Segmentação de plantações de soja para detecção de ervas daninha em dispositivos embarcados

• Autor(a) principal: Kovaleski, Matheus Fernandes
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/267663
• topic: Aprendizado de máquina; Sistemas embarcados; Inteligência artificial; Computer vision; Image segmentation; Generative adversarial networks

Uma das etapas mais importantes para o plantio de algum alimento é a sua fase de desenvolvimento. Nessa etapa é preciso garantir que as plantas estejam saudáveis para que se possa extrair o máximo proveito do grão usado no plantio. Durante essa etapa é feito o uso de agrotóxicos/inseticidas para evitar que alguma praga atinja a plantação. Essa aplicação é feita em toda a área de plantio, já que a aplicação localizada do produto poderia acabar levando dias ou semanas, dado o fato que precisaria ser feito manualmente e mesmo assim poderia não ser bem aplicado. Um grande problema que surge com esse método de aplicação de agrotóxico, é que o uso desse tipo de produto em plantas pode causar intoxicação ou gerar certas alergias, além de ser muito custoso para os fazendeiros. Dado isso, o objetivo do trabalho foi o desenvolvimento de um modelo de Machine Learning, capaz de reconhecer e segmentar em N classes distintas uma imagem capturada em tempo real; o modelo em questão escolhido foi o pix2pix, um modelo baseado em GAN capaz de produzir segmentações com alta acurácia. Foram criados dois modelos para os experimentos, o primeiro seria a pix2pix original e o segundo seria uma versão modificada focada em aumentar a performance em termos de tempo de processamento. Os experimentos foram executados usando uma arquitetura ARM da família Jetson da Nvidia conhecida como nano, fornecida pela empresa Accore. Ao fim, apresentamos os resultados coletados dos experimentos em termos de acurácia e FPS para estimar a performance do nosso modelo. O presente trabalho obteve resultados de mais de 60% de acurácia, tendo em vista as limitações de dataset, ao passo que conseguimos ter uma taxa de FPS similar entre abordagens mais simples de detecção de instâncias.