Apesar de não ter sido concebido com vistas à performance, é importante mensurar a velocidade com que é realizada a análise. Para utilização em sistemas embarcados, é importante que a execução seja rápida e consistente com os tempos de resposta esperados à aplicação.
Uma possível utilização embarcada é a do acoplamento de um sistema de captura e análise de ima-gens a um pulverizador. Durante a pulverização, poder-se-ia determinar o grau de infestação da mancha-bacteriana para determinação da dosagem de químico apropriada a cada local
Com tempos de resposta de 3.90 segundos de média, a análise permitiria, considerando-se que as velocidades médias de operação de pulverizadores raramente excedem os 15 quilômetros horários, um
0 2 4 6 8 0
10 20 30 40
Númerodeimagens
Figura 3.6: Distribuição do tempo, em segundos, gasto na análise das imagens
mapeamento com resolução espacial de 16 metros. Por ser facilmente paralelizável, no entanto, a análise pode fazer uso de sistemas multi-processados e reduzir o tempo efetivo de análise em ordem direta ao número de unidades de processamento.
0.5 0 0.5 1 0
5 10 15 ·103
Intensidade
Númerodepixels
La b
0.5 0 0.5 1
0 5 10
·103
Intensidade
Númerodepixels
La b
0.5 0 0.5 1
0 5 10
·103
Intensidade
Númerodepixels
La b
Número da imagem 68 Regiões saudáveis 44%
Regiões não saudáv. 53%
Sem classificação 3%
Nota do processo 3.2 Nota dos técnicos 4.0±0.66
12 77%
13%
11%
1.6 1.7±0.37
131 81%
1%
18%
1 1.1±0.17
Figura 3.7: De cima para baixo: Imagem original, Máscara de classificação, Histograma de cada canal do espaçoLab, e resultado sumarizado da classificação. As imagens foram amostradas de modo a abranger toda a gama de possíveis classificações
Capítulo 4
Conclusões
A agricultura, para ser viável, deve fazer uso de práticas que aliem o retorno financeiro a procedimentos socialmente aceitável. De outra forma, os prejuízos ecológicos, em vista do uso de práticas nocivas ao meio ambiente, são inevitáveis. Ficou evidente, ao longo do tempo, ser imprescindível se preocupar com a deterioração global do clima, a poluição da água e o uso excessivo de químicos. Ou seja, a agronomia deve ser sustentável.
Nesse sentido, a agricultura de precisão (AP) possui ferramentas aprimoradas de gerência de uso de fertilizantes ou pesticidas em um sistema produtivo agronômico, permitindo o uso localizado e controlado desses recursos, de forma a trabalhar pelo potencial equilíbrio ecológico da plantação. Por meio da AP, espera-se diminuir os prejuízos causados pela agricultura aos sistemas naturais. No entanto, o desenvol-vimento de sistemas que apoiem a tomada de decisões ainda é um grande empecilho à sua adoção (MC-BRATNEY et al., 2005), ainda que a mecanização desse gerenciamento seja essencial à sustentabilidade a longo prazo na produção agrícola.
A avaliação do estado de contaminação de uma planta é uma etapa fundamental à automação na agri-cultura. A dosagem de pesticidas e fertilizantes, por exemplo, depende diretamente dessa análise, e, quanto maior sua precisão, menores seus efeitos colaterais, como a contaminação do solo. No entanto, por ser ta-refa complexa e dependente de conhecimentos específicos, é geralmente cara e demorada, utilizada apenas em grandes áreas.
No Brasil, a produção agrícola é variada e em larga escala. Para o desenvolvimento do presente traba-lho, no entanto, focalizou-se a cultura do tomate industrial, que foi implantada no País no início do século XX, aumentando sobremaneira entre os anos 1973 e 1975, quando a produção chegou a 640 mil tonela-das. Em 2002, a produção de tomate industrial teve uma produtividade média de 70 toneladas por hectare, chegando em 2008 a uma produção total de 1,5 milhão de tonelada.
Entretanto, o tomate, em virtude de sua perecibilidade, é um fruto muito contaminado por resíduos tóxicos, os quais acabam na mesa do consumidor. Ainda, a maior incidência de intoxicação ocorre entre os que trabalham diretamente com os defensivos agrícolas, seja pela falta de cuidados e equipamentos de proteção, seja pelo equivocado descarte das embalagens tóxicas.
Considerando os objetivos da AP, este trabalho desenvolveu um processo automático de avaliação do
grau de saúde de uma planta de tomate industrial por meio de uma imagem digital do espécime em campo.
Utilizando um agregado de técnicas de processamento de imagens, o sistema mostrou-se capaz de fornecer análises confiáveis, de maneira consistente e rápida.
O processo, consolidado em um software, visa diminuir os custos operacionais da análise necessária à aplicação da AP, ampliando a possibilidade de utilização das metodologias que promovam a agricultura sustentável, como a dosagem de fertilizantes e defensivos, em plantações de maior ou menor escala. Em aplicações que já adotam tais técnicas, a maior velocidade e precisão propiciam maior sofisticação dos métodos utilizados, com o consequente aumento de produtividade e eficiência.
Por objetivar a automação, e não a criação, de um processo de avaliação da qualidade de uma espécime e tomate em campo, este trabalho baseou-se na metodologia apresentada por Nascimento et al. (2013), em que foram realizados dois ensaios, compostos pela inoculação de fitopatógenos seguida de tratamento e avaliação da produtividade e severidade da doença nas folhas e frutos. O processo de avaliação quan-tificou, em uma imagem digital, a proporção entre regiões indicativas de uma planta saudável e regiões indicativas de uma planta doente, considerando o grau dessa razão como diretamente proporcional ao grau de incidência da doença na planta.
No trabalho citado, foram utilizados dois híbridos de tomate industrial, denominados Hypeel 108 e U2006, e dez tipos de tratamento químico. As linhas de plantio foram subdivididas em blocos ao acaso, separadas de acordo com o tratamento utilizado e o cultivar, com 3 repetições para cada combinação des-ses dois parâmetros. As imagens foram adquiridas após inoculação, tratamento e transplante da muda ao campo. O fotógrafo obteve as imagens a uma altura de 1,80m da copa, com um ponto de vista majorita-riamente vertical. Uma moldura branca foi utilizada como referência entre fotos e como um indicador de alvo, para restringir a linha de plantio. Para cada bloco foram coletadas 3 fotos de posições contíguas.
Por fim, as fotos foram avaliadas por sete técnicos da área de acordo com uma escala pré-definida. As notas das imagens foram progressivamente agregadas, compondo as notas do grupo ao qual pertenciam, até que se obtivesse a nota final do tratamento.
O processo automatizado, por sua vez, consistiu em quantificar a proporção entre pixels indicativos de uma planta saudável e pixels indicativos de uma planta doente, com o grau de incidência da doença determinado a partir dessa razão. Após a determinação do processo de aquisição da imagem, da definição de uma região saudável ou doente e da relação do grau de incidência com as métricas calculadas, e consi-derando a impossibilidade de controlar fatores como iluminação uniforme e tolerâncias estreitas quanto ao posicionamento das imagens, foi necessário incluir etapas de padronização para as imagens adquiridas.
A determinação do que são regiões saudáveis e doentes da imagem e sua relação com o grau de in-cidência da doença foram elaborados integralmente, a partir de características da cor, forma e textura da imagem, classificando um pixel da imagem como saudável, doente ou não-classificado. Apesar de fornecer resultados consistentes com os da metodologia-base, o modelo possui parâmetros que permitiram alterar a interpretação das características presentes na imagem e, consequentemente, a quantificação da incidência de doença.
O processo completo é composto, em essência, pela Aquisição da imagem, Pré-processamento, Clas-sificação e Avaliação.
As imagens utilizadas por Nascimento et al. (2013) e disponibilizadas pelo autor foram submetidas a uma correção gamma, a uma conversão para o espaço de cor Lab, a um redimensionamento e a um corte.
Em seguida, as imagens pré-processadas tiveram cada um de seus pixels classificados como representativos de uma região saudável ou não saudável da planta. Para isso, passaram por um agrupamento tonal, uma classificação e uma filtragem. Finalmente, foi feita a avaliação.
A confecção do software resultante deste trabalho considerou o perfil provável de seus usuários, ou seja, pessoas com diferentes graus de familiaridade tecnológica. Considerou ainda que as condições normais de utilização do programa se darão sem supervisão ou suporte facilmente acessível, haja vista seu uso por técnicos agrários diretamente no campo.
Assim, o software teve como princípios de elaboração a simplicidade, a tolerância a erros e a auto-descrição, com a sugestão de um fluxo de trabalho ideal, a co-localização de elementos relacionados, o estímulo à exploração dos parâmetros e a descrição explícita dos elementos, com o detalhamento de seu uso no contexto da análise.
Com uma interface estruturada em abas, o programa sugere o fluxo de trabalho ideal. O usuário, entretanto, pode acessar qualquer aba a qualquer instante. Para tornar a utilização intuitiva, elementos similares encontram-se em posições próximas, e o usuário tem retorno imediato das alterações que realiza.
Além disso, qualquer erro pode ser corrigido com o retorno às condições iniciais sem dificuldade.
Finalizados os ajustes, o usuário pressiona o botão de início e o software realiza a análise das imagens, sendo o resultado registrado no diretório de saída sob a forma de um arquivo de imagem e um arquivo de dados, este contendo os valores calculados das coberturas relativas de cada classe.
O processo, a fim de ser comparado à avaliação de técnicos da área, foi aplicado às 179 imagens do banco de imagens fornecido por Nascimento et al. (2013). Os parâmetros utilizados para a análise, discriminados na tabela 3.1, foram determinados como os padrões do sistema.
Mesmo que os histogramas individuais dos canais não apresentem qualquer forma de relação simples entre a distribuição dos valores do canal e a quantidade de área foliar estimada, obteve-se grande concor-dância com os resultados obtidos pela metodologia-base. O tempo médio de análise de cada imagem, no entanto, foi de 3.89 segundos, totalizando alguns minutos para a completa análise do banco de imagens, exemplificando uma das vantagens da AP.
Haja vista a grande quantidade de parâmetros a serem explorados, o desenvolvimento do processo se mostra um excelente candidato para a aplicação de técnicas de aprendizado supervisionado. Além de exi-gir do usuário uma tarefa mais simples — a de apontar ao programa o que deseja como resultado — essas técnicas permitem a utilização de metodologias muito mais sofisticadas, mesmo que pela simples combi-nação de operações já conhecidas, e são capazes de aprimorar significativamente a eficácia do sistema de classificação.
Com uma pequena extensão de sua atual configuração, o sistema poderá fazer uso da técnica chamada bracketing para contornar as dificuldades do processo de aquisição. Essa técnica consiste em registrar múltiplas imagens com ajustes de parâmetros diferentes. Dessa forma, pode-se combinar máscaras de classificação de um mesmo objeto, bastando-se para isso que as regiões determinadas como “Sem classifi-cação"sejam completadas com as informações das outras máscaras. Por terem ajustes de captura diversos,
estas máscaras terão, também, diferentes padrões de áreas não classificadas; as regiões classificáveis, no entanto, devido à tolerância do processo a variações de luminosidade, permanecerão inalteradas entre as máscaras.
Considerações a parte, em seu estado atual, o processo já demonstra com satisfação que a automação na AP pode e deve beneficiar-se de técnicas do processamento de imagem.