Visão computacional na detecção de plantas de eucalipto recém transplantadas

Abstract

A presente tese aborda o desenvolvimento e aplicação de modelos de inteligência artificial para a detecção de mudas de eucalipto, com o objetivo de aprimorar a automação da irrigação e a eficiência no manejo dessas plantações. A pesquisa foi estruturada em três capítulos, cada um focando em diferentes aspectos do desenvolvimento e avaliação de modelos de detecção de mudas de eucalipto para aplicações em automação agrícola. No Capítulo 1, foi desenvolvido um sistema automático para a detecção de plantas de eucalipto utilizando redes neurais YOLOv8 e YOLOv5. Dois modelos de detecção em tempo real foram construídos e treinados com base em imagens obtidas em campo. O desempenho dos modelos foi comparado por meio de métricas como precisão, recall, mAP50 e mAP50-95. Os resultados mostraram que ambos os modelos foram eficazes na detecção de mudas de eucalipto, com o YOLOv8 apresentando uma precisão média de detecção de 0,958 e um recall médio de 0,935, enquanto o YOLOv5 apresentou uma precisão média de 0,951 e um recall médio de 0,944. Esses modelos podem ser utilizados como ferramentas de apoio na automação da irrigação localizada, contribuindo para a otimização dos processos e redução de custos. No Capítulo 2, foi proposto o uso de técnicas de inteligência artificial para detectar sintomas de estresse hídrico em plantas jovens de eucalipto sob condições de campo. Modelos baseados nas redes neurais YOLOv5 e YOLOv8 foram desenvolvidos e avaliados por meio de métricas de precisão, recall, mAP50, mAP50-95 e índice de confiança. Os modelos apresentaram elevado índice de confiança na detecção de plantas com e sem estresse hídrico, tanto em imagens quanto em vídeos. Os resultados indicaram um alto potencial para a automação da irrigação localizada, permitindo o controle da aplicação de água em taxa variada e em tempo real. No Capítulo 3 foi desenvolvido um modelo de detecção em tempo real utilizando YOLOv5, com base em imagens de vistas superiores de plantas jovens de eucalipto. Diferentemente do modelo descrito no Capítulo 1, que utilizou um conjunto de imagens mais restrito, o modelo do Capítulo 3 foi treinado com um volume expressivamente maior de dados, totalizando 13.750 imagens, proporcionando maior robustez e precisão na detecção. Além disso, esse modelo foi otimizado para consumir menos recursos computacionais, permitindo uma execução mais eficiente em dispositivos com capacidades limitadas. Essa versão otimizada foi implementada em uma NVIDIA Jetson Nano, que foi posteriormente instalada em uma plataforma robótica para realizar a detecção em tempo real. A implementação demonstrou resultados promissores, com uma precisão de 91%, recall de 100% e F1-score de 0,95, apresentando uma velocidade média de inferência de 46,49 milissegundos e uma taxa de captura média de 2,73 FPS. Embora um hardware mais potente possa aumentar a eficiência operacional, os resultados indicam que o modelo é capaz de detectar mudas de eucalipto em tempo real, demonstrando seu potencial para aplicações futuras na automação agrícola. Dessa forma, esta tese contribui para o avanço de modelos de detecção em tempo real, oferecendo uma base sólida para o desenvolvimento de sistemas embarcados que possam integrar a identificação das mudas a processos automatizados de manejo agrícola. Palavras-chave: detecção em tempo real; automação da irrigação; inteligência artificialThis thesis addresses the development and application of artificial intelligence models for the detection of eucalyptus seedlings, aiming to enhance irrigation automation and efficiency in the management of these plantations. The research was structured into three chapters, each focusing on different aspects of the development and evaluation of eucalyptus seedling detection models for applications in agricultural automation. In Chapter 1, an automatic system was developed for the detection of eucalyptus plants using YOLOv8 and YOLOv5 neural networks. Two real-time detection models were built and trained based on field-acquired images. The performance of the models was compared using metrics such as precision, recall, mAP50, and mAP50-95. The results showed that both models were effective in detecting eucalyptus seedlings, with YOLOv8 achieving an average detection precision of 0.958 and an average recall of 0.935, while YOLOv5 achieved an average detection precision of 0.951 and an average recall of 0.944. These models can be used as support tools in the automation of localized irrigation, contributing to process optimization and cost reduction. In Chapter 2, the use of artificial intelligence techniques was proposed to detect symptoms of water stress in young eucalyptus plants under field conditions. Models based on the YOLOv5 and YOLOv8 neural networks were developed and evaluated using precision, recall, mAP50, mAP50-95, and confidence index metrics. The models presented a high confidence index in detecting plants with and without water stress, both in images and videos. The results indicated a high potential for localized irrigation automation, allowing for real-time, variable-rate water application control. In Chapter 3, a real-time detection model using YOLOv5 was developed, based on images captured from top views of young eucalyptus plants. Unlike the model described in Chapter 1, which used a more limited set of images, the model in Chapter 3 was trained with a significantly larger dataset, totaling 13,750 images, providing greater robustness and accuracy in detection. Additionally, this model was optimized to consume fewer computational resources, allowing for more efficient execution on devices with limited capabilities. This optimized version was implemented on an NVIDIA Jetson Nano, which was subsequently installed on a robotic platform to perform real-time detection. The implementation demonstrated promising results, with an accuracy of 91%, a recall of 100%, and an F1-score of 0.95, achieving an average inference speed of 46.49 milliseconds and an average capture rate of 2.73 FPS. Although more powerful hardware could enhance operational efficiency, the results indicate that the model is capable of detecting eucalyptus seedlings in real time, demonstrating its potential for future applications in agricultural automation. Thus, this thesis contributes to the advancement of real-time detection models, providing a solid foundation for the development of embedded systems that can integrate seedling identification into automated agricultural management processes. Keywords: real-time detection; irrigation automation; artificial intelligence