AGRICULTURA DIGITAL 79 A aplicação de CNN para a identificação de ervas daninhas tem aumentado nos últimos anos. Os investigadores aplicam diferentes CNN, incluindo YOLO (You Only Look Once), VGG (Visual Geometry Group), ResNet (Residual Networks), GoogLeNet (Inception) e MobileNet. Estas CNN destacam-se pela sua eficiência na identificação rápida e exata da presença de ervas daninhas em diferentes culturas. A sua capacidade de processar imagens em tempo real, classificar objetos e extrair caraterísticas relevantes a diferentes escalas é fundamental para o sucesso dos sistemas de monda de precisão, razão pela qual são frequentemente utilizadas. A implementação de CNN envolve uma série de etapas. Em primeiro lugar, é efetuada a preparação dos dados, incluindo a aquisição e a rotulagem das imagens. Em segundo lugar, procede-se à seleção e configuração da CNN, o que implica o ajuste dos hiper-parâmetros do modelo. Em terceiro lugar, é efetuado o treino da CNN, geralmente feito utilizando unidades de processamento gráfico (GPU). Em seguida, na quarta fase, o desempenho do modelo é avaliado utilizando métricas padrão, como a precisão média (mAP) e a matriz de confusão. Finalmente, na quinta fase, o modelo treinado é implementado em aplicações do mundo real para utilização prática. Um exemplo de deteção de quatro tipos de ervas daninhas: Lolium perenne, Sonchus oleraceus, Saolanun nigrum e Poa annua em milho doce (Zea mays L.), desenvolvido pelo Grupo de Investigação Reconhecida - Tecnologias Avançadas Aplicadas ao Desenvolvimento Rural Sustentável (TADRUS) da Escola de Engenharia Agronómica de Palencia da Universidade de Valladolid, é ilustrado nas Figuras 3, 4 e 5. AQUISIÇÃO DE IMAGENS E ETIQUETAGEM Para a aquisição das imagens foi construída uma estrutura móvel de alumínio numa base elevada da estufa automática do campus de La Yutera (Palencia). A estrutura permite um movimento controlado ao longo da base, o que permite uma melhor captura de imagens para o treino da CNN. A estrutura suporta o sistema de visão e o sistema de iluminação (Figura 1). O sistema de visão é constituído por uma câmara reflex Canon 850D com um filtro polarizador circular PL-C 58mm. O sistema de iluminação foi construído com duas lâmpadas LED de luz branca de 6000 K, com filtro polarizador de transmissão: 38% (1,5 f/stop) para evitar o encandeamento das folhas das plantas. As imagens foram obtidas no espaço de cor RGB com uma resolução de 6000x4000 pixéis durante 35 dias, distribuídos desde o momento da emergência da planta (dia 12) até ao final da etapa fenológica de desenvolvimento vegetativo (dia 60), obtendo-se um total de 1.640 imagens. Antes de proceder à etiquetagem das imagens foi efetuada uma seleção prévia das imagens mais adequadas para o treino. As imagens que estavam desfocadas ou em que as plantas eram tão grandes que estavam fora da cena foram descartadas. Como resultado deste processo de seleção foram eliminadas um total de 240 imagens, ficando um conjunto final de 1.400 imagens. Para efetuar a etiquetagem das imagens foi utilizada a ferramenta de código aberto LabelImg. Foram definidas cinco classes de etiquetas, abreviando os nomes das espécies para facilitar a sua gestão: “maíz” para plantas de milho, 'mh1' para Lolium perenne, 'mh2' para Sonchus oleraceus, 'mh3' para Saolanun nigrum e 'mh4' para Poa annua. No total, foram geradas 4.200 etiquetas de caixas delimitadoras para o milho e 10.322 etiquetas para as ervas daninhas. Para o processo de treino, o conjunto de 1.400 imagens foi dividido aleatoriamente em três partes: 70% (980 imagens) para treino, 25% tema de visión y el sistema de iluminación, Figura 1. El sistema de visión se comp una cámara réflex Canon 850D con filtro polarizador circular PL-C 58mm. El siste iluminación se construyó con dos lámparas de luz blanca tipo LED de 6000 K, o polarizador de transmisión: 38 % (1,5 f/stop) para evitar los brillos sobre las ho las plantas. Figura 1. Estructura móvil de adquisición de imágenes s imágenes se tomaron en espacio de color RGB con resolución de 6000x4 eles por 35 días, distribuidos desde el momento de la emergencia de la planta hasta el final de la etapa fenológica del desarrollo vegetativo (día 60) obteniendo Figura 1. Estrutura móvel de aquisição de imagens.
RkJQdWJsaXNoZXIy Njg1MjYx