Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Souza, Flávia Luize Pereira de [UNESP] |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://hdl.handle.net/11449/255297
|
Resumo: |
Soja, 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. |
