Rede neural convulocional no controle da pulverização seletiva em citrus

Abstract

Tendo em vista a importância da citricultura para a balança comercial do Brasil e seus atuais desafios, o presente trabalho busca desenvolver um sistema de pulverização seletiva. Esse sistema utiliza redes neurais convolucionais de aprendizado profundo para identificar, em tempo real, se há ou não plantas nos pomares, ativando o sistema de pulverização somente onde for necessário a aplicação. A proposta é reduzir o uso de defensivos agrícolas e preservar recursos naturais como a água. O desenvolvimento foi dividido em três fases principais. Na primeira fase, foi realizado um estudo preliminar utilizando algoritmos de visão computacional para a detecção de padrões. Na segunda fase, foram desenvolvidas e testadas redes neurais convolucionais personalizadas. Na última fase, a abordagem mais vantajosa foi definida como uma CNN com modelo pré-treinado, especificamente o modelo VGG16, que foi adaptado para identificar com precisão a presença ou ausência de plantas cítricas, usando técnicas de machine learning e aprendizado supervisionado. Os resultados principais indicam que o sistema conseguiu detectar as duas classes, presença ou ausência de plantas, com alta taxa de precisão, acionando a pulverização apenas onde há plantas. Em conclusão, o sistema proposto mostrou ter potencial para aplicação prática no campo, oferecendo uma proposta eficiente e sustentável que contribui para o uso otimizado de defensivos e preservação de recursos hídricos.

The citrus industry plays a vital role in Brazil's trade balance, yet it faces numerous challenges. This study aims to develop a selective spraying system using deep learning-based convolutional neural networks to identify, in real time, the presence or absence of plants in orchards. The system activates the spraying mechanism only where application is needed. This approach seeks to reduce the use of agricultural pesticides and conserve natural resources such as water. The development process was divided into three main phases. In the first phase, a preliminary study was conducted using computer vision algorithms to detect patterns. In the second phase, customized convolutional neural networks were developed and tested. In the final phase, the most advantageous approach was established as a CNN with a pre-trained model, specifically the VGG16 model, adapted to accurately identify the presence or absence of citrus plants using machine learning and supervised learning techniques. The main results indicate that the system successfully detected the two classes, presence or absence of plants, with a high level of accuracy, activating the spraying system only where plants are present. In conclusion, the proposed system demonstrated potential for practical field applications, offering an efficient and sustainable solution that contributes to optimized pesticide usage and water resource conservation.