Escolar Documentos
Profissional Documentos
Cultura Documentos
Universidades Rovuma
Extensão de Cabo Delgado
2022
Cosme José Paulo
Universidades Rovuma
Extensão de Cabo Delgado
2022
Trabalho de Informática-2022 Página 3
Lista de Figura
1. Visão Computacional...................................................................................................................6
2. Agricultura de Precisão................................................................................................................6
3.2. Pré-processamento...................................................................................................................10
3.7.1.Cor…………….....................................................................................................................13
Conclusão.......................................................................................................................................14
Bibliografia.....................................................................................................................................15
Introdução
O uso de sistemas electrónicos embarcados com softwares dedicados permite, em tempo real,
supervisionar e comandar automaticamente máquinas e implementos agrícolas, monitorar e
adquirir informações por sensores, e realizar cálculos estatísticos preditivos. A visão
computacional é uma área de pesquisa recente e responsável pela visão de uma máquina,
extraindo informações significativas, possibilitando reconhecer, manipular e analisar os objectos
que compõem uma determinada imagem. A visão computacional tem a capacidade de extrair
informações relevantes a partir de imagens capturadas por câmeras, vídeos, sensores, entre outros
dispositivos, para automatizar a tomada de decisão em um sistema agrícola. O objectivo deste
trabalho foi apresentar as técnicas de processamento de imagens digitais mais utilizadas no
monitoramento de culturas agrícolas e apresentar um resumo dos recentes avanços na área de
monitoramento de culturas agrícolas utilizando visão artificial.
1. Visão Computacional
A visão computacional é uma área de pesquisa recente e responsável pela “visão” de uma
máquina, extraindo informações significativas, possibilitando reconhecer, manipular e analisar os
objectos que compõem uma determinada imagem. A visão computacional tem a capacidade de
extrair informações relevantes a partir de imagens capturadas por câmaras fotográficas, vídeos,
sensores, entre outros dispositivos, para automatizar a tomada de decisão em um sistema, por
exemplo (Shapiro et al., 2001).
A visão computacional é uma área de pesquisa que pode incluir métodos de aquisição de
imagens, pré-processamento, segmentação, extracção de atributos ou características e
reconhecimento de padrões. Consulte a Figura 1: Estrutura sequencial de um sistema de visão
computacional.
Conforme afirma (Szeliski, 2010), a visão computacional tenta descrever o mundo que vemos a
partir das propriedades das imagens. Essa é uma área que são desenvolvidos vários algoritmos
com o objectivo de obter informações a partir de imagens, visando automatizar tarefas que são
realizadas normalmente pela visão humana. As técnicas aplicadas no processamento e análise de
imagens possibilitam extrair informações visuais como, forma, cor e textura, com o objectivo de
identificar características das imagens para a utilização em um sistema de reconhecimento de
padrões.
A visão computacional pode ser aplicada na agricultura em alguns dos seguintes campos de
actuação, porém não restritos a: classificação e selecção de produtos agrícolas, sementes e frutos;
robotização da colheita; posicionamento de implementos agrícolas; direcção e navegação
autónoma; identificação de doenças, pragas, plantas daninhas; análise da planta e nível de dano
foliar causado por pragas e doenças; automação de processos agrícolas: automação de processos
por meio do uso de sensores, ensoreamento remoto e sistemas de informação geográfico;
sistemas de posicionamento e orientação em campo aberto; sistemas embarcados; tecnologia de
aplicação de insumos a taxa variada; e, fusão de sensores.
2. Agricultura de Precisão
Neste caso, podemos entender agricultura de precisão como uma forma de gerenciar o campo
produtivo precisamente, considerando que cada área de uma propriedade possui características
diferentes. Dessa forma, torna-se possível aplicar os insumos no local correto, no momento certo,
com as quantidades exactas a partir das características daquele terreno ou produção.
A agricultura de precisão é uma razão que parte de informações exactas e se conclui com tomada
de decisões precisas (WHELAN et al., 2000).
Desta feita, ela pode usar várias características do ambiente como, o tipo de solo, armazenamento
de água, o teor de nutrientes, o pH, a matéria orgânica, declive, exposição ao sol, existência de
pragas e/ou doenças. Por exemplo, um sistema de pulverização poderia identificar as plantas e
suas necessidades, accionando precisamente os bicos (abrindo e fechando) na aplicação de
determinado insumo.
Aquisição de imagem: Seja de sensores, câmaras, scanner ou outro tipo de aparelhos para a
captura, o resultado pode variar entre uma imagem bidimensional, uma tridimensional ou ainda
uma sequência de imagens. Os valores dos pixels geralmente indicam a intensidade da luz em
uma ou várias faixas de cor.
Pré-processamento: Uma imagem geralmente deve ser processada antes de aplicar um método
de visão computacional para assegurar que satisfaça algumas condições. Exemplos: redução de
ruídos, melhora do contraste, aplicação de filtros, etc.
Esta é uma área em que são desenvolvidos vários algoritmos com o objectivo de obter
informações a partir de imagens, visando automatizar tarefas que são realizadas normalmente
pela visão humana.
O modelo mais simples da concepção física de aquisição de imagens é a câmera pinhole (micro-
orificio). Devido ao pinhole estar situado entre o plano de imagem e a cena do ambiente
tridimensional, qualquer raio de luz que é emitido ou reflectido de determinada superfície por ele
antes de ser projectado no plano de imagem (Cyganek e Siebert, 2009). A modelagem
matemática da câmera pinhole é ilustrada na figura 2, abaixo
3.2. Pré-processamento
O método de Fuzzy C-Means (FCM) aplicado ao processamento de imagens consiste na rotulação de pixels pelo valor de magnitude
destes gerando agrupamentos baseados em similaridade. O FCM é um algoritmo iterativo que encontra agrupamentos usando o
conceito de pertinência compartilhada (lógica difusa) onde um pixel pode pertencer a um ou mais agrupamentos. Os agrupamentos
devem ter duas propriedades importantes (PADMAVATHI et al., 2010):
Homogeneidade dentro dos agrupamentos: Os pixels que pertencem a um agrupamento devem ser os mais similares
possíveis.
Heterogeneidade entre os agrupamentos: Os pixels que pertencem a agrupamentos diferentes devem ser os mais dissimilares
possíveis.
3.3. Segmentação baseada em bordas
A detecção de bordas, anteriormente discutida, possibilita a análise de descontinuidades nos níveis de cinza de uma imagem. As bordas
na imagem de interesse caracterizam os contornos dos objectos nelas presentes, sendo bastante úteis para a segmentação e
identificação de objectos na cena. Pontos de borda podem ser entendidos como as posições dos pixels com variações abruptas de níveis
de cinza. Os pontos de borda caracterizam as transições entre objectos diferentes. Várias técnicas de segmentação baseiam-se na
detecção de bordas, sendo as mais simples aquelas nas quais as bodas são detectadas pelos operadores de gradientes.
A avaliação dos resultados da segmentação de uma imagem são geralmente subjectivos, deixando
a um observador humano a tarefa de verificar a efectividade da técnica baseada em se as imagens
geradas pelo algoritmo são adequados para o observador. Contudo, existem algumas métricas que
podem ser tomadas em consideração:
Analogamente, a forma de um objecto pode ser descrita em termos de suas bordas. Outros
atributos mais específicos para a forma podem ser obtidos através de invariantes de momentos,
descritores de Fourier, eixos medianos dos objectos, dentre outros. Para realizar o
reconhecimento de objecto, existe uma grande variedade de técnicas de classificação.
3.6.1. Cor
Cor é um atributo importante em qualquer imagem e representa a característica visual mais usada
pelo cérebro humano para diferenciar objectos e coisas. Assim, é necessário avaliar a
potencialidade de extractores de cor na diferenciação de deficiências. Na continuação são
apresentadas algumas técnicas de extracção de cor de imagens achadas na literatura.
1. SHAPIRO, L.; STOCKMAN, G. (2001). Computer vision. New Jersey: Prentice Hall.
2. WHELAN, B. M.; MCBRATNEY, A. B. (2000). The "Null Hypothesis" of precision
agriculture management. Precision Agriculture 2, pp. 265-279.
3. ZHANG, N.; WANG, M.; WANG, N. (2000). Precision agriculture-a worldwide
overview. Computers and Electronics in Agriculture 36, pp.113-132.