Estratégias de visão computacional para estimativa de cobertura vegetal e massa de forragem em ambientes agropecuários por meio de imagens aéreas

• Ano de defesa: 2024
• Autor(a) principal: Perissini, Ivan Carlos
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: agricultural scene classification; aprendizado de máquina; classificação da cena agropecuária; computer vision; estimativa de cobertura vegetal; estimativa de massa de forragem; forage mass estimation; machine learning; manejo de pastagem; pasture management; pecuária de precisão; precision livestock farming; vegetation cover estimation; visão computacional
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18162/tde-19112024-123344/

A visão computacional tornou-se uma tecnologia essencial em processos automatizados com o avanço da agricultura de precisão, mas sua aplicação no setor de pecuária ainda é limitada, oferecendo vastas oportunidades para melhorias em produtividade e eficiência. No manejo de pastagens, informações extraídas da cena, como cobertura do solo e massa de forragem, são fundamentais para a tomada de decisão. No entanto, essas informações são tradicionalmente obtidas por medições manuais, suscetíveis a erros e com baixo controle do processo. A introdução de tecnologias nesse setor visa aumentar a consistência dos dados e a eficiência operacional, viabilizando diagnósticos precisos, redução de custos e maior competitividade. O presente estudo busca desenvolver uma solução tecnológica acessível utilizando drones equipados com câmeras RGB de alta resolução para interpretar os elementos típicos da cena agropecuária e fornecer estimativas de cobertura vegetal e massa de forragem do capim em grandes áreas. O desenvolvimento é pautado na facilidade de implementação e a confiabilidade dos dados gerados, suportando um manejo eficiente de pastagens. A metodologia proposta integra técnicas de visão computacional para processar imagens aéreas únicas, transformando dados visuais em modelos de classificação e estimativas para a gestão do pasto, oferecendo uma alternativa prática e tecnológica aos métodos tradicionais. Para viabilizar este desenvolvimento, o estudo foi estruturado com uma coleta planejada de dados, operações de drones e captura de imagens em campo, permitindo a construção de um conjunto de dados robusto que sustenta uma estratégia integrada de processamento de imagens, aprendizado de máquina e análise de dados. A estratégia de geração de informações combina dados ambientais, classificação dos elementos da cena e regressão para estimativas de variáveis críticas do pasto. Um extenso processo de análise e validação de diferentes abordagens foi realizado, explorando configurações que vão desde a arquitetura do método até a proposição e otimização de modelos de aprendizado de máquina. As soluções finais, uma baseada em Florestas Aleatórias e outra em Redes Neurais Convolucionais, demonstraram, apesar de suas diferenças, um alto potencial para a classificação da cena, com resultados promissores em estimativas de cobertura e massa de forragem, atendendo às necessidades do contexto agropecuário.