Visão Computacional na Agricultura: Utilização, Desafios e Oportunidades

 

Fonte: AgroPlanning

Utilização

Em uma definição simples e abrangente, visão computacional é o campo da inteligência artificial dedicado à extração de informações a partir de imagens digitais. No contexto da agricultura digital, a visão computacional pode ser empregada na detecção de doenças e pragas, na estimação de safra e na avaliação não invasiva de atributos como qualidade, aparência e volume, além de ser componente essencial em sistemas robóticos agrícolas. Segundo Duckett et al. (2018), a robótica de campo deve viabilizar uma nova gama de equipamentos agrícolas: máquinas pequenas e inteligentes capazes de reduzir desperdício e impacto ambiental e proporcionar viabilidade econômica, aumentando assim a sustentabilidade dos alimentos. Ainda segundo Duckett et al. (2018), há um potencial considerável no aumento da janela de oportunidades para intervenções, por exemplo, em operação em solos úmidos, operação noturna e monitoramento constante da lavoura.

Na pesquisa agropecuária, há um número crescente de aplicações de visão computacional. Considere como exemplo o periódico Computers and Electronics in Agriculture, especializado em novas aplicações de software, hardware e eletrônica na agricultura. Uma busca por artigos relacionados à visão computacional revela que 23,7% de todos os trabalhos publicados em 2018 são associados ao tema, subindo para 29,1% em 2019. De janeiro a junho de 2020, 115 dos 319 trabalhos (36,0%) publicados são associados à visão computacional. Tal volume de artigos também se traduz em impacto: dos 25 trabalhos mais citados até junho de 2020, 14 são aplicações de visão computacional. Alguns fatores simples explicam esse crescimento. Câmeras digitais são dispositivos acessíveis e largamente disponíveis em diversas configurações, facilmente integráveis a sistemas maiores (como smartphones e VANTs). Avanços em algoritmos e hardware surgidos nos últimos dez anos viabilizaram o atual vigor da área.

 

Desafios

Uma classe de desafios abordados pela visão computacional são os problemas ditos perceptuais: a detecção e a classificação de padrões, nas imagens, que são associados a um objeto de interesse, como frutos (Sa et al., 2016; Santos et al., 2020), animais (Barbedo et al., 2019) ou sintomas de doenças e pragas (Ferentinos, 2018; Barbedo, 2019). A partir de imagens capturadas por equipes de campo ou obtidas por câmeras acopladas em tratores, implementos, robôs ou drones, um monitoramento constante e eficiente pode ser realizado: a busca por anomalias na cultura ou na criação; a avaliação de variabilidade espacial da cultura para intervenção, segundo os preceitos da agricultura de precisão; e a atuação autônoma por máquinas e implementos. O reconhecimento de padrões pode ser visto como a tarefa de encontrar uma representação para o padrão procurado que seja versátil, de modo a cobrir as variações observáveis, mas simples o suficiente para ser processada em tempo hábil pela máquina. Em outras palavras, trata-se de uma descrição do padrão suficiente para permitir que a máquina o encontre nos dados de entrada, porém sucinta de modo que sua interpretação seja realizada dentro de restrições de tempo de operação.

Outra classe de desafios são os geométricos. Na formação de uma imagem, a luz captada pelas lentes é projetada em uma superfície, de modo que a cena tridimensional produz uma representação 2-D. Muito da estrutura da cena encontra-se na imagem, mas a informação de profundidade (a distância entre a câmera e os objetos em cena) é perdida. Uma das maiores contribuições da visão computacional geométrica foi o desenvolvimento de algoritmos capazes de recuperar a informação tridimensional perdida, a partir de um conjunto de imagens da mesma cena. Essa é uma das aplicações de visão computacional mais extensivamente utilizadas comercialmente na atualidade: o mapeamento tridimensional e a produção de mapas a partir de imagens obtidas por Veículos Autônomos Não Tripulados (VANTs – popularmente conhecidos como drones). Metodologias baseadas em visão computacional geométrica têm sido empregadas em estudos geológicos (Westoby et al., 2012), na avaliação de altura de pastagens (Forsmoo et al., 2018) e no mapeamento de culturas (Comba et al., 2018), entre outros usos. Comercialmente, é a tecnologia principal por trás de serviços de mapeamento e reconstrução 3-D por VANTs extensivamente utilizados na agricultura, como o Pix4D mapper e o Agisoft PhotoScan/Metashape.

 

Oportunidades

A visão computacional tem um enorme potencial de aplicação no âmbito da agricultura digital. Diversos produtos e serviços baseados em componentes de visão computacional devem chegar aos produtores nos próximos anos. Contudo, muitos desafios ainda dependem de esforços de pesquisa e desenvolvimento.

Um grande gargalo é a necessidade de enormes bases de dados para o treinamento de redes neurais para tarefas perceptuais. Pesquisas na área de aprendizado semisupervisionado e não supervisionado vêm sendo conduzidas pela comunidade de visão computacional. A ideia é poder aprender padrões de interesse com poucos exemplos e obter sistemas de boa acurácia na detecção de padrões como frutos, sintomas e animais.

Na robótica, o desafio segue sendo o desenvolvimento de sistemas robustos, capazes de operar em campo por longos períodos com autonomia, mas que sejam seguros para pessoas e animais em circulação. Esses sistemas precisam mapear o ambiente rapidamente, responder prontamente, encontrar de forma acurada os objetos a serem monitorados e executar as intervenções para as quais foram designados. Apesar dos imensos desafios, as comunidades de visão computacional e robótica obtiveram grandes avanços nos últimos anos, que devem se refletir em breve em diversas aplicações agrícolas, do monitoramento à atuação.

 

Leitura Complementar: Literatura Recomendada

 

Referências:

BARBEDO, J. G. A.; KOENIGKAN, L. V.; SANTOS, T. T.; SANTOS, P. M. A study on the detection of cattle in UAV images using deep learning. Sensors, v. 19, n. 24, article number 5436, 2019. Disponível em: < https://www.mdpi.com/1424-8220/19/24/5436 >. Acesso em: 17 jan. 2022.

COMBA, L.; BIGLIA, A.; AIMONINO, D. R.; GAY, P. Unsupervised detection of vineyards by 3D point-cloud UAV photogrammetry for precision agriculture. Computers and Electronics in Agriculture, v. 155, p. 84-95, 2018. Disponível em: < https://www.sciencedirect.com/science/article/abs/pii/S0168169917315491?via%3Dihub >. Acesso em: 17 jan. 2022.

DUCKETT, T.; PEARSON, S.; BLACKMORE, S.; GRIEVE, B. Agricultural robotics: the future of robotic agriculture. UK-RAS Network, 2018. Disponível em: < https://www.ukras.org/publications/white-papers/agricultural-robotics/ >. Acesso em: 17 jan. 2022.

FERENTINOS, K. P. Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, v. 145, p. 311-318, 2018. Disponível em: < https://www.sciencedirect.com/science/article/abs/pii/S0168169917311742?via%3Dihub >. Acesso em: 17 jan. 2022.

FORSMOO, J.; ANDERSON, K.; MACLEOD, C. J. A.; WILKINSON, M. E.; BRAZIER, R. Drone‐based structure‐from‐motion photogrammetry captures grassland sward height variability. Journal of Applied Ecology, v. 55, n. 6, p. 2587-2599, 2018. Disponível em: < https://besjournals.onlinelibrary.wiley.com/doi/10.1111/1365-2664.13148 >. Acesso em: 17 jan. 2022.

SA, I.; GE, Z.; DAYOUB, F.; UPCROFT, B.; PEREZ, T.; MCCOOL, C. DeepFruits: a fruit detection system using deep neural networks. Sensors, v. 16, n. 8, p. 1222, 2016. Disponível em: < https://www.mdpi.com/1424-8220/16/8/1222 >. Acesso em: 17 jan. 2022.

SANTOS, T. T.; SOUZA, L. L. de; SANTOS, A. A. dos; AVILA, S. Grape detection, segmentation, and tracking using deep neural networks and three-dimensional association. Computers and Electronics in Agriculture, v. 170, article 105247, p. 1-17, 2020. Disponível em: < https://www.sciencedirect.com/science/article/abs/pii/S0168169919315765?via%3Dihub >. Acesso em: 17 jan. 2022.

WESTOBY, M.; BRASINGTON, J.; GLASSERA, N. F.; HAMBREY, M. J.; REYNOLDS, J. M. ‘Structurefrom-Motion’ photogrammetry: a low-cost, effective tool for geoscience applications. Geomorphology, v. 179, p. 300-314, 2012. Disponível em: < https://www.sciencedirect.com/science/article/pii/S0169555X12004217?via%3Dihub  >. Acesso em: 17 jan. 2022.