais como equilı́brio operacional seguem em voga. Nessa relação complementar
entre tradição e tecnologia, existe espaço para máquinas e dispositivos inteligentes
capazes de aprender continuamente.

O Aprendizado de Máquina (Machine Learning - ML) é um conjunto de técnicas
e sistemas capazes de ensinar computadores a aprender com dados e experiências. O
ML vem sendo aplicado em diversas áreas do conhecimento tais como Engenharia,
Medicina, Negócios, Agricultura e Pecuária. Pesquisadores do Massachusetts Institute
of Technology (MIT) empregaram técnicas de ML para detectar crises convulsivas ao
enxergar padrões nas leituras de eletroencefalogramas. Na Universidade de Queens-
land, cientistas utilizaram técnicas de ML para monitorar comunidades de sapos por
meio da análise dos sons emitidos pelos répteis. Existem também aplicações com
drones dotados de algoritmos de ML capazes de contar cabeças de gado no pasto.
Para a Agricultura, já existem aplicativos comerciais para detecção de pragas, plantas
invasoras e doenças por meio do reconhecimento de imagens.

Atualmente, redes neurais convolucionais são o estado-da-arte no que tange
à aplicação de ML à contagem e identificação de formas e objetos. Redes neurais
convolucionais são algoritmos de aprendizado capazes de analisar uma imagem de
entrada e retornar classes e caracterı́sticas do(s) objeto(s) contidos na imagem e
fazer as devidas diferenciações. Por exemplo, após ser adequadamente treinada, uma
rede convolucional é capaz de detectar placas de veı́culos em movimento pois ela
aprendeu o alfabeto e os digitos númericos na etapa de aprendizado. Mais do que
isso, o aprendizado é retroalimentado, ou seja, quanto mais o algoritmo opera, mais ele
consegue aprender diferentes nuances como placas desgastadas em ambientes com
diversos nı́veis de luminosidade, por exemplo.


4

Tornar a medição de patinagem prática e assertiva por meio de redes neurais
convolucionais evitará consumo excessivo de combustı́vel, desgastes dos acentuado
dos pneus, redução da vida útil conjuntos mecânicos do trator além de minimizar
eficiência operacional. Durante uma condição real em campo, a adequação do equilı́brio
operacional pode tomar certo tempo para alternar de uma operação de preparo de solo
para pulverização, por exemplo. Nem sempre há pessoas suficientes ou equipamentos
necessários para a determinação do ı́ndice patinagem. Com isso, a mesma lastragem é
adotada para diversas operações. Consequentemente, tratores nem sempre trabalham
na faixa ótima de patinagem.

Os tratores produzidos atualmente são dependentes da adição de lastro seja
na forma sólida e/ou lı́quida. Associado a isso, tem-se as condições dinâmicas de
campo relacionadas às diversas condições e operações agrı́colas. Tornar a medição
de patinagem prática e assertiva por meio de redes neurais convolucionais mostrará
rapidamente um eventual desequilı́brio na operação que pode acarretar em consumo
excessivo de combustı́vel, desgastes dos acentuado dos pneus, redução da vida útil
conjuntos mecânicos do trator além de minimizar eficiência operacional. Durante uma
condicão real em campo, a adequacão do equilı́brio operacional pode tomar certo tempo
para alternar de uma operacão de preparo de solo para pulverização, por exemplo.
Como nem sempre os recursos necessários para determinação do ı́ndice de patinagem
e posterior adequação do TIS, frequentemente a mesma lastragem é adotada para
diversas operacões. Consequentemente, tratores nem sempre trabalham na faixa ótima
de patinagem.

A proposta desse trabalho é desenvolver um sistema baseado em técnicas de
aprendizado profundo de máquina para determinar o ı́ndice de patinagem em tratores
agrı́colas. Entende-se que uma tecnologia descomplicada e ágil possa identificar
desvios nos limites de patinagem. De posse dessa informação, o produtor pode
tomar as providências para reequilibrar o conjunto trator-implemento-ambiente e assim,
aumentar a eficiência operacional, prolongar a vida útil dos pneus, reduzir o consumo
de combustı́vel e diminuir gastos com manutenção.


5

Assim, este trabalho parte do pressuposto que técnicas de aprendizado de
máquina, como redes neurais convolucionais, são capazes de identificar e contar, por
meio de reconhecimento de imagens, o número de revoluções da roda traseira de um
trator agrı́cola. Objetivou-se nesta dissertação investigar a viabilidade da aplicação
de redes neurais convolucionais em condições estacionárias (laboratório) e dinâmicas
(em campo) para determinação do ı́ndice de patinagem de tratores agrı́colas. Como
objetivos especı́ficos tem-se:

1. Identificar qual algoritmo de rede neural convolucional apresenta o melhor desem-
penho na medição do ı́ndice de patinagem.

2. Determinar qual o tipo de marcação nos pneus que melhor se adequa a aplicação
em questão

3. Comparar os resultados do sistema de inteligência artificial com os valores obtidos
pela contagem manual tradicional

Esta dissertaç ão está estruturada em quatro capı́tulos. Inicia-se com as considerações 
gerais do trabalho e o referencial teórico no primeiro Capı́tulo. A prova de conceito 
realizada em condiç ões estacionárias consta no Capı́tulo 2, enquanto a avaliaç ão em 
condiç ões dinâmicas (campo) é apresentada no Capı́tulo 3. Finalmente, no Capı́tulo 4
são apresentadas as consideraç ões finais da dissertaç ão.


13

1.3 Referências

ALIGER. As Redes Neurais Convolucionais no Deep Learning
— Aliger. 2019. Disponı́vel em: 〈https://www.aliger.com.br/blog/
as-redes-neuronais-convolutivas-no-deep-learning〉. Acesso em: 13 abr. 2020.

ASAE. Agricultural Machinery Management - ASAE496.2. ASAE Standards, p. 397–
372, 2003. Disponı́vel em: 〈http://www3.abe.iastate.edu/ast330/Project/AESE496.2.
pdf〉.

CARVALHO, V.; GUEDES, E.; SALAME, M. Classificação de Ervas Daninhas em
Culturas Agrı́colas com Comitês de Redes Neurais Convolucionais. In: . 2020. Anais
eletrônicos. . . , [s.n.], 2020. p. 60–71. Disponı́vel em: 〈https://sol.sbc.org.br/index.php/
eniac/article/view/9272/9174〉.

CASADY, W. Tractor Tire and Ballast Managementtle.

1996.

CLAPPIS, A. Uma introdução as redes neurais convolucionais utilizando o Keras.
2019. Disponı́vel em: 〈https://medium.com/data-hackers/uma-introdu{\unhbox\
voidb@x\setbox\z@\hbox{c}{\lineskiplimit-\maxdimen\unhbox\voidb@x\
vtop{\baselineskip\z@skip\lineskip.25ex\everycr{}\tabskip\z@skip\halign{#\
crcr\unhbox\z@\crcr\hskip\hideskip\char24\hskip\hideskip\crcr}}}}{∼{a}
}o-as-redes-neurais-convolucionais-utilizando-o-keras-〉. Acesso em: 13 abr.
2020.

FEITOSA, J.; FERNANDES, H.; TEIXEIRA, M.; CECON, P. Influência da pressão
interna dos pneus e da velocidade de deslocamento nos parâmetros operacionais
de um trator agrı́cola e nas propriedades fı́sicas do solo. Journal of the Brazilian
Association of Agricultural Engineering, v. 35, n. 2, p. 302–312, 2015. Disponı́vel
em: 〈http://dx.doi.org/10.1590/〉.

FERREIRA, A. d. S. Redes Neurais Convolucionais Profundas na Detecção de Plantas
Daninhas em Lavoura de Soja. Master Thesis, p. 70, 2017.

FINGER, F. Avançometro, medidor dos ı́ndices de avanço
e patinagem em tratores e distncias — Escavador. 2006.
Disponı́vel em: 〈https://www.escavador.com/patentes/393974/
avancometro-medidor-dos-indices-de-avanco-e-patinagem-em-tratores-e-distncias〉.
Acesso em: 13 abr. 2020.

FRANCETTO, T. Relação peso/potência dos tratores — Engenharia
Agrı́cola. 2012. Disponı́vel em: 〈https://tiagofrancetto.blogspot.com/2012/04/
relacao-pesopotencia-dos-tratores.html〉. Acesso em: 13 abr. 2020.

GÉRON, A. Hands-On Machine Learning with Scikit-Learn and TensorFlow. [S.l.],
2017.

https://www.aliger.com.br/blog/as-redes-neuronais-convolutivas-no-deep-learning
https://www.aliger.com.br/blog/as-redes-neuronais-convolutivas-no-deep-learning
http://www3.abe.iastate.edu/ast330/Project/AESE496.2.pdf
http://www3.abe.iastate.edu/ast330/Project/AESE496.2.pdf
https://sol.sbc.org.br/index.php/eniac/article/view/9272/9174
https://sol.sbc.org.br/index.php/eniac/article/view/9272/9174
https://medium.com/data-hackers/uma-introdu{\unhbox \voidb@x \setbox \z@ \hbox {c}{\lineskiplimit -\maxdimen \unhbox \voidb@x \vtop {\baselineskip \z@skip \lineskip .25ex\everycr {}\tabskip \z@skip \halign {##\crcr \unhbox \z@ \crcr \hskip \hideskip \char 24\hskip \hideskip \crcr }}}}{~{a}}o-as-redes-neurais-convolucionais-utilizando-o-keras-
https://medium.com/data-hackers/uma-introdu{\unhbox \voidb@x \setbox \z@ \hbox {c}{\lineskiplimit -\maxdimen \unhbox \voidb@x \vtop {\baselineskip \z@skip \lineskip .25ex\everycr {}\tabskip \z@skip \halign {##\crcr \unhbox \z@ \crcr \hskip \hideskip \char 24\hskip \hideskip \crcr }}}}{~{a}}o-as-redes-neurais-convolucionais-utilizando-o-keras-
https://medium.com/data-hackers/uma-introdu{\unhbox \voidb@x \setbox \z@ \hbox {c}{\lineskiplimit -\maxdimen \unhbox \voidb@x \vtop {\baselineskip \z@skip \lineskip .25ex\everycr {}\tabskip \z@skip \halign {##\crcr \unhbox \z@ \crcr \hskip \hideskip \char 24\hskip \hideskip \crcr }}}}{~{a}}o-as-redes-neurais-convolucionais-utilizando-o-keras-
https://medium.com/data-hackers/uma-introdu{\unhbox \voidb@x \setbox \z@ \hbox {c}{\lineskiplimit -\maxdimen \unhbox \voidb@x \vtop {\baselineskip \z@skip \lineskip .25ex\everycr {}\tabskip \z@skip \halign {##\crcr \unhbox \z@ \crcr \hskip \hideskip \char 24\hskip \hideskip \crcr }}}}{~{a}}o-as-redes-neurais-convolucionais-utilizando-o-keras-
https://medium.com/data-hackers/uma-introdu{\unhbox \voidb@x \setbox \z@ \hbox {c}{\lineskiplimit -\maxdimen \unhbox \voidb@x \vtop {\baselineskip \z@skip \lineskip .25ex\everycr {}\tabskip \z@skip \halign {##\crcr \unhbox \z@ \crcr \hskip \hideskip \char 24\hskip \hideskip \crcr }}}}{~{a}}o-as-redes-neurais-convolucionais-utilizando-o-keras-
http://dx.doi.org/10.1590/
https://www.escavador.com/patentes/393974/avancometro-medidor-dos-indices-de-avanco-e-patinagem-em-tratores-e-distncias
https://www.escavador.com/patentes/393974/avancometro-medidor-dos-indices-de-avanco-e-patinagem-em-tratores-e-distncias
https://tiagofrancetto.blogspot.com/2012/04/relacao-pesopotencia-dos-tratores.html
https://tiagofrancetto.blogspot.com/2012/04/relacao-pesopotencia-dos-tratores.html


14

LIAKOS, K. G.; BUSATO, P.; MOSHOU, D.; PEARSON, S.; BOCHTIS, D. Machine
learning in agriculture: A review. 2018. Disponı́vel em: 〈www.mdpi.com/journal/
sensors〉.

LOURES, F. A. Campos dos goytacazes – rj agosto de 2004. 2004. Tese (Doutorado),
2004.

MIN, H. Aplicações de Machine Learning em Marketing e Vendas — by Hen-
rique Min — Medium. 2020. Disponı́vel em: 〈https://medium.com/@henriqm01/
aplica{\unhbox\voidb@x\setbox\z@\hbox{c}{\lineskiplimit-\maxdimen\unhbox\
voidb@x\vtop{\baselineskip\z@skip\lineskip.25ex\everycr{}\tabskip\z@skip\
halign{#\crcr\unhbox\z@\crcr\hskip\hideskip\char24\hskip\hideskip\crcr}}}
}{∼{o}}es-de-machine-learning-em-marketing-e-vendas-〉. Acesso em: 08 fev. 2021.

MONTEIRO, L. d. A.; ARBEX, P. Operação com tratores agrı́colas. Botucatu: Ed. dos
Autores, 2009.

MONTEIRO, L. D. A.; LANÇAS, K. P.; GUERRA, S. P. Desempenho de um trator
agrı́cola equipado com pneus radiais e diagonais com três nı́veis de lastros lı́quidos.
Engenharia Agricola, v. 31, n. 3, p. 551–560, 2011.

NETO, J. C.; TERNES, S.; QUEIROS, L. R. Uso de redes neurais convolucionais para
detecção de laranjas no campo. p. 11, 2019.

OIOLE, Y.; Leonidas Kmiecik, L.; Xavier Silva, T. D.; Cristiano Machioski, M.; Paulo
Jasper, S.; AGRÔNOMO, E.; Doutor Adjunto, P. A. DETERMINAÇÃO DA PATINAGEM
DOS RODADOS DO TRATOR DE 92,67 KW ATRAVÉS DA INSTRUMENTAÇÃO
ELETRÔNICA INSTALADA E EQUAÇÕES DA LITERATURA. [S.l.], 2018.

PACHECO, C. A. R.; PEREIRA, N. S. Deep Learning: Conceitos e Utilização nas Diver-
sas Áreas do Conhecimento. Revista Ada Lovelace, v. 2, p. 34–49, 2018. Disponı́vel
em: 〈http://anais.unievangelica.edu.br/index.php/adalovelace/article/view/4132〉.

PONTI, M. A. Como funciona o Deep Learning. p. 31, 2017.

SENAR. Operação de tratores agrı́colas. Serviço Nacional de Aprendizagem Rural,
p. 192, 2017.

SILVA, S. H.; CARVALHO, A. C. P. d. L. F.; ROMERO, R. A. F.; CRUVINEL, P. E.;
NATALE, W. Rdes neurais artificiais e agricultura de precisão para recomendação
de adubação da cultura da goiabeira. [S.l.], 2004. 37–42 p. Disponı́vel em: 〈http:
//www.agrocomputacao.uepg.br〉.

SOUZA, F. H. D.; MONTEIRO, L. D. A.; MELLO, M. M. D.; FREITAS, L. A.
DETERMINAÇÃO DA PATINAGEM DOS RODADOS DO TRATOR EM FUNÇÃO
PRESSÃO DE INFLAÇÃO DOS PNEUS E FORÇA APLICADA NA BARRA DE
TRAÇÃO EM PISTA DE CONCRETO. In: . 2014. Anais. . . , [S.l.: s.n.], 2014. p. 4.

SPAGNOLO, R. T.; VOLPATO, C. E.; BARBOSA, J. A.; PALMA, M. A.; De Barros,
M. M. Fuel consumption of a tractor in function of wear, of ballasting and tire inflation

www.mdpi.com/journal/sensors
www.mdpi.com/journal/sensors
https://medium.com/@henriqm01/aplica{\unhbox \voidb@x \setbox \z@ \hbox {c}{\lineskiplimit -\maxdimen \unhbox \voidb@x \vtop {\baselineskip \z@skip \lineskip .25ex\everycr {}\tabskip \z@skip \halign {##\crcr \unhbox \z@ \crcr \hskip \hideskip \char 24\hskip \hideskip \crcr }}}}{~{o}}es-de-machine-learning-em-marketing-e-vendas-
https://medium.com/@henriqm01/aplica{\unhbox \voidb@x \setbox \z@ \hbox {c}{\lineskiplimit -\maxdimen \unhbox \voidb@x \vtop {\baselineskip \z@skip \lineskip .25ex\everycr {}\tabskip \z@skip \halign {##\crcr \unhbox \z@ \crcr \hskip \hideskip \char 24\hskip \hideskip \crcr }}}}{~{o}}es-de-machine-learning-em-marketing-e-vendas-
https://medium.com/@henriqm01/aplica{\unhbox \voidb@x \setbox \z@ \hbox {c}{\lineskiplimit -\maxdimen \unhbox \voidb@x \vtop {\baselineskip \z@skip \lineskip .25ex\everycr {}\tabskip \z@skip \halign {##\crcr \unhbox \z@ \crcr \hskip \hideskip \char 24\hskip \hideskip \crcr }}}}{~{o}}es-de-machine-learning-em-marketing-e-vendas-
https://medium.com/@henriqm01/aplica{\unhbox \voidb@x \setbox \z@ \hbox {c}{\lineskiplimit -\maxdimen \unhbox \voidb@x \vtop {\baselineskip \z@skip \lineskip .25ex\everycr {}\tabskip \z@skip \halign {##\crcr \unhbox \z@ \crcr \hskip \hideskip \char 24\hskip \hideskip \crcr }}}}{~{o}}es-de-machine-learning-em-marketing-e-vendas-
https://medium.com/@henriqm01/aplica{\unhbox \voidb@x \setbox \z@ \hbox {c}{\lineskiplimit -\maxdimen \unhbox \voidb@x \vtop {\baselineskip \z@skip \lineskip .25ex\everycr {}\tabskip \z@skip \halign {##\crcr \unhbox \z@ \crcr \hskip \hideskip \char 24\hskip \hideskip \crcr }}}}{~{o}}es-de-machine-learning-em-marketing-e-vendas-
http://anais.unievangelica.edu.br/index.php/adalovelace/article/view/4132
http://www.agrocomputacao.uepg.br
http://www.agrocomputacao.uepg.br


15

pressure. Engenharia Agricola, v. 32, n. 1, p. 131–139, jan 2012. Disponı́vel em:
〈http://www.scielo.br/scielo.php?script=sci arttext&pid=S0100-69162012000100014&
lng=pt&nrm=iso&tlng=enhttp://www.scielo.br/scielo.php?script=sci abstract&pid=
S0100-69162012000100014&lng=pt&nrm=iso&tlng=en〉.

STEFANINI, G. Machine Learning Deep Learning: entenda a
diferença. 2020. Disponı́vel em: 〈https://stefanini.com/pt-br/trends/artigos/
machine-learning-vs-deep-learning〉. Acesso em: 08 fev. 2021.

STROSKI, P. O que são redes neurais convolucionais? - Electrical e-
Library.com. 2018. Disponı́vel em: 〈http://www.electricalelibrary.com/2018/11/20/
o-que-sao-redes-neurais-convolucionais/〉. Acesso em: 13 abr. 2020.

TAGHAVIFAR, H.; MARDANI, A. Investigating the effect of velocity, inflation pressure,
and vertical load on rolling resistance of a radial ply tire. Journal of Terramechanics,
v. 50, n. 2, p. 99–106, 2013.

TAGHAVIFAR, H.; MARDANI, A. Applying a supervised ANN (artificial neural network)
approach to the prognostication of driven wheel energy efficiency indices. Energy,
Elsevier Ltd, v. 68, p. 651–657, apr 2014. Disponı́vel em: 〈http://dx.doi.org/10.1016/j.
energy.2014.01.048〉.

VÁZQUEZ, F. A “weird” introduction to Deep Learning. 2018. Disponı́vel em: 〈https:
//towardsdatascience.com/a-conversation-about-deep-learning-9a915983107https:
//towardsdatascience.com/a-weird-introduction-to-deep-learning-7828803693b0〉.
Acesso em: 08 fev. 2021.

VIANA, L. d. A.; ZAMBOLIM, L.; SOUSA, T. V. LASTRAGEM COMO FORMA DE
MELHORAR A EFICIÊNCIA DE TRAÇÃO DE TRATOR AGRÍCOLA. p. 6, 2017.

http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-69162012000100014&lng=pt&nrm=iso&tlng=en http://www.scielo.br/scielo.php?script=sci_abstract&pid=S0100-69162012000100014&lng=pt&nrm=iso&tlng=en
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-69162012000100014&lng=pt&nrm=iso&tlng=en http://www.scielo.br/scielo.php?script=sci_abstract&pid=S0100-69162012000100014&lng=pt&nrm=iso&tlng=en
http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-69162012000100014&lng=pt&nrm=iso&tlng=en http://www.scielo.br/scielo.php?script=sci_abstract&pid=S0100-69162012000100014&lng=pt&nrm=iso&tlng=en
https://stefanini.com/pt-br/trends/artigos/machine-learning-vs-deep-learning
https://stefanini.com/pt-br/trends/artigos/machine-learning-vs-deep-learning
http://www.electricalelibrary.com/2018/11/20/o-que-sao-redes-neurais-convolucionais/
http://www.electricalelibrary.com/2018/11/20/o-que-sao-redes-neurais-convolucionais/
http://dx.doi.org/10.1016/j.energy.2014.01.048
http://dx.doi.org/10.1016/j.energy.2014.01.048
https://towardsdatascience.com/a-conversation-about-deep-learning-9a915983107 https://towardsdatascience.com/a-weird-introduction-to-deep-learning-7828803693b0
https://towardsdatascience.com/a-conversation-about-deep-learning-9a915983107 https://towardsdatascience.com/a-weird-introduction-to-deep-learning-7828803693b0
https://towardsdatascience.com/a-conversation-about-deep-learning-9a915983107 https://towardsdatascience.com/a-weird-introduction-to-deep-learning-7828803693b0


CAPÍTULO 4 – Considerações finais

A utlização de inteligência artificial em processos e operações agrı́colas está
em voga. Máquinas programadas são capazes de perceber padrões que passariam
despercebido aos olhos humanos. Mais do que isso, os sistemas de inteligência
artificial possuem elevadas velocidades de processamento mesmo lidando com grandes
quantidades de dados. Essas caracterı́sticas podem revolucionar a forma que a
Agricultura será conduzida no futuro.

As redes neurais convolucionais já são aplicadas em operações agrı́colas vol-
tadas a contagem e reconhecimento desde o plantio/semeadura, tratos culturais e
colheita. Contudo, neste trabalho enfrentamos dificuldades de aplicação de algoritmos
RNC em aplicação em vı́deos. A verificação em vı́deos é um passo importante na
direção de medir em tempo real um determinado fenômeno.’

Ao longo desse trabalho, identificou-se que o modelo SSD-Lite com extrator
MobileNet V2 foi o mais adequado para aplicação proposta. Os resultados da prova de
conceito (Capı́tulo 2) apontam que o melhor tipo de marcação é feita no formato de X
com giz comum.

Embora os resultados propriamente ditos tenham apresentado diferenças frente
aos números de referência, este trabalho conseguiu mostrar que as redes neurais
convolucionais apresentam potencial para serem aplicadas a medição de patinagem
de tratores agrı́colas.

Em suma, este trabalho atingiu os objetivos ao aplicar redes neurais convo-
lucionais a detecção e contagem de objetos em movimento e consequentemente,
medição de patinagem em campo. Neste momento, os resultados apontam que é
necessário aprofundar a pesquisa e superar alguns desafios associados a dinâmica
desse processo.

59


	Considerações gerais
	Introdução
	Revisão bibliográfica
	Equilíbrio operacional e patinagem
	Machine learning e redes neurais convolucionais

	Referências

	Concept proof: are convolutional neural networks able to detect and count marks on a turning wheel of agricultural tractor?
	Abstract
	Introduction
	Related studies
	Material and methods
	Deep meta-architectures for object detection
	Faster region-based convolutional neural network (Faster R-CNN)
	Single shot detector (SSD)
	Single shot detector lite (SSDLite)
	Feature extractors

	Database build
	Data division, image labeling and data augmentation technique

	Implementation details
	Detection algorithms
	Performance evaluation


	Results and discussion
	Overall training performance
	Manual x automatic counting of tire markings

	Conclusions and future directions
	Referências

	Redes neurais convolucionais podem ser aplicadas para medir patinagem de um trator agrícola?
	Resumo
	Introdução
	Material e métodos
	Resultados e discussão
	Treinamento do modelo
	Comparação entre contagem manual e modelo SSDLite

	Conclusão
	Referências

	Considerações finais