Andar em fileiras de soja no calor do meio do verão é uma tarefa exaustiva, mas essencial para o cultivo de novos cultivares. Os pesquisadores enfrentam o calor diariamente durante partes cruciais da estação de crescimento para procurar plantas que apresentem características desejáveis, como maturidade precoce da vagem. Mas sem uma maneira de automatizar a detecção dessas características, os criadores não podem testar tantos lotes quanto gostariam em um determinado ano, prolongando o tempo que leva para lançar novos cultivares no mercado.
Em um novo estudo da Universidade de Illinois, os pesquisadores preveem a data de maturidade da soja em dois dias usando imagens de drones e inteligência artificial, reduzindo muito a necessidade de botas no solo.
“Avaliar a maturidade da vagem consome muito tempo e está sujeito a erros. É um sistema de pontuação baseado na cor da vagem, portanto, também está sujeito a tendências humanas”, disse Nicolas Martin, professor assistente do Departamento de Ciências de Culturas em Illinois e co-autor do estudo. “Muitos grupos de pesquisa estão tentando usar imagens de drones para avaliar a maturidade, mas não podem fazer isso em escala. Então, descobrimos uma maneira mais precisa de fazer isso. Foi muito legal, na verdade.”
Rodrigo Trevisan, um estudante de doutorado que trabalha com Martin, treinou computadores para detectar mudanças na cor do dossel em imagens de drones coletadas em cinco testes, três estações de cultivo e dois países. É importante ressaltar que ele foi capaz de contabilizar as imagens “ruins” para manter a precisão.
“Digamos que queremos coletar imagens a cada três dias, mas um dia, há nuvens ou está chovendo, então não podemos. No final, quando você obtém os dados de anos ou locais diferentes, todos eles parecerão diferentes em termos do número de imagens e dos intervalos e assim por diante “, diz Trevisan. “A principal inovação que desenvolvemos é como podemos contabilizar tudo o que somos capazes de coletar. Nosso modelo tem um bom desempenho, independentemente da frequência com que os dados foram coletados.”
Trevisan usou um tipo de inteligência artificial chamada redes neurais convolucionais profundas. Ele diz que as CNNs são semelhantes à maneira como o cérebro humano aprende a interpretar os componentes das imagens – cor, forma, textura – de nossos olhos.
“As CNNs detectam pequenas variações de cor, além de formas, bordas e textura. Para o que estávamos tentando fazer, a cor era a coisa mais importante”, diz Trevisan. “Mas a vantagem dos modelos de inteligência artificial que usamos é que seria bastante simples usar o mesmo modelo para prever outra característica, como rendimento ou alojamento. Portanto, agora que temos esses modelos configurados, deve ser muito mais fácil para as pessoas usem a mesma arquitetura e a mesma estratégia para fazer muito mais coisas. ”
Martin diz que as empresas de criação comercial estão clamando por esses recursos.
“Tivemos parceiros da indústria no estudo que definitivamente querem usar isso nos próximos anos. E eles fizeram contribuições muito boas e importantes. Eles queriam ter certeza de que as respostas eram relevantes para os criadores no campo, tomando decisões, selecionando plantas e para os agricultores “, diz Martin. “Encontrar um bom método para ajudar os criadores a realmente tomar decisões em grande escala é bastante empolgante.”
Publicado em 09/12/2020 01h43
Artigo original:
Estudo original: