Detecção e contagem de culturas utilizando técnicas de redes neurais convolucionais (CNNs)

Abstract

O crescimento da agricultura de precisão, impulsionado pelo uso de Aeronaves Remotamente Pilotadas (ARP), gera dados cuja análise manual para inventário e monitoramento de culturas é onerosa, demorada e subjetiva. Este trabalho propõe o desenvolvimento e a avaliação de um método automatizado para a detecção, contagem e análise do vigor de videiras, utilizando Redes Neurais Convolucionais (CNN). O referencial teórico de Silva (2017), que validou o uso de CNNs para a contagem de eucaliptos, foi adaptado e aplicado na estrutura de um pomar de laranjas. Diante disso, a partir de ortomosaicos georreferenciados gerados com imagens de ARP, foram calculados os Normalized Difference Vegetation Index (NDVI) e o Green Normalized Difference Vegetation (GNDVI) para analisar o vigor e a saúde das plantas detectadas. O fluxo de trabalho envolveu o planejamento e execução de voos com ARP para a captura de imagens de alta resolução, a criação de um dataset específico para o treinamento e validação dos modelos de rede neural e o desenvolvimento do algoritmo de detecção em ambiente Visual Studio Code (VSCode). Obteve-se como resultado um modelo capaz de contar e inserir os índices de vegetação referente a cada planta. Em consoante, produziu-se um produto cartográfico que representa não apenas a quantidade, mas também a distribuição espacial do vigor da cultura, oferecendo um subsídio mais completo para a tomada de decisão no campo. O trabalho validou uma abordagem integrada que une técnicas de inteligência artificial e geotecnologias para o monitoramento agrícola. O ortomosaico foi produzido com base em métodos padrões de fotogrametria digital, garantindo coerência geométrica e radiométrica para posterior análise das culturas. Os resultados foram analisados conforme métricas utilizadas quando se trabalha com algoritmos de machine learning e deep learning.

The growth of precision agriculture, driven by the use of Remotely Piloted Aircraft (RPA), has generated large volumes of data whose manual analysis for crop inventory and monitoring is costly, time-consuming, and subjective. This study proposes the development and evaluation of an automated method for the detection, counting, and vigor analysis of grapevines using Convolutional Neural Networks (CNNs). The theoretical framework established by Silva (2017), which validated the use of CNNs for eucalyptus tree counting, was adapted and applied to the structural context of an orange orchard. Accordingly, based on georeferenced orthomosaics generated from RPA imagery, the Normalized Difference Vegetation Index (NDVI) and the Green Normalized Difference Vegetation Index (GNDVI) were computed to assess the vigor and health status of the detected plants. The workflow involved the planning and execution of RPA flights to acquire high-resolution imagery, the creation of a dedicated dataset for training and validating the neural network models, and the development of the detection algorithm in the Visual Studio Code (VS Code) environment. As a result, a model capable of counting plants and assigning vegetation indices to each individual plant was obtained. In parallel, a cartographic product was generated that represents not only plant quantity but also the spatial distribution of crop vigor, providing more comprehensive support for field-level decision-making. The study validated an integrated approach that combines artificial intelligence techniques and geotechnologies for agricultural monitoring. The orthomosaic was produced based on standard digital photogrammetry methods, ensuring geometric and radiometric consistency for subsequent crop analysis. The results were evaluated using metrics commonly employed in machine learning and deep learning algorithms.