Detecção de plantas daninhas e plantas de soja utilizando imagens multiespectrais e Visão Computacional

• Autor(a) principal: Oda, Yuri Sarreta
• Data de Publicação: 2023
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/76/76133/tde-22022024-084207/
• topic: Agricultura de precisão; Computer vision; Detecção de plantas daninhas; Herbicide selective spraying; Imagens multiespectrais; Multispectral images; Precision agriculture; Pulverização localizada de herbicidas; Visão computacional; Weed detection

Atualmente, a Agricultura de Precisão destaca-se como uma das áreas mais promissoras para o desenvolvimento de tecnologias no país. Algumas tecnologias advindas dessa área incluem, por exemplo, o mapeamento de áreas de produtividade e o desenvolvimento de sensores e sistemas para análises do solo e do clima, sempre visando o uso inteligente dos recursos durante o manejo das culturas e auxiliando o produtor durante as etapas de tomada de decisão. Dentre os problemas da agricultura moderna está o uso intensivo, não rotativo e de forma não localizada de herbicidas que, além de ser prejudicial ao meio ambiente, contribui para altos custos no orçamento do produtor e resulta na aplicação de produto em organismos não desejados. Apesar de existirem alguns sistemas de pulverização localizada disponíveis no mercado, o princípio de funcionamento da maioria deles é baseado em detectores de clorofila, não sendo capazes de distinguir plantas da lavoura de plantas daninhas com acurácia em aplicações de herbicidas após a emergência da cultura em campo. Visando contornar estes problemas, o presente trabalho aborda o uso de imagens multiespectrais para o reconhecimento de plantas daninhas pós-emergência da soja em ambientes de iluminação natural e artificial utilizando Visão Computacional e o algoritmo YOLO para tarefas de detecção e classificação. Para as imagens capturadas em iluminação artificial na primeira abordagem do projeto, os melhores resultados para a métrica mAP(0,5:0,95) foram para as imagens RGB (0,523), IR (0,527) e NIR (0,495). Na segunda abordagem, foi utilizado um sistema contendo uma roda de filtros e dez bandas espectrais e os melhores resultados obtidos foram para as bandas G (0,748), NDVI (0,717) e NIR-01 (0,714) para os modelos multi-classe e IR-780 (0,806), IR-850 (0,793) e NIR- 01 (0,785) para os modelos uni-classe, demonstrando a importância dos comprimentos de onda do infravermelho próximo na detecção das plantas. Na terceira abordagem, os valores obtidos para as métricas Precision, Recall e mAP(0,5:0,95) nos modelos treinados nas imagens capturadas em ambiente com iluminação natural foram, respectivamente, 0,772, 0,726 e 0,470 para as imagens RGB e, respectivamente, 0,733, 0,735 e 0,387 para as imagens NIR, sugerindo que em imagens mais complexas o algoritmo precisa ser aprimorado para produzir resultados mais eficientes no reconhecimento de plantas daninhas. Os resultados demonstram que técnicas de Visão Computacional combinadas com imagens multiespectrais são abordagens promissoras para a detecção de plantas daninhas entre plantas de soja.