Os cientistas da Skoltech criaram um novo sistema de monitoramento para aplicações agrícolas que realiza a segmentação de imagens em tempo real a bordo de drones para identificar as ervas daninhas. A pesquisa foi publicada em um jornal de alto nível, IEEE Transactions on Computers.
O porco-do-mato de Sosnovsky é igualmente perigoso para a agricultura, os ecossistemas locais e a saúde humana. O contato direto com a pele humana, especialmente se agravado pela exposição ao sol, causa queimaduras graves que requerem cuidados médicos contínuos e levam semanas para cicatrizar. A disseminação desenfreada da porca de Sosnovsky tornou-se um verdadeiro desastre ambiental que se estende por toda a Rússia, desde sua parte central até a Sibéria e da Carélia até o Cáucaso. Todos os anos, o governo aloca orçamentos enormes (no ano passado, 350 milhões de rublos apenas para Moscou) para a eliminação da sujeira. Erradicar a planta venenosa se tornou um dos maiores desafios para a agricultura, o meio ambiente e a saúde na Rússia.
Em meados do século 20, havia planos de usar a porca como cultura forrageira, devido ao seu rápido crescimento, baixa necessidade de manutenção e rápida proliferação. No entanto, logo descobriu-se que a porca não era boa como alimento para o gado e que suas propriedades naturais excepcionais eram um grande problema, em vez de uma vantagem. Uma planta pode produzir até 100.000 sementes por ano, que são facilmente dispersas pelo vento. Isso significa que uma única planta acidentalmente deixada para trás torna a operação de limpeza totalmente inútil.
A localização precisa em tempo real de hogweed foi o primeiro problema que os pesquisadores do Centro Skoltech para Ciência e Engenharia Computacional e de Dados Intensivos (CDISE) encontraram quando começaram a desenvolver sua plataforma de monitoramento há dois anos. “Os métodos convencionais de monitoramento não são eficazes o suficiente, uma vez que as observações do solo são altamente dependentes do fator humano, enquanto o sensoriamento remoto espacial pode detectar apenas grandes matagais. As imagens de satélite não têm resolução suficiente para discernir plantas individuais. Além disso, o monitoramento tradicional depende fortemente do clima e períodos de revisita de satélite e, portanto, não pode fornecer informações atualizadas “, autor principal e Skoltech Ph.D. graduado Alexander Menshchikov explica.
Os pesquisadores decidiram usar drones que são capazes de capturar imagens atualizadas de hogweed de alta resolução, mesmo em tempo nublado, e optaram por aquisição de dados em voo e processamento a bordo dos drones em vez da clássica “captura de dados – ortofotomapa – “esquema de análise de dados”. “Mesmo que a abordagem tradicional forneça informações exaustivas sobre a área, é quase tão eficaz quanto processar dados a bordo com segmentação para um tipo de objeto, ou seja, o hogweed de Sosnovsky. Além disso, no método tradicional, a costura e a análise de imagens após o voo levam várias horas, enquanto o processamento em vôo produz dados em tempo real que são imediatamente baixados para a estação base, de modo que a limpeza da área alvo poderia começar antes que o drone pousasse “, acrescenta Alexander.
A nova solução de monitoramento usa um drone e um computador de bordo compacto que executa algoritmos de segmentação “pesados” baseados em Redes Neurais Completamente Convolucionais (FCNN) que podem identificar um objeto de formato irregular (neste caso, o porco de Sosnovsky) pixel por pixel . Isso ajudará a discernir plantas individuais e aumentar as chances de matar todas as ervas daninhas na área selecionada.
Executar FCNNs em hardware de baixo consumo de energia, como computadores de placa única (SBC), foi o principal obstáculo para o projeto. Como há apenas um número limitado de computadores com recursos e processadores suficientes para o FCNN, os pesquisadores tiveram que encontrar uma arquitetura SBC adequada e otimizar o FCNN para fazê-lo funcionar na versão de hardware selecionada.
“Escolhemos arquiteturas populares, UNet, SegNet e ResNet, para nossas redes neurais e as adaptamos para o SBC. Instalamos e testamos nosso sistema de monitoramento a bordo do drone que cobriu uma área de até 28 hectares em 40 minutos, voando a uma altitude de 10 metros. E não perdeu uma única erva daninha “, comenta o professor assistente e supervisor de projeto da Skoltech, Andrey Somov.
“Nosso sistema exibe um aumento multifacetado na eficiência de localização, embora processe imagens 4K a uma velocidade modesta de 0,7 fps”, acrescenta Andrey.
A nova abordagem é uma grande promessa para a agricultura: pode ser usada para monitorar outras culturas, identificar vários indicadores vegetativos, avaliar a saúde das plantas e detectar doenças das plantas aplicando imagens multiespectrais.
Publicado em 15/05/2021 02h55
Artigo original:
Estudo original: