Fonte: Growing Produce

Muitos leitores podem estar se perguntando como a IA pode dar uma contribuição significativa para a agricultura. Ou será a IA apenas mais um exemplo de tecnologias emergentes que nunca proporcionam benefícios rentáveis?

Você deve se lembrar do entusiasmo inicial em torno do potencial da IA ​​para detectar objetos em imagens de satélites, drones ou telefones celulares. Apesar das promessas promissoras de que reduz custos e tempo ao identificar impactos de pragas, doenças ou problemas de irrigação, poucas aplicações custo-efetivas surgiram como práticas padrão generalizadas.

Isso está mudando. Hoje, a análise de imagens com IA é, de fato, útil para culturas agrícolas especializadas. Os desenvolvedores estão aprendendo como levar as tecnologias do laboratório para o campo. Pense na visão computacional que detecta ervas daninhas para capinadores robóticos e conta plantas para desbaste robótico.

Estas aplicações fazem sentido do ponto de vista econômico face ao aumento dos custos e à escassez de mão-de-obra. À medida que os produtores enfrentam pressões adicionais decorrentes de regulamentações cada vez mais rigorosas, custos crescentes de insumos e demandas dos compradores por produtos cultivados de acordo com as diretrizes sobre sustentabilidade, aplicações adicionais de IA certamente surgirão, desde que ajudem os produtores a economizar tempo ou dinheiro, ou os ajudem a cumprir as regulamentações, ou demandas do comprador.

Nossa equipe trabalhou com mais uma aplicação dessa tecnologia. Utilizamos imagens aéreas e IA para demonstrar o valor potencial da medição da perda pós-colheita em campos de batata-doce para um projeto que está sendo encerrado na Carolina do Norte.

Um drone coletou imagens de alta resolução imediatamente após a colheita, e algoritmos de IA analisaram as imagens para detectar batatas-doces parcialmente enterradas ou na superfície.

Os resultados foram promissores. A IA detectou a maior parte das batatas-doces não colhidas, fornecendo uma medida da eficiência global da produção do campo – quanto da cultura plantada foi de facto colhida e vendida.

Como funciona

O desenvolvimento do algoritmo levou tempo. Imagens de todos os tipos de condições em campos previamente colhidos “treinaram” a IA para “ver” e contar apenas batatas-doces e excluir pedras, vinhas, torrões de solo, pegadas e pegadas de baldes. Tudo isso pode se parecer surpreendentemente com uma batata-doce.

Utilizamos dois filtros para diferenciar a batata-doce:

RGB (vermelho-verde-azul) e NIR (infravermelho próximo). Cada filtro tem pontos fortes e fracos, por isso precisávamos de ambos. A umidade do solo influencia os resultados, pois esses filtros percebem a umidade da batata-doce. Com solo úmido, a batata-doce é mais difícil de notar.

Para a próxima etapa de treinamento, rotulamos as imagens filtradas com caixas delimitadoras ao redor de cada batata-doce e, em seguida, fizemos com que o software usando segmentação identificasse a batata-doce dentro dessa caixa. Só então poderemos estimar o tamanho e o valor económico da colheita restante. Depois que o algoritmo é treinado, a análise de uma imagem leva menos de um minuto.

Existem muitas razões pelas quais cultivamos culturas até à maturidade, mas não as vendemos – tamanho, qualidade, danos provocados por pragas e condições de mercado que podem não justificar os custos de colheita. Mas ainda vale a pena rastrear o que ficou para trás. O velho ditado de “o que é medido é gerido” pode orientar o planeamento de culturas futuras e a tomada de decisões a meio da época.

Você também pode usar essa abordagem depois que as batatas-doces forem viradas antes da colheita. Isso permite comparar como as perdas afetam o rendimento final, fornecendo insights sobre a eficiência geral da produção.

Sensores em campo podem fornecer informações adicionais. Atualmente, qualquer pessoa que entra em campo com seu dispositivo móvel tem o potencial de coletar detalhes sobre a produção na forma de fotos geoposicionadas, notas e conexões com sensores adicionais.

O algoritmo de IA precisava de dois filtros para detectar a batata-doce. Observe o que você pode ver e o que não pode ver entre essas duas seções de campo diferentes.

À medida que a quantidade de dados relacionados com a produção aumenta, os algoritmos de IA irão, sem dúvida, ajudar a entendê-los – para analisar melhor as causas e as soluções para os fatores típicos de perda de produção.

Com o ritmo acelerado dos avanços da IA, a medida em que ajudarão a responder às necessidades prementes dos produtores dependerá da eficácia com que podem ser aplicados no ambiente complexo e real de uma exploração agrícola de produção. As tecnologias que emergem como práticas padrão terão, sem dúvida, sido desenvolvidas em estreita colaboração com as equipas de produção que as utilizam.

Projetos como o da Carolina do Norte ajudam a indústria a recolher e analisar informações sobre os fatores que afetam a produção e têm o potencial de tornar a cadeia de abastecimento mais eficiente, menos suscetível a perdas no campo e, em última análise, mais resiliente e estável para o futuro.