Segmentação de plantações de soja para detecção de ervas daninha em dispositivos embarcados

Abstract

Uma das etapas mais importantes para o plantio de algum alimento é a sua fase de desenvolvimento. Nessa etapa é preciso garantir que as plantas estejam saudáveis para que se possa extrair o máximo proveito do grão usado no plantio. Durante essa etapa é feito o uso de agrotóxicos/inseticidas para evitar que alguma praga atinja a plantação. Essa aplicação é feita em toda a área de plantio, já que a aplicação localizada do produto poderia acabar levando dias ou semanas, dado o fato que precisaria ser feito manualmente e mesmo assim poderia não ser bem aplicado. Um grande problema que surge com esse método de aplicação de agrotóxico, é que o uso desse tipo de produto em plantas pode causar intoxicação ou gerar certas alergias, além de ser muito custoso para os fazendeiros. Dado isso, o objetivo do trabalho foi o desenvolvimento de um modelo de Machine Learning, capaz de reconhecer e segmentar em N classes distintas uma imagem capturada em tempo real; o modelo em questão escolhido foi o pix2pix, um modelo baseado em GAN capaz de produzir segmentações com alta acurácia. Foram criados dois modelos para os experimentos, o primeiro seria a pix2pix original e o segundo seria uma versão modificada focada em aumentar a performance em termos de tempo de processamento. Os experimentos foram executados usando uma arquitetura ARM da família Jetson da Nvidia conhecida como nano, fornecida pela empresa Accore. Ao fim, apresentamos os resultados coletados dos experimentos em termos de acurácia e FPS para estimar a performance do nosso modelo. O presente trabalho obteve resultados de mais de 60% de acurácia, tendo em vista as limitações de dataset, ao passo que conseguimos ter uma taxa de FPS similar entre abordagens mais simples de detecção de instâncias.

One of the most important stages in planting any crop is its development phase. During this stage, it is crucial to ensure that the plants are healthy in order to extract the maximum benefit from the seeds used for planting. Agrochemicals/insecticides are used during this stage to prevent any pests from affecting the crop. This application is carried out across the entire planting area, as localized application of the product could take days or weeks, given that it would need to be done manually and might still not be applied effectively. One major problem that arises with this method of pesticide application in plants is that it can lead to poisoning or trigger certain allergies, in addition to being very costly for farmers. Given this, the objective of the study was to develop a Machine Learning model capable of recognizing and segmenting an image captured in real-time into N distinct classes. The chosen model for this purpose was pix2pix, a GAN-based model capable of producing highly accurate segmentations. Two models were created for the experiments, the first being the original pix2pix, and the second being a modified version focused on improving processing time performance. The experiments were conducted using an ARM architecture from Nvidia’s Jetson family known as the Nano, provided by the Accore company. In the end, we presented the results collected from the experiments in terms of accuracy and FPS to estimate the performance of our model. The present work achieved results of over 60% accuracy, considering the limitations of the dataset, while also maintaining a similar FPS rate compared to simpler instance detection approaches.