Autores: COUTO, J. L., REGAZZO, J. R., BAESSO, M. M., TECH, A. R. B., SILVA, T. L.

Ano da publicação: 2024

Nome do livro: Avanços das tecnologias digitais na Engenharia Agrícola

ISBN: 978-65-87729-07-7

Corpo editorial: Prof. Dr. Anderson Prates Coelho, Profa. Dra. Tatiana Fernanda Canata e Prof. Dr. Glauco Eduardo Pereira Cortez.

Palavras-chave: deep learning, nitrogênio, agricultura de precisão.

Área: Agricultura Digital (AD)

O cultivo de feijão, antes de pequena escala e para subsistência, agora é feito com agricultura tecnificada. A deficiência de nitrogênio (N) é um problema significativo, interferindo no florescimento e formação dos grãos, a qual é detectável pela clorose das folhas após o 30° dia após emergência (DAE), mas métodos convencionais são caros, destrutivos e demorados. Há interesse em métodos de detecção não destrutivos, como técnicas de aprendizado profundo utilizando redes neurais convolucionais (CNN). Esta pesquisa, executada na FZEA-USP, desenvolveu um sistema de visão computacional baseado em CNN para estimar o status de nitrogênio em feijoeiros a partir da aplicação de diferentes doses. O objetivo é identificar a combinação ideal de arquitetura e período para um desempenho otimizado. Utilizando uma câmera Fujifilm, imagens foram capturadas em diferentes períodos e resoluções de pixels. Os resultados foram avaliados usando Acurácia, Erro e índice Kappa, demonstrando a eficácia das CNNs na identificação do estado de nitrogênio. Todos os tamanhos de blocos testados são eficazes, mas podem apresentar limitações de rapidez e demanda computacional em análises de campo em tempo real.

Autores: CARVALHO, J. C. L., COSTA, A. G., OLIVEIRA, M. V. M.

Ano da publicação: 2024

Nome do livro: Avanços das tecnologias digitais na Engenharia Agrícola

ISBN: 978-65-87729-07-7

Corpo editorial: Prof. Dr. Anderson Prates Coelho, Profa. Dra. Tatiana Fernanda Canata e Prof. Dr. Glauco Eduardo Pereira Cortez.

Palavras-chave: aprendizagem profunda, processamento de imagens, Raspberry Pi.

Área: Agricultura Digital (AD)

O crescimento da população mundial e produção alimentícia implica no aumento da demanda de produtos agrícolas. A classificação e seleção dos produtos de maneira adequada se faz necessária, e a inteligência artificial em conjunto com o processamento de imagens tem sido cada vez mais aplicados, como as Redes Neurais Convolucionais (CNN). O objetivo deste projeto foi desenvolver um algoritmo em linguagem Python, capaz de treinar uma Rede Neural Convolucional customizada para identificar diferentes tipos de frutos. O banco de dados categórico foi composto por imagens de frutos de morango (137 imagens) e tomate (119 imagens) em diferentes ambientes obtidas na internet.   O banco de dados foi dividido em 75% para treinamento e 25% para teste. O algoritmo foi implementado no microcontrolador Raspberry Pi, e a avaliação de desempenho se deu por meio da obtenção da acurácia, precisão, sensibilidade e F1-score da classificação dos dados de teste. O algoritmo se mostrou apto para a classificação dos frutos, com acurácia global de 75,00%. A precisão, sensibilidade e F1-Score para a classe dos tomates foi de 69,70%, 79,31% e 74,19%, respectivamente, enquanto para a classe dos morangos, foi de 80,65%, 71,43% e 75,76%, respectivamente.

Autores: SANTANA, L. S., FERRAZ, G. A. S., MARQUES FILHO, A. C., SANTANA, M. S., SILV, J. M., FARIA, R. O.

Ano da publicação: 2024

Nome do livro: Avanços das tecnologias digitais na Engenharia Agrícola

ISBN: 978-65-87729-07-7

Corpo editorial: Prof. Dr. Anderson Prates Coelho, Profa. Dra. Tatiana Fernanda Canata e Prof. Dr. Glauco Eduardo Pereira Cortez.

Palavras-chave: sensoriamento remoto, agricultura de precisão, agricultura digital.

Área: Agricultura Digital (AD)

O expressivo destaque da cafeicultura nacional, está associado a inserção de tecnologia no campo produtivo. Entre as tecnologias inseridas para monitoramento na cafeicultura, destacam-se as Aeronaves Remotamente Pilotadas (ARPs) que são exploradas expressivamente, fornecendo características de alta resolução espacial da superfície em diferentes comprimentos espectrais. Em lavouras cafeeiras, as práticas de incineração do material vegetal para reforma ainda são promovidas por alguns produtores, depositando cinzas na superfície em pontos específicos. Sabe-se que a queima de material vegetal disponibiliza nutrientes no solo, podendo interferir no desenvolvimento das plantas. Assim, o objetivo desse trabalho foi avaliar o crescimento inicial das plantas cafeeiras por meio índices vegetativos (IVs) obtidos em imagens de ARP. Foram avaliadas duas épocas após o plantio por sobrevoos de ARP com Câmera multiespectral, em seguida, os dados foram processados e aplicados os IVs. Os melhores índices foram determinados de acordo com os valores médios obtidos em regiões com e sem cinzas, bem como, as diferenças entre os meses de desenvolvimento. O índice indicado para análises de cinzas foram os índices NDVI, NNRI e NNIR aos três meses, NGI aos seis meses.