Escolar Documentos
Profissional Documentos
Cultura Documentos
RELATÓRIO FINAL
INICIAÇÃO CIENTÍFICA:
PIBIC CNPq ( ), PIBIC CNPq Ações Afirmativas ( ), PIBIC UFPR TN (X), PIBIC
Fundação Araucária ( ), PIBIC Voluntária ( ), Jovens Talentos ( ), PIBIC EM ( ).
Relatório parcial
apresentado à Coordenadoria de
Iniciação Científica e Integração
Acadêmica da Universidade
Federal do Paraná - Edital
2021/2022.
JANDAIA DO SUL
(2022)
1. RESUMO
A eficiência da aplicação de defensivos agrícolas é influenciada pelas
condições climáticas na hora da aplicação, como velocidade do vento, temperatura e
umidade relativa do ar. Nesse sentido, o monitoramento da qualidade da pulverização
é de grande importância para verificar a deposição e o tamanho de gostas sob o alvo,
bem como verificar as perdas ao meio ambiente. As avaliações em campo geralmente
são realizadas com a distribuição de papéis hidrossensíveis sob as plantas, no qual
quando em contato com as gotas de água fica marcado. Esse método é eficiente,
porém: demorado, trabalhoso e caro. Nesse sentido, o objetivo desse trabalho foi
treinar uma rede neural artificial com imagens das folhas do milho recém pulverizadas.
Foi implementado uma rede neural resnet em linguagem python utilizando o ambiente
de desenvolvimento do google colab, foi utilizado um banco de 77 imagens onde 80%
delas foi utilizada para treino e 20% para teste. A rede neural não apresentou
resultando satisfatórios ficando com acurácia média em torno de 30%.
2. INTRODUÇÃO
Dentre as várias etapas do processo de produção agrícola, a aplicação de
defensivos é uma das mais importantes, pois deve ter sucesso no controle das pragas
e doenças que acometem as plantas, e ao mesmo tempo garantir a preservação do
meio ambiente.
A eficiência da aplicação de defensivos agrícolas é influenciada pelas
condições climáticas na hora da aplicação, como velocidade do vento, temperatura e
umidade relativa do ar que afetam a translocação desses compostos pela planta, a
alta temperatura faz com que as gostas da pulverização sequem mais rapidamente,
em consequência a diminuição de absorção do produto (SUGUISAWA et al., 2007).
Nesse sentido o monitoramento da qualidade da pulverização é de grande
importância para verificar a deposição e o tamanho de gostas sob o alvo, bem como
verificar as perdas ao meio ambiente. As avaliações em campo geralmente são
realizadas com a distribuição de papéis hidrossensível sob as plantas, no qual quando
em contato com as gotas de água fica marcado. A deposição e o tamanho de gota
utilizando esse método é determinada por um software após o escaneamento desses
papéis, entretanto se leva um tempo relativamente alto entre a coleta em campo e o
cálculo utilizando o software, impossibilitando assim a avaliação da pulverização
durante a aplicação.
O objetivo desse trabalho é criar um algoritmo de visão computacional para
avaliar a qualidade da pulverização a partir de imagens das folhas das plantas, o
método adotado para criar esse modelo será o de machine learning com a utilização
de redes neurais. O banco de imagens para treinar e validar a rede foi feito com fotos
da folha da cultura do milho imediatamente após a aplicação do defensivo.
3. REVISÃO DE LITERATURA
3.1. TECNOLOGIA DE APLICAÇÃO DE DEFENSIVOS AGRÍCOLA
A tecnologia de aplicação de defensivos agrícolas é, por conceito, definida
como o emprego de todos os conhecimentos científicos que proporcionem uma
correta colocação do produto químico no alvo, em quantidade necessária, no
momento adequado e com o mínimo de contaminação de outras áreas (MATUO apud
ISABEL; COSTA, 2009).
A aplicação de defensivos agrícola desempenha um papel muito importante na
produção agrícola, pois sem o uso de agroquímicos na agricultura a produção de
alimentos no mundo sofreria uma redução de 40 a 45%, além do comprometimento
na qualidade dos alimentos.(CARVALHO apud ISABEL; COSTA, 2009)
O sucesso na aplicação de defensivos agrícolas depende fundamentalmente
da utilização de produtos eficientes e de uma tecnologia desenvolvida para sua
aplicação e ainda sendo totalmente influenciada pelos fatores agronômicos, biológicos
e meteorológico incontroláveis.
Dentre as várias operações envolvidas no processo de produção de uma
cultura, a aplicação de defensivos agrícolas é uma das mais exigentes, pois não
consiste somente no tratamento da cultura e nos cuidados com o meio ambiente
estando, também, relacionada com o momento oportuno de aplicação, com adequada
cobertura do alvo, com o mínimo de danos a cultura (ISABEL; COSTA, 2009).
3.2. APRENDIZADO DE MÁQUINA EM INTELIGENCIA ARTIFICIAL
Aprendizado de máquina (AM) é uma sub área da inteligência artificial, no qual
constrói algoritmos de forma automática que podem aprender de seus erros e fazer
previsões sobre dados. Tais algoritmos operam construindo um modelo a partir de
inputs amostrais, a fim de fazer previsões ou decisões guiadas pelos dados ao invés
de seguir instruções programadas.
No AM existem várias abordagens de aprendizado que podem ser utilizadas
por um sistema computacional, uma delas é o aprendizado indutivo que é um dos
mais úteis, pois permite obter novos conhecimentos a partir de exemplos, ou casos
particulares previamente observados (ALVES, 2003).
FIGURA 2: Papel hidrossensível fixado na folha (A); Imagem da folha após a pulverização (B); caixa
para posicionar a folha e fixar a câmera do celular (C).
(A) (B)
Coeficiente de variação Densidade gotas/cm2
Uniformidade Intervalo Nota: 0 Qualidade Intervalo Nota: 0
- 25 - 37,5
Uniforme <0,15 25 péssimo <30 6,25
Levemente 0,15 - 0,3 20 inadequado 30-40 12,5
desuniforme
razoável 40-50 25
Desuniforme 0,3 - 0,45 15
Ideal 50 - 70 37,5
Muito 0,45 - 0,6 10
desuniforme Bom 70 -90 31,25
Altamente >0,6 5 regular 90-130 18,75
desuniforme rim >130 12,5
(C)
DMV (D)
Qualidade Intervalo Nota: 0 - Nota final
37,5
Qualidade Intervalo
péssimo <150 6,25
inadequado 150-180 12,5 ruim <25
bom 180-210 31,25 regular 25-50
Ideal 210-240 37,5 bom 50-75
razoável 240-270 25 ótimo >75
regular 270-300 18,75
ruim >300 12,5
5. RESULTADOS
Após o treino da rede foi verificado uma acurácia de 30% figura 6 (A), e uma
perda média de 2,49 figura 6 (B) sendo realizado um total de 8 épocas de treinamento,
ou seja, acabou a paciência com 8 épocas.
(A) (B)
A baixa acurácia na classificação das imagens pode ter ocorrido devido a alta
variação de luminosidade das imagens, pois o banco de imagens foi composto por
imagens registradas em dias e locais diferentes. Um outro fator que também pode ter
limitado a acurácia é o tamanho do banco de imagens, uma vez que quanto maior o
numero de imagens maior será o aprendizado da rede, ou seja, a função criada pela
rede se ajustara de maneira melhor ao conjunto de dados.
6. CONCLUSÃO
A rede neural não apresentou resultados satisfatórios apresentando baixa
acurácia na classificação das imagens não sendo possível dessa forma avaliar a
qualidade da pulverização, um dos fatores causadores dessa baixa eficiência é o
número limitado de dados e também pela alta variabilidade nos tons de cores das
imagens. Em possíveis trabalhos futuros é recomenda a utilização de ferramentas
para padronizar ao máximo possível a luminosidade das imagens, também é
importante salientar que uma maior numero de dados geralmente melhora e eficiência
da rede, dessa forma sempre que possível obter um maior número de dados para
realizar o treinamento da rede.
REFERÊNCIAS
ALVES, G. E. A. B. P. DE. Pré-processamento de Dados em Aprendizado de
Máquina Supervisionado. American Journal of Distance Education, p. 1–204,
2003.
ANSORI. Paper Knowledge . Toward a Media History of Documents, v. 3, n.
April, p. 49–58, 2015.
FLECK, L. et al. Artificial Neural Networks: Basic Principles. Revista Eletrônica
Científica Inovação e Tecnologia, v. 1, n. 13, p. 47–57, 2016.
ISABEL, D.; COSTA, D. A. EFICIÊNCIA E QUALIDADE DAS APLICAÇÕES DE.
2009.
NUNES, J. J.; JOSÉ, W. L. S.; FREITAS, M. A. M. Tecnologia de aplicação de
produtos fitossanitários. Biocontrole de fitonematoides: atualidades e
perspectivas, 2021.
SUGUISAWA, J. M. et al. Qualidade de aplicação de herbicida em lavoura de trigo.
Engenharia Agrícola, v. 27, n. spe, p. 41–47, 2007.