Inteligência Artificial utilizada na determinação longitudinal da cultura da soja

• Ano de defesa: 2021
• Autor(a) principal: Souza, Flávia Luize Pereira de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Agricultura de precisão; Plantabilidade; Aeronave remotamente pilotada; Análise automática; Precision agriculture; Plantability; Remotely Piloted Aircraft; Machine Learning; Automatic analysis
• Link de acesso: http://hdl.handle.net/11449/204354

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.