MINISTÉRIO DA EDUCAÇÃO

UNIVERSIDADE FEDERAL DO PARANÁ

PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO
COORDENADORIA DE INICIAÇÃO CIENTÍFICA E INTEGRAÇÃO ACADÊMICA
PROGRAMA DE INICIAÇÃO CIENTÍFICA E EM DESENVOLVIMENTO
TECNOLÓGICO E INOVAÇÃO

FÁBIO DA SILVA ROSA

RELATÓRIO FINAL

INICIAÇÃO CIENTÍFICA:
PIBIC CNPq ( ), PIBIC CNPq Ações Afirmativas ( ), PIBIC UFPR TN (X), PIBIC
Fundação Araucária ( ), PIBIC Voluntária ( ), Jovens Talentos ( ), PIBIC EM ( ).

INICIAÇÃO EM DESENVOLVIMENTO TECNOLÓGICO E INOVAÇÃO:

PIBITI CNPq ( ), PIBITI UFPR TN ( ), PIBITI Funttel ou PIBITI Voluntária ( ).

(Período no qual esteve vinculado ao Programa 08/2021 a 07/2022)

AVALIAÇÃO DA QUALIDADE DA PULVERIZAÇÃO UTILIZANDO TECNICAS DE

MACHINE LEARNING

Relatório parcial
apresentado à Coordenadoria de
Iniciação Científica e Integração
Acadêmica da Universidade
Federal do Paraná - Edital
2021/2022.

Orientador: Prof. Dr. Marcelo José da Silva / Campus de Jandaia do Sul

Aplicação de fertilizante líquido nitrogenado: otimização da tecnologia e efeitos na

lavoura de milho / 2017028337

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%.

Palavras chaves: Machine Learning; Monitoramento da aplicação; Tecnologia de

aplicação.

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).

3.3. REDES NEURAIS ARTIFICIAIS

Redes neurais artificiais (RNA) são algoritmos computacionais que apresentam
um modelo matemático inspirado em uma estrutura de organismos inteligentes
imitando assim simplificadamente o funcionamento do cérebro humano em
computadores (FLECK et al., 2016). Dessa forma a (RNA) é capaz de aprender e
tomar decisões baseadas em seu próprio aprendizado.
A aprendizagem de uma RNA é um processo onde os parâmetros livres são
adaptados através de um processo de estimulação pelo ambiente em que a rede está
inserida, ou seja, o aprendizado é realizado por meio de processos interativos de
ajustes aplicados aos pesos sinápticos. Durante a fase de aprendizagem a RNA extrai
informações relevantes de padrões de informações apresentados a ela, dando origem
a uma representação própria do problema.
A forma de aprendizagem de uma RNA pode ser diferenciada por dois tipos
basicamente, o aprendizado supervisionado e o não supervisionado (FLECK et al.,
2016).
No aprendizado supervisionado como o próprio nome sugere é aquele em que
um supervisor externo fornece a RNA a saída desejada em relação a um padrão de
entrada. Dessa forma é possível comparar a saída da RNA com a saída desejada
obtendo o erro referente a resposta atual.
O aprendizado não supervisionado não existe um supervisor acompanhando o
processo de aprendizagem, com isso a RNA tem que por si só procurar algum tipo de
relação ou redundância nos dados de entrada.
4. MATERIAL E MÉTODOS
4.1. BANCO DE DADOS
Incialmente, um banco de dados com imagens foi produzido para treinar a rede
neural, tendo como base, a associação de papéis hidrossensíveis com a imagem da
folha da planta pulverizada.
Para criar o banco de dados está sendo realizadas coletas em lavouras de
milho safrinha (safra 2022/2022), sendo elas localizadas na região do vale do Ivaí,
Paraná. Essas coletas têm como objetivo avaliar a qualidade da pulverização através
de papeis hidrossensível e registrar as imagens da folha das plantas imediatamente
após a pulverização, podendo assim registrar as gotas da pulverização marcadas na
folha.
A primeira coleta em campo foi realizada em uma lavoura no município de São
Pedro do Ivaí, nela foi realizada uma operação de aplicação de inseticida para controle
de Dalbulus Maidis (cigarrinha do milho), o estádio fenológico do milho no momento
da aplicação era V6. A máquina utilizada para a aplicação (figura 1 (A)) foi um trator
Ford 6610 rebocando um pulverizador Jacto com capacidade de 2000 litros de calda,
e 18 metros de barras. As condições climáticas no momento da aplicação foram
registradas por uma estação meteorológica (figura 1 (B)) instalada na lavoura, assim
observou se uma temperatura de 38,7 °C, velocidade do vento de 0,7 m/s, e umidade
relativa do ar de 41%.
(A) (B)

FIGURA 1: Conjunto trator pulverizador (A); Estação meteorológica (B).

 Para realizar a coleta, o papel hidrossensível foi fixado na parte superior da
planta (figura 2 (A)), na sequencia logo após a pulverização dessa planta, foi
registrado uma imagem de uma área recortada da folha (figura 2 (B)), próximo ao
papel hidrossensível. Para padronizar as imagens foi confeccionado uma caixa (figura
2 (C)) com aberturas na lateral para possibilitar entrada de luz, e fixar a câmera do
celular de forma que as folhas de milho fossem posicionadas sempre com a mesma
distância da câmera e com o mesmo fundo de imagem. Posteriormente, esse
processo foi repetido por várias vezes para conseguir as imagens para a composição
do banco de dados.

(A) (B) (C)

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).

Após a obtenção dos dados em campo foi realizado o escaneamento dos

papéis hidrossensível, na sequência foi realizado seu processamento através do
software gotas da Embrapa obtendo assim os parâmetros da aplicação, os parâmetros
utilizados para avaliação da pulverização foi o coeficiente de variação (CV), densidade
de gotas e o diâmetro mediano volumétrico (DMV). O método adotado para fazer a
avaliação da pulverização foi com a elaboração de um algoritmo em linguagem C para
atribuir notas de acordo com os valores dos parâmetros analisados de cada papel
hidrossensível, a nota total da aplicação foi composta pela soma da nota de cada
parâmetro tendo como valor máximo 100 pontos, a nota máxima possível para
densidade de gotas, CV e DMV é de 37,5, 25 e 37,5 respectivamente. Para avaliar o
CV foi divido em quatro classes conforme a tabela 1 (A), que de acordo com (ANSORI,
2015) pulverizações com CV menores do que 15% são considerados adequados, em
relação a densidade e tamanho de gotas para aplicação de inseticidas é recomendado
uma densidade de 50 a 70 gotas/cm2 com tamanho entre 210 e 240 µm (NUNES;
JOSÉ; FREITAS, 2021), nesse sentido foi definido 7 classes com valores abaixo e
acima do recomendado apresentados na tabela 1 (B) e (C). A nota final foi
determinada pela soma da nota de todos parâmetros, posteriormente foi realizado
uma nova classificação para determinar a qualidade da aplicação de cada ponto
amostrado conforme representado na tabela 1 (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

TABELA 1: Parâmetros para determinar qualidade da pulverização.

 Na composição do banco de imagens foi realizado o recorte das imagens
deixando as com dimensão de 1000x1000 pixels e atribuindo a essas imagens a
classificação da pulverização feita pelo algoritmo em linguagem C.

FIGURA 3: Algoritmo de classificação. FIGURA 4: Imagens com seus rótulos.

4.2. REDE NEURAL

Para realizar o treinamento foi implementado a neural profunda desenvolvida
em linguagem python no ambiente online google colab, a biblioteca principal utilizada
foi a pytorch. A rede utilizada foi a Resnet com um banco de dados composto por 77
imagens sendo 80% delas utilizado para o treinamento da rede e os outros 20% para
teste, na validação foi utilizado cerca de 20% das imagens de treino, as imagens de
treino e de teste foram separadas em pastas separadas, nessas pastas foi criado
subpastas com imagens para cada tipo de classe. No treinamento foi determinado um
numero épocas de 100 vezes e uma paciência de 5 épocas no caso de não ter
melhorias, após o treino a rede foi carregada para realizar o teste com novas imagens
na onde foi verificado sua acurácia.
 FIGURA 5: Algoritmo de classificação.

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)

FIGURA 6: Acurácia(A); Perda (B).

 Ao utilizar a rede treinada para classificar algumas imagens foi obtido o acerto
de 6 imagens de um total de 15, apresentando uma acurácia de 40% e precisão de
13% conforme representado na figura (7).

FIGURA 8: Testando a rede treinada.

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.