Sistema para identificação de plantas invasoras em lavouras com detectores de objetos aplicados a imagens e vídeos

Abstract

O constante aumento da demanda por alimentos exige que técnicas inovativas sejam aplicadas à agricultura. Este trabalho apresenta a metodologia de treinamento de um detector de objetos por meio de deep learning e avaliação por meio de métricas referência no campo da visão computacional para a detecção de plantas invasoras em meio a lavouras, com objetivo de ser utilizado em conjunto com um sistema de pulverização seletiva. Os resultados encontrados indicam que o sistema detector proposto com a utilização de modelos YOLO, apresentam AP@0.5 próximos à 0.7 na detecção de ervas daninhas, indicando alto potencial do modelo para este tipo de aplicação. Outro objetivo deste trabalho, a análise da viabilidade de uso dos modelos YOLO com o sistema computacional de baixo custo Raspberry PI 4 (4GB) por meio da velocidade de inferência em arquivos de imagem e vídeo, demonstrou que o Raspberry PI 4 não é adequado para aplicações em tempo real a 30 FPS. Apesar disso, os resultados obtidos demonstram que é possível a utilização do modelo YOLO com Raspberry PI 4 para visão computacional em aplicações onde seja necessário amostrar imagens em menos de um quadro por segundo (1 FPS).

The constant increase in demand for food requires innovative techniques being applied to agriculture. This study presents the methodology of training of an object detector using deep learning and it’s evaluation by reference metrics in the field of computer vision to be used in the detection of weeds located in crop fields, in order to be used in conjunction with a selective spraying system. The results found indicate that the proposed detector system with the use of YOLO models, presents AP@0.5 close to 0.7 in the detection of weeds, indicating the model’s high potential for this type of application. Another objective of this study, the analysis of feasibility of using YOLO models in a low-cost computer system, the Raspberry PI 4 (4GB), by inference speed testing in image and video files, demonstrated that the Raspberry PI 4 is not suitable for real-time applications at 30 FPS. However, the results demonstrate that it is possible to use the Raspberry PI 4 for computer vision applications where it is necessary to sample images in less than one frame per second (1 FPS).