Análise semi-automática do arranjo espacial de plantas de milho utilizando visão computacional

CÂMPUS CORNÉLIO PROCÓPIO

DIRETORIA DE PESQUISA E PÓS-GRADUAÇÃO

PROGRAMA DE PÓS-GRADUAÇÃO EM INFORMÁTICA

ANDERSON BRILHADOR

ANÁLISE SEMI-AUTOMÁTICA DO ARRANJO ESPACIAL DE

PLANTAS DE MILHO UTILIZANDO VISÃO COMPUTACIONAL

DISSERTAÇÃO – MESTRADO

CORNÉLIO PROCÓPIO 2015

ANÁLISE SEMI-AUTOMÁTICA DO ARRANJO ESPACIAL DE

PLANTAS DE MILHO UTILIZANDO VISÃO COMPUTACIONAL

Dissertação de mestrado apresentada ao Programa de Pós-Graduação em Informática da Universidade Tecnológica Federal do Paraná – UTFPR para a ob-tenção do título de “Mestre em Informática”.

Orientador: Fabrício Martins Lopes

CORNÉLIO PROCÓPIO 2015

B857 Brilhador, Anderson

Análise semi-automática do arranjo espacial de plantas de milho utilizando visão computacio-nal / Anderson Brilhador. – 2015.

111 p. : il. ; 30 cm

Orientador: Fabrício Martins Lopes.

Dissertação (Mestrado) – Universidade Tecnológica Federal do Paraná. Programa de Pós- graduação em Informática. Cornélio Procópio, 2015.

Bibliografia: p. 104-111.

1. Processamento eletrônico de dados. 2. Agricultura de precisão. 3. Biotecnologia agrícola. 4. Controle de perdas. 5. Informática – Dissertações. I. Lopes, Fabrício Martins, orient. II. Universidade Tecnológica Federal do Paraná. Programa de Pós-Graduação em Informática. III. Título.

CDD (22. ed.) 004

Programa de Pós-Graduação em Informática

Av. Alberto Carazzai, 1640 - 86.300-000- Cornélio Procópio – PR.

Tel. +55 (43) 3520-4055 / e-mail: [email protected] / www.utfpr.edu.br/cornelioprocopio/ppgi

Título da Dissertação Nº 10:

“

Análise Automática do Arranjo Espacial de Plantas de

Milho Utilizando Visão Computacional

”.

por

Anderson Brilhador

Orientador: Prof. Dr. Fabrício Martins Lopes

Esta dissertação foi apresentada como requisito parcial à obtenção do grau de MESTRE EM INFORMÁTICA – Área de Concentração: Computação Aplicada, pelo Programa de Pós-Graduação em Informática – PPGI – da Universidade Tecnológica Federal do Paraná – UTFPR – Câmpus Cornélio Procópio, às 14h00 do dia 29 de setembro de 2015. O trabalho foi APROVADO pela Banca Examinadora, composta pelos professores:

__________________________________

Prof. Dr. Fabrício Martins Lopes

(Presidente)

__________________________________

Prof. Dr. Pedro Henrique Bugatti

(UTFPR-CP)

_________________________________

Prof. Dr. Franklin César Flores

(UEM-PR)

Visto da coordenação: __________________________________ Carlos Nascimento Silla Junior

Coordenador do Programa de Pós-Graduação em Informática UTFPR Câmpus Cornélio Procópio

Certamente não será possível agradecer à todas as pessoas, nas quais de algum modo colaboraram ou fizeram parte desta grande jornada pessoal, assim peço desculpas aqueles que não estão presentes entre estas palavras, mas asseguro que tenho todo respeito e gratidão ao que fizeram por mim.

Agradeço ao Professor Dr. Fabrício Martins Lopes pela orientação, colaboração e todos esforços empenhados para que o trabalho fosse concretizado.

Agradeço ao Engenheiro Daniel Aloysio Serrarens pela idealização e colaboração no trabalho desenvolvido.

Agradeço ao Engenheiro Osvaldo Rodrigues Júnior por todas as caronas para a Fa-zenda Canadá.

Agradeço à Belagrícola pela bolsa disponibilizada para o desenvolvimento do trabalho e toda confiança depositada.

Agradeço à minha mãe, Tereza Soares de Almeida, uma mulher guerreira, que apesar de todas as dificuldades sempre fez o melhor por mim.

E por fim, agradeço ao meu pai, Lasinho Brilhador, um homem humilde, teimoso e acima de tudo, batalhador, no qual em todo momento de sua vida, acreditou na minha capaci-dade, me dando confiança para lutar.

Hoje tenho a convicção, que só cheguei onde cheguei, graças ao apoio do meu pai. Obrigado, pai.

BRILHADOR, Anderson. ANÁLISE SEMI-AUTOMÁTICA DO ARRANJO ESPACIAL DE PLANTAS DE MILHO UTILIZANDO VISÃO COMPUTACIONAL. 112 f. Dissertação – Mestrado – Programa de Pós-graduação em Informática, Universidade Tecnológica Federal do Paraná. Cornélio Procópio, 2015.

A demanda mundial por alimentos cresce a cada ano, tornando necessário o desenvolvimento de novas tecnologias que aumentem a produção de grãos sem aumentar as áreas destinadas ao para plantio. A cultura de milho é uma das principais commodities do mundo, sendo utilizada na alimentação humana e como ração de outros animais, além de possuir outros fins industriais. O milho é sensível ao arranjo espacial de plantas e qualquer variação no padrão de distribuição pode levar à redução na produção do milho. Atualmente, o processo de verificação da uniformi-dade dos espaçamentos entre plantas é realizado de forma manual por agrônomos e produtores, a fim de prever possíveis perdas de produção. Nesse contexto, este trabalho propõe uma abor-dagem automática para a análise do arranjo espacial de plantas por meio da mensuração dos es-paçamentos entre plantas de milho em fases inicias de crescimento. A partir dessa mensuração são extraídas informações relevantes como densidade populacional, uniformidade do plantio e estimativas de perdas. A abordagem proposta utiliza técnicas de visão computacional de baixo custo computacional para identificar as plantas de milho e mensurar os espaçamentos entre plan-tas, permitindo seu uso em dispositivos com baixo poder computacional como smartphones e tablets. Um conjunto de imagens foi construído como uma contribuição adicional do trabalho contento 222 imagens panorâmicas da linha de plantio de milho em três condições de plantio: direto, convencional e direto após aplicação de herbicidas. Os resultados dos experimentos al-cançaram uma taxa de 90% de precisão e 87% de sensibilidade na identificação das plantas de milhos presentes na base. Uma comparação entre as medidas dos espaçamentos entre plantas realizadas de forma manual e por visão computacional, não apresentou diferenças significativas entre as medições, indicando a eficácia da abordagem proposta no trabalho.

Palavras-chave: Visão computacional, Espaçamento entre plantas, Densidade populacional, Estimativa de perdas, Agricultura de precisão.

BRILHADOR, Anderson. SEMI-AUTOMATIC ANALYSIS OF THE SPATIAL ARRANGE-MENT OF CORN PLANTS USING COMPUTER VISION. 112 f. Dissertação – Mestrado – Programa de Pós-graduação em Informática, Universidade Tecnológica Federal do Paraná. Cornélio Procópio, 2015.

Global demand for food is growing every year, requiring the development of new technologies that increase grain production without increasing the areas destined for planting. The corn crop is a major commodity in the world and is used as food, feed for other animals, in addition to having other industrial purposes. Corn is sensitive to the spatial arrangement of plants and any variation in distribution pattern can lead to reduction in the production of corn. Currently, the process of checking the uniformity of spacing between plants is done manually by agronomists and producers in order to predict possible production losses. In this context, this paper proposes an automatic approach to the analysis of the spatial arrangement of plants by measuring the spacing between corn plants in early stages of growth. From this measurement are extracted relevant information such as population density, uniformity of planting and loss estimates. The proposed approach uses computer vision techniques of low computational cost to identify corn plants and measure the spacing between plants, allowing its use in devices with low compu-tational power such as smartphones and tablets. A set of images was built as an additional contribution of work, containing 222 panoramic images of corn planting in three conditions of planting: direct, conventional and direct after applying herbicides. The experimental results achieve 90% of rate accuracy and 87% sensitivity in identification of corn plants present on the base. A comparison of the measurements of the distances between plants made of manual and computer vision way, no presented significant differences between the measurements, indica-ting the effectiveness of the proposed approach at work.

Keywords: Computer vision, Inter-plant spacing, Population density, Estimating losses, Preci-sion agriculture.

–

FIGURA 1 Exemplos de plantio. (a) Plantio direto e (b) Plantio convencional. . . 21 –

FIGURA 2 Exemplo de arranjo espacial de plantas de milho. . . 22 –

FIGURA 3 Exemplo de desuniformidade na linha de plantio: (a) uniformidade ideal; (b) planta fora do lugar; (c) falha e (d) duplas. . . 23 –

FIGURA 4 Fluxograma representando as etapas do processamento de imagens. Fonte: Adaptado de Gonzalez e Woods (2006). . . 31 –

FIGURA 5 Descrição dos valores dos pixels de uma imagem digital. (a) Imagem original, (b) Imagem discreta e (c) Intensidade dos pixels. . . 33 –

FIGURA 6 Exemplos de vizinhanças de pixels (a) 4 - Conectividade e (b) 8 - Conec-tividade. . . 34 –

FIGURA 7 Representação das máscaras 3 x 3 do filtro da média. (a) Posição dos pixels. (b) Média aritmética. (c) Média ponderada. Fonte: (GONZALEZ; WOODS, 2006). . . 35 –

FIGURA 8 Histograma bimodal de intensidades dividido por um único limiar T. . . 40 –

FIGURA 9 Operação de dilatação e erosão. (a) Imagem Original; (b) Elemento estruturante; (c) Resultado da dilatação; (d) Resultado da erosão. Fonte: Adaptado de Pedrini e Schwartz (2008). . . 46 –

FIGURA 10 Operação de abertura e fechamento. (a) Imagem Original; (b) Elemento estruturante; (c) Resultado da abertura; (d) Resultado do fechamento. Fonte: Adaptado de Pedrini e Schwartz (2008). . . 47 –

FIGURA 11 Diâmetro de uma borda. Fonte: Adaptado de Pedrini e Schwartz (2008). 48 –

FIGURA 12 Compacidade, conforme a equação 26. (a) objeto com baixa compa-cidade; (b) objeto com alta compacidade. Fonte: Adaptado de Pedrini e Schwartz (2008). . . 49 –

FIGURA 13 Fecho convexo e defeitos convexos. (a) A linha pontilhada é o fecho convexo da estrela; (b) A região em cinza é o defeito convexo da estrela. Fonte: Adaptado de Costa e Jr. (2009). . . 50 –

FIGURA 14 Exemplo de estrutura de uma árvore de decisão. . . 56 –

FIGURA 15 Modelo de uma rede neural composta de um perceptron. Fonte: (PE-DRINI; SCHWARTZ, 2008). . . 57 –

FIGURA 16 Arquitetura de rede neural multicamadas. Fonte: (PEDRINI; SCHWARTZ, 2008). . . 58 –

FIGURA 17 Exemplo de separação ótima entre duas classes. Fonte: Adaptado de Duda et al. (2001). . . 60 –

FIGURA 18 Estimativa de precisão com o método Holdout. Fonte: Adaptado de Han et al. (2011). . . 62 –

FIGURA 19 Exemplo de imagens pertencentes a classe de Feijão. . . 65 –

FIGURA 20 Exemplo de imagens pertencentes a classe de Milho. . . 66 –

FIGURA 21 Processo de aquisição das imagens panorâmicas. . . 66 –

FIGURA 22 Exemplo de imagens presentes na base. (a, b) Plantio direto, (c, d) Plan-tio convencional e (e, f) PlanPlan-tio direto após aplicação de herbicidas. . . 68 –

ima-(c, d, e) Usuário seleciona os agrupamentos dos pixels, (f) Máscara gerada pela demarcação das plantas, (g) Demarcação considerando a área da planta e do caule. . . 70 –

FIGURA 24 (a) Exemplo de imagem da base. (b) O robô utilizando na aquisição das imagens. Fonte: (HAUG; OSTERMANN, 2014). . . 71 –

FIGURA 25 Fluxograma da metodologia para classificação de milho e feijão. . . 72 –

FIGURA 26 Exemplo de imagens resultantes do processo de segmentação pelo indice vegetativos. (a) Imagem original, (b) Imagem em tons de cinza produzida pelo CIVE, (c) Imagem binarizada pelo método de Otsu, (d) Máscara de referência da segmentação. . . 74 –

FIGURA 27 Exemplo de imagens da base de cenouras e ervas daninhas e as respec-tivas imagens em tons de cinza geradas pelos índices de vegetação. (a) Imagem original, (b) ExG, (c) ExR, (d) NDI, (e) CIVE, (f) ExGR, (g) VEG e (h) COM. . . 75 –

FIGURA 28 Exemplo de imagens da base de cenouras e ervas daninhase as respec-tivas imagens em tons de cinza geradas pelos índices de vegetação. (a) Imagem original, (b) ExG, (c) ExR, (d) NDI, (e) CIVE, (f) ExGR, (g) VEG e (h) COM. . . 75 –

FIGURA 29 Exemplo de imagens da base de cenouras e ervas daninhas e as respec-tivas imagens em tons de cinza geradas pelos índices de vegetação. (a) Imagem original, (b) ExG, (c) ExR, (d) NDI, (e) CIVE, (f) ExGR, (g) VEG e (h) COM. . . 75 –

FIGURA 30 Exemplo de marcações realizadas pelo especialista para treinamento do classificador da abordagem de segmentação interativa. . . 76 –

FIGURA 31 Fluxograma da metodologia para identificação e mensuração dos espa-çamento entre plantas. . . 78 –

FIGURA 32 Exemplo de identificação de plantas duplas. (a) Plantas duplas em uma linha de plantio de milho; (b) Extração da área do objeto segmentado para comparar com a mediada das áreas; (c) Divisão da área em duas identifi-cando duas plantas. . . 80 –

FIGURA 33 Extração do caule pelo defeito do fecho convexo. (a) Objeto extraído; (b) Fecho convexo; (c) Em amarelo são os defeitos do fecho convexo; (d) Identificação do ponto mais profundo e definição do caule da planta. . . 81 –

FIGURA 34 Imagens adquiridas das demarcações no solo. . . 82 –

FIGURA 35 Exemplo de contraste inadequado, onde o pico da distribuição está na lateral. (a) Imagem da classe de plantio direto. (b) histograma dos três canais RGB. . . 91 –

FIGURA 36 Exemplo de contraste inadequado, pois os picos das distribuições não tendem a convergir em único ponto central. (a) Imagem da classe de plantio convencional. (b) histograma dos três canais RGB. . . 91 –

FIGURA 37 Exemplo de contraste adequado, onde os picos convergem para um ponto central. (a) Imagem da classe de plantio herbicida. (b) histograma dos três canais RGB. . . 92 –

FIGURA 38 Exemplo de contraste adequado, onde os picos tendem a convergir a um ponto central. (a) Imagem da classe de plantio herbicida. (b) histograma dos três canais RGB. . . 92

mentação e a demarcação pela área da planta e do caule. . . 96 –

FIGURA 40 Resultados da identificação das plantas de milho utilizando a segmenta-ção interativa e a demarcasegmenta-ção pela área da planta e do caule. . . 96 –

FIGURA 41 Resultados da identificação das plantas de milho utilizando o índice ve-getativo CIVE em conjunto com o método de Otsu como método de seg-mentação e a demarcação pela máscara da planta e do caule. . . 98 –

FIGURA 42 Resultados da identificação das plantas de milho utilizando a segmenta-ção interativa e a demarcasegmenta-ção pela máscara da planta e do caule. . . 99 –

FIGURA 43 Imagem exemplo do plantio direto. . . 99 –

FIGURA 44 Imagem exemplo do plantio convencional. . . 100 –

–

TABELA 1 Estádios fenológicos de uma planta de milho. . . 20 –

TABELA 2 Principais índices vegetativos encontrados na literatura. . . 38 –

TABELA 3 Exemplo de matriz de confusão. . . 63 –

TABELA 4 Descrição das Tags que compõem o XML de informações das imagens panorâmicas. . . 71 –

TABELA 5 Resumo das características utilizadas no experimento, apresentadas na seção 3.6. . . 84 –

TABELA 6 Feijão - Resultados com 16 características. . . 84 –

TABELA 7 Milho - Resultados com 16 características. . . 84 –

TABELA 8 Feijão - Resultados com 5 características. . . 85 –

TABELA 9 Milho - Resultados com 5 características. . . 85 –

TABELA 10 Resultados das segmentações utilizando os índices vegetativos sobre a base de imagens de cenoura e ervas daninhas, descrita na seção 5.3. . . 87 –

TABELA 11 Resultados da abordagem de segmentação interativa sobre a base de ce-noura e ervas daninhas, descrita na seção 5.3. . . 87 –

TABELA 12 Resultados dos métodos de segmentação sobre a classe de plantio direto, da base de imagens panorâmica de milho, descrita na seção 5.2. . . 88 –

TABELA 13 Resultados dos métodos de segmentação sobre a classe de plantio con-vencional, da base de imagens panorâmica de milho, descrita na seção 5.2. 89 –

TABELA 14 Resultados dos métodos de segmentação sobre a classe de plantio direto após aplicação de herbicidas, da base de imagens panorâmica de milho, descrita na seção 5.2. . . 90 –

TABELA 15 Percentual de imagens com contraste adequado e inadequado em cada classe de plantio. . . 93 –

TABELA 16 Média e desvio padrão das diferenças da medição manual e baseada em visão computacional. . . 99 –

TABELA 17 Comparação entre a medição manual e baseada em visão computacional com correção manual dos espaçamentos entre plantas. Os valores estão em centímetros e a imagem base do exemplo é apresentada na Figura 43. . . 100 –

TABELA 18 Comparação entre a medição manual e baseada em visão computacional com correção manual dos espaçamentos entre plantas. Os valores estão em centímetros e a imagem base do exemplo é apresentada na Figura 44. . . 100 –

TABELA 19 Comparação entre a medição manual e baseada em visão computacional com correção manual dos espaçamentos entre plantas. Os valores estão em centímetros e a imagem base do exemplo é apresentada na Figura 45. . . 100

1 INTRODUÇÃO . . . 14 1.1 OBJETIVOS DA PESQUISA . . . 16 1.1.1 Objetivo Geral . . . 16 1.1.2 Objetivos Específicos . . . 16 1.2 JUSTIFICATIVA E RELEVÂNCIA . . . 17 2 CULTURA DO MILHO . . . 19

2.1 ESTÁGIOS DE DESENVOLVIMENTO DA PLANTA DE MILHO. . . 19

2.2 MANEJO DO SOLO . . . 20

2.3 ARRANJO ESPACIAL DE PLANTAS . . . 21

2.4 PERDAS NO PLANTIO . . . 24

2.5 TRABALHOS RELACIONADOS . . . 26

3 VISÃO COMPUTACIONAL . . . 30

3.1 FUNDAMENTOS DE IMAGENS DIGITAIS . . . 32

3.2 PRÉ - PROCESSAMENTO . . . 35

3.3 ÍNDICES DE VEGETAÇÃO . . . 36

3.4 SEGMENTAÇÃO . . . 39

3.4.1 Limiarização . . . 39

3.4.2 Segmentação interativa de imagens . . . 42

3.4.3 Superpixel - agrupamento de pixel . . . 43

3.5 MORFOLOGIA MATEMÁTICA . . . 44 3.5.1 Dilatação e Erosão . . . 45 3.5.2 Abertura e Fechamento . . . 45 3.6 REPRESENTAÇÃO E DESCRIÇÃO . . . 46 4 RECONHECIMENTO DE PADRÕES . . . 52 4.1 CLASSIFICAÇÃO . . . 53 4.1.1 Naive Bayes . . . 53

4.1.2 Instance-based learning algorithms . . . 54

4.1.3 Árvore de decisão . . . 56

4.1.4 Redes neurais artificiais . . . 57

4.1.5 Support Vector Machines . . . 58

4.2 SELEÇÃO DE CARACTERÍSTICAS . . . 59

4.2.1 Correlation-based feature selection . . . 60

4.3 VALIDAÇÃO E ANÁLISE DA PRECISÃO . . . 61

4.3.1 Métodos de validação . . . 61

4.3.2 Medidas de avaliação . . . 62

5 MATERIAIS E MÉTODOS . . . 65

5.1 BASE DE IMAGENS DE MILHO E FEIJÃO . . . 65

5.2 BASE DE IMAGENS PANORÂMICAS DE MILHO . . . 66

5.2.1 Demarcação de plantas presentes na base de imagens . . . 69

5.3 BASE DE IMAGENS DE CENOURA E ERVAS DANINHAS . . . 69

5.6 METODOLOGIA PARA ANÁLISE AUTOMÁTICA DO ARRANJO ESPACIAL DE

PLANTAS DE MILHO . . . 77

6 RESULTADOS E DISCUSSÕES . . . 83

6.1 CLASSIFICAÇÃO DE MILHO E FEIJÃO . . . 83

6.2 ANÁLISE E VALIDAÇÃO DOS MÉTODOS DE SEGMENTAÇÃO . . . 85

6.3 ANÁLISE AUTOMÁTICA DO ARRANJO ESPACIAL DE PLANTAS DE MILHO 93 7 CONCLUSÕES E DIRECIONAMENTOS . . . 102

1 INTRODUÇÃO

Na década atual a taxa de crescimento da produção agrícola mundial é mais lenta que da década anterior. Entretanto, ainda é condizente com as estimativas que apontam a necessi-dade de aumentar a produção mundial de alimentos em 70% para atender a população aproxi-mada de 2050 de acordo com a Organização para Cooperação e Desenvolvimento Econômico (OCDE) e a Food And Agriculture Organization (FAO) (OECD; FAO, 2010). Segundo estas organizações, o Brasil é o pais com maior potencial de crescimento rápido, com capacidade de aumentar a produção em 40% até 2019. O crescimento da produção agrícola esperado para a China, Índia, Rússia, e Ucrânia é superior a 20%. Enquanto espera-se que a produção agrícola dos Estados Unidos e do Canadá cresça entre 10% e 15%; da Austrália, 7%; e a da União Eu-ropeia, 27%, a qual deve apresentar um crescimento de seu produto agrícola menor que 4% até 2019 (VIEIRA FILHO et al., 2011).

Segundo o Food and Agricultural Policy Research Institute (FAPRI) (FAPRI, 2010), a dificuldade de diversos países em atenderem o aumento de suas necessidades de alimentos pode resultar em um déficit acentuado de grãos nos próximos anos. Pelos dados da instituição, é pos-sível que, em 2020 ocorra um déficit de arroz, soja, trigo e milho na ordem de 458,5 milhões de toneladas. Deste total, 356,3 milhões de toneladas podem ser atendidas pelo comércio, ficando com um saldo devedor de 102,3 milhões de toneladas de grãos. Os efeitos mais imediatos destes resultados são o aumento da carência alimentar mundial, especialmente nas regiões pobres, e a elevação dos preços das commodities agrícolas.

O Brasil é o 3◦ maior produtor de grãos além de ser o 5◦ maior produtor de oleagi-nosas e cereais mundiais (FAO, 2013) colocando o país como um dos principais produtores do mundo. O país alcançou 195,47 milhões de toneladas de grãos na safra de 2013/2014, a qual deve ter uma redução de 0,7% até um acréscimo de 3,2% para a safra 2014/2015 ficando entre 194 a 201,65 milhões de toneladas, segundo dados apontados pelo 1◦ levantamento de safra 2014/2015 realizado pela Companhia Nacional de Abastecimento (CONAB) (CONAB, 2014). O agronegócio brasileiro tem grande potencial de crescimento. O mercado interno

é expressivo, e o mercado internacional tem apresentado acentuado crescimento do consumo. Países superpopulosos terão dificuldades de atender às demandas devido ao esgotamento de suas áreas agricultáveis. As dificuldades de reposição de estoques mundiais, o acentuado aumento do consumo especialmente de grãos como milho, soja e trigo e o processo de urbanização em curso no mundo criam condições favoráveis a países como o Brasil, que têm imenso potencial de produção e tecnologia disponível. A disponibilidade de recursos naturais no país é fator de competitividade.

O Produto Interno Bruto (PIB) do agronegócio brasileiro em 2013 alcançou a marca de 22,54% do PIB representando um montante de 1,09 trilhões de reais (CEPEA-USP, 2014), tendo como expectativa de crescimento de 2,6% em 2014 e de 2,8% para o ano de 2015 (CEPEA-USP, 2015). O agronegócio é entendido como a soma de quatro segmentos: (a) insumos para agropecuária, (b) produção agropecuária básica ou primária, (c) agroindústria (processamento) e (d) distribuição. A análise desse conjunto de segmentos é feita para o setor agrícola (vegetal) e para o pecuário (animal).

As exportações do setor de agronegócios alcançaram a cifra de US$ 99,7 bilhões de dólares em 2013, subindo 4,3% em relação ao ano de 2012, segundo dados da Secretária de Relações Internacionais do Ministério da Agricultura, Pecuária e Abastecimento (SRI/Mapa). As importações cresceram 4%, atingindo US$ 17,06 bilhões. O saldo do comércio exterior do agronegócio foi positivo em US$ 82,91 bilhões (BRASIL, 2014). No entanto, em 2014 as exportações do agronegócio brasileiro totalizaram US$ 96,75 bilhões, declínio de 3,2% em relação aos US$ 99,97 bilhões comercializados no ano anterior. As importações seguiram a mesma tendência, com queda de 2,6%, totalizando US$ 16,61 bilhões. O saldo do comércio exterior do agronegócio ficou positivo em US$ 80,13 bilhões, 3,3% inferior ao registrado em 2013, segundo o Departamento do Agronegócio da Fiesp (DEAGRO)(DEAGRO, 2015).

Um estudo inédito realizado pelo IBGE (IBGE, 2004), analisou e quantificou as per-das dos principais grãos produzidos na agricultura brasileira chegando a 10% de toda colheita. Nesse período apenas por perdas ocorridas entre o plantio e a colheita, nas culturas de arroz, feijão, milho, soja e trigo, o País deixou de colher cerca de 28 milhões de toneladas de grãos.

Nos últimos anos, a cultura de milho (Zea mays L.) tem recebido grande atenção dos produtores, passando de uma cultura destinada a rotação para uma cultura de commodity agrí-cola, sendo destinada para a produção de ração animal (avicultura, bovinocultura e suinicultura), além de ser utilizada na alimentação humana, serve também como matéria prima para produção de etanol (MIOTTO JÚNIOR, 2014).

fer-tilidade do solo, arranjo espacial de plantas, uso inadequado de genótipos e práticas de manejos no plantio. Contudo, o potencial produtivo é aproximadamente seis vezes maior que à média brasileira nas últimas safras, em torno de 4.000 kg ha, devido as características fisiológicas presentes na cultura de milho (SANGOI et al., 2010b).

A cultura de milho é sensível à variação na densidade populacional e no arranjo espa-cial de plantas (MIOTTO JÚNIOR, 2014). Alterações nessas variáveis podem otimizar o uso de fatores de produção como água, luz e nutrientes. Porém, essas práticas devem ser estudadas localmente antes de serem adotadas, pois requerem altos investimentos em máquinas e insumos (BALEM, 2013).

O milho vem sendo umas das culturas mais estudas no mundo com objetivo de maxi-mizar o potencial produtivo, abordando o ponto de vista genético ou de alternativas de manejo mais eficientes. Nessa última década, vem se discutindo com maior frequência a determinação do melhor arranho espacial de plantas. No entanto, atualmente o melhor arranjo de plantas é aquele que proporciona um espaçamento uniforme entre plantas, possibilitando melhor utiliza-ção de luz incidente, da água e dos nutrientes (BALEM, 2013).

Agrônomos, técnicos agrícolas e produtores rurais avaliam o arranjo espacial de plan-tas de forma manual, esse método é exaustivo e demorado, além de estar sujeito a erro humano e dificilmente é aplicado em larga escala. Portanto, é importante o desenvolvimento de meto-dologias que auxiliem o processo de análise do arranjo espacial de planta, reduzindo o esforço, tempo e erros ocasionados pela medição manual.

1.1 OBJETIVOS DA PESQUISA

1.1.1 OBJETIVO GERAL

Elaborar uma metodologia baseada em visão computacional para analisar o arranjo espacial de plantas de milho, afim de extrair informações relevantes como a densidade popu-lacional, a uniformidade dos espaçamentos entre plantas e a estimação das perdas de grãos, auxiliando a intervenção de agrônomos, técnicos agrícolas e produtores na fase inicial de de-senvolvimento das plantas.

1.1.2 OBJETIVOS ESPECÍFICOS

• Construir e disponibilizar uma base de imagens referentes ao cultivar de milho para auxi-liar no desenvolvimento de novas metodologias de análise dos espaçamentos entre plantas

e servir como base para validação de experimentos.

• Analisar métodos de segmentação de plantas e características que apresentem melhores resultados na classificação/mensuração do arranjo espacial de cultivares de milho. • Desenvolver uma metodologia para a identificação do cultivar de milho e mensuração de

espaçamento entre plantas.

1.2 JUSTIFICATIVA E RELEVÂNCIA

A principal fonte de crescimento da agricultura Brasileira é a produtividade, a qual vem aumentando de maneira sistemática, sendo que parte desse progresso ocorre pela incorporação de terras e novas práticas de cultivo, sendo que o principal propulsor são os resultados dos investimentos em pesquisa, serviços de extensão e uso de novas tecnologias (GASQUES et al., 2012). O investimento massivo em novas tecnologias é realizado pelos produtores e fabricantes de equipamentos agrícolas com o objetivo de solucionar problemas existentes e aumentar a produtividade (COPETTI, 2004).

A produtividade é importante por vários aspectos, em particular por sua relação com o crescimento econômico, bem-estar, distribuição de renda e redução da pobreza. A agricul-tura é diretamente relacionada com a eficiência de produção e o custo de alimentos e produtos agrícolas. Atualmente a grande preocupação a nível global é a suplementação de alimentos à medida que cresce a população mundial o que torna ainda mais importante e necessário o au-mento de produtividade no setor agrícola (GASQUES et al., 2012). Portanto, o benefício da alta produtividade na agricultura é de interesse de toda a sociedade e não apenas do setor agrícola.

Porém, para que o crescimento da produtividade possa continuar nos próximos anos, três fatores são essenciais: investimentos em logística, principalmente nas áreas em que estão previstos os maiores aumentos de produção; melhorias nas áreas: portuária, rodoviária e de comunicação e crédito rural; devido ao papel que esta política tem na formação de capital, no acesso às inovações tecnológicas e no estímulo à oferta de produtos agrícola. Finalmente, é necessário dar continuidade aos investimentos em pesquisa nas universidades e nos institutos de pesquisa do país. Ademais, devem-se traçar políticas públicas que incorporem na moderna produção aqueles setores poucos desenvolvidos e com baixa capacidade de absorção tecnoló-gica, o que contribuiria para o desenvolvimento econômico como um todo (VIEIRA FILHO et al., 2011).

Com essa necessidade na agricultura, a busca por alta produtividade se tornou indispen-sável sendo preciso buscar inovações tecnológicas que auxiliem nesse processo. Dessa forma,

o trabalho propõe o desenvolvimento de uma metodologia de analise do arranjo espacial de plantas de milho, avaliando a uniformidade dos espaçamentos entre plantas e a densidade po-pulacional das plantas, além de estimar as perdas de grãos produzidas pela desuniformidade do plantio com intuito de auxiliar agrônomos, técnicos agrícolas e produtores no aumento da produção de grãos.

2 CULTURA DO MILHO

O milho é uma gramínea pertencente à família Poaceae e sua espécie é a Zea mays L. A supressão, condensação e multiplicação de várias partes da anatomia básica das gramíneas caracterizam a morfologia da planta e seu caráter monóico1. Os aspectos vegetativos e reprodu-tivos da planta de milho podem ser alterados através da interação com os fatores ambientais que afetam o controle da ontogenia do desenvolvimento. No entanto, o resultado desse processo de seleção natural produziu uma planta anual2, robusta e ereta, com um a quatro metros de altura, que é uma grande fábrica para produção de grãos (MAGALHÃES, 2002).

2.1 ESTÁGIOS DE DESENVOLVIMENTO DA PLANTA DE MILHO.

O conhecimento das diferentes fases de crescimento do milho é de fundamental im-portância para obter um eficiente manejo da cultura. Portanto, é relevante enfatizar os diversos estágios de desenvolvimento de uma planta de milho, desde a sua emergência até a maturidade fisiológica (MAGALHÃES, 2002).

As plantas de milho têm características fenológicas3relacionadas às suas fases de cres-cimento. Ritchie et al. (1993) utilizam essas características para descrever detalhadamente os estágios de desenvolvimento do milho, os quais são apresentados na escala fenológica como estádios fenológicos.

A Tabela 1 apresenta a escala fenológica proposta por Ritchie et al. (1993). Os estádios vegetativos são representados pela letra V e os estádios reprodutivos são formados pela letra R. A definição das subdivisões dos estádios V são representadas numericamente como V1, V2, V3, etc., até V(n), no qual (n) representa a quantidade de folhas completamente desenvolvidas antes de alcançar VT. O primeiro e último estádios de V são representados por VE (emergência) e VT (pendoamento), respectivamente. As subdivisões dos estádios reprodutivos são representadas numericamente seguindo o padrão proposto por Hanway et al. (1966).

1_{Apresenta flores masculinas e femininas na mesma planta (SILVA, 2014).}

2_{São as plantas que germinam, florescem e morrem no período máximo de um ano (SUGASTI, 2012).} 3_{São as mudanças morfológicas relacionadas ao ciclo da cultura (DE ASSIS et al., 2014).}

Tabela 1: Estádios fenológicos de uma planta de milho.

Estádios vegetativos Estádios reprodutivos

VE - Emergência R1 - Florescimento

V1 - Primeira folha R2 - Grão em bolha

V2 - Segunda folha R3 - Grão leitoso

V3 - Terceira folha R4 - Grão pastoso

V(n) enésima folha R5 - Grão dentado

VT - Pendoamento R6 - Maturação fisiológica

Fonte:(RITCHIE et al., 1993).

2.2 MANEJO DO SOLO

O manejo do solo consiste de um conjunto de operações realizadas para propiciar con-dições favoráveis à semeadura, o desenvolvimento e a produção das plantas cultivadas. O pre-paro do solo é uma das operações mais importantes a serem realizadas, pois quando usado raci-onalmente, pode permitir uma alta produtividade das culturas com custos relativamente baixos. No entanto, quando usado de maneira incorreta, pode realizar uma degradação física, química e biológica do solo, diminuindo o potencial produtivo da cultura (EMBRAPA, 2013).

Schultz (1987) divide os sistemas de preparo do solo em três grupos:

• Plantio convencional: solo é lavrado e a superfície fica exposta; • Cultivo mínimo: solo recebe o mínimo de preparo;

• Plantio direto: solo não passa por nenhum tipo de preparo.

O plantio convencional vem sendo substituído pelo plantio direto, devido principal-mente à degradação do solo causada pela prática convencional. Enquanto, o plantio direto tem efeito oposto, sendo corretamente adotado é indispensável para reverter o processo de degrada-ção, além de melhorar o desempenho dos cultivares (EMBRAPA, 2013). A Figura 1 exibe dois exemplos de plantio.

As ervas daninhas estão presentes em todos os sistemas de plantio, sendo necessário sua eliminação. No plantio convencional, as ervas daninhas são controladas mecanicamente antes do plantio, através das operações de gradagens (MELHORANÇA, 2002). No cultivo mínimo, o preparo do solo é localizado na linha de plantio, mantendo a maior parte dos resíduos naturais sob a superfície do solo, a eliminação das ervas daninhas é realizada, geralmente, com aplicação de herbicidas pré-emergentes (BOTELHO, 2003). No plantio direto, a eliminação das

(a) (b) Figura 1: Exemplos de plantio. (a) Plantio direto e (b) Plantio convencional.

ervas daninhas também é feita por herbicidas aplicados em pré e pós-emergência. Esse processo é de fundamental importância para a viabilização do plantio direto, sendo tão eficiente quanto o controle realizado pelo preparo do solo com grades, ou seja, causando mortalidade de 100% das plantas presentes, para que a cultura se estabeleça e tenha o seu desenvolvimento inicial sem a competição das ervas daninhas (MELHORANÇA, 2002).

2.3 ARRANJO ESPACIAL DE PLANTAS

O arranjo espacial de plantas é definido como o padrão de distribuição das plantas, no qual é determinada a área geométrica disponível para cada indivíduo do plantio (WILLEY; RAO, 1981). Teoricamente, o melhor arranjo espacial de plantas de milho é aquele que pro-move uma distribuição mais uniforme de plantas por área, possibilitando melhor utilização da luminosidade, água e nutrientes (ARGENTA et al., 2001; CRUZ et al., 2010a).

Esse arranjo pode ser alterado por mudanças na densidade populacional, no espaça-mento entrelinhas e na distribuição espacial das plantas na linhas de plantio (SANGOI et al., 2010a), sendo que as variações de distância entre as plantas diferem os arranjos espaciais da lavoura (ARGENTA et al., 2001).

Entre as formas existentes de manejo do arranjo espacial, a densidade de plantas é a que tem maior interferência no rendimento de grãos (DOURADO NETO et al., 2010). Entre-tanto diversos fatores também influenciam nos rendimentos dos grãos como a qualidade das sementes plantadas, profundidade de semeadura e a distribuição em linha no plantio (HORN, 2010; FRANÇA NETO et al., 2010).

Entre esses fatores, dois podem ser analisados de forma visual, a densidade de plantas e a distribuição das plantas presentes na linha do plantio, os quais serão o foco do presente

trabalho. A Figura 2 exibe um exemplo de arranjo espacial de plantas de milho.

Figura 2: Exemplo de arranjo espacial de plantas de milho.

A Figura 2 exibe algumas variáveis importantes para o entendimento deste trabalho. A linha de plantio pode ser descrita como uma fileira de plantas. O espaçamento entre linhas é definido pela distância entre as fileiras e o espaçamento entre plantas é a distância entre duas plantas. A densidade de plantas é definida como a quantidade de plantas por metro linear na linha de plantio.

A densidade de plantas apresenta grande interferência na produção de grãos, pois pe-quenas alterações implicam em modificações expressivas no rendimentos de grãos (BRACHT-VOGEL et al., 2009). A densidade ideal de plantas depende de diversos fatores, tais como a disponibilidade hídrica, nível de fertilidade do solo, cultivar e espaçamentos entre linhas (AR-GENTA et al., 2001).

A mensuração de densidade de plantas é comumente realizada de forma manual com auxílio de uma trena, a qual é colocada paralelamente ao plantio e dentro do intervalo da trena são contadas o número de plantas. Por exemplo, em um intervalo de 10 metros lineares são contabilizadas 30 plantas, ou seja, 3 plantas por metro linear.

A distribuição em linha do plantio está relacionada ao estabelecimento de um arranjo espacial uniforme de plantas, sendo outro fator importante para alcançar alto rendimento pro-dutivo. Os estandes uniformes são aqueles em que as plantas se apresentam equidistantemente

distribuídas e emergem simultaneamente na mesma época (SANGOI et al., 2013).

A uniformidade permite uma melhor distribuição das plantas, aumentando a eficiên-cia na interceptação de radiação fotossinteticamente ativa, o que possibilita a diminuição na competição entre plantas por água, luz e nutrientes (SANGOI et al., 2002; ALVAREZ et al., 2006). Portanto, a escolha do arranjo espacial adequado de plantas é importante para maximi-zar o rendimento de grãos, pois afeta diretamente a interceptação de radiação solar (LOOMIS; AMTHOR, 1999; ARGENTA et al., 2001; BRACHTVOGEL et al., 2012), que é um dos prin-cipais fatores que influenciam no rendimento de grãos (LOOMIS; AMTHOR, 1999), desde que outros fatores como água e nutrientes estejam disponíveis sem limitações.

A uniformidade do estande é um fator importante para o rendimento de grãos. Na Figura 3, é apresentado um exemplo de desuniformidade de semeadura em função da variação da distância entre plantas na linha de plantio.

Figura 3: Exemplo de desuniformidade na linha de plantio: (a) uniformidade ideal; (b) planta fora do lugar; (c) falha e (d) duplas.

Somente alcançar o número de sementes por metro linear não garante ao produtor o total rendimento da lavoura, pois se as sementes não estiverem distribuídas de maneira uniforme o rendimento pode ser comprometido (HORN, 2010).

É possível medir a uniformidade do plantio na linha através do percentual de falhas e duplas. A Associação Brasileira de Normas Técnicas (ABNT) considera que valores acima de 1,5 vezes do espaçamento médio entre plantas como falhas e valores abaixo de 0,5 vezes como duplas, conforme descrito em (KURACHI et al., 1989). No entanto, não é possível contabilizar as sementes que foram deslocadas durante o processo de plantio. Dessa forma, a maneira mais adequada para mensurar a uniformidade do plantio é através da utilização do coeficiente de va-riação ou desvio padrão. Quanto maior for o valor do coeficiente, maior a vava-riação de distância

entre as plantas (HORN, 2010).

Trabalhos realizados pela Pioneer indicaram que o percentual de coeficiente de varia-ção aceitável seria de 25%. No Brasil o percentual encontrado está acima de 30% sendo superior a 60% em alguns casos. Fato que também foi identificado em estudos de algumas instituições de ensino e pesquisas brasileiras (HORN, 2010).

2.4 PERDAS NO PLANTIO

Segundo o estudo inédito realizado pelo IBGE, os Indicadores Agropecuários 1996-2003, onde foi realizada uma análise e quantificação das perdas dos principais grãos brasileiros. As perdas são classificadas em 3 grupos: (1) pré-colheita, (2) período de colheita e (3) pós-colheita (IBGE, 2004).

As perdas na pré-colheita são as que ocorrem da semeadura até o momento que an-tecede a colheita. Podem ser provocadas por adversidades abióticas, bióticas e por questões econômicas.

As adversidades abióticas estão relacionadas diretamente com a ordem climática. Con-forme a intensidade e amplitude dos eventos climáticos adversos, podem ocorrer atrasos nas colheitas, destruição de lavouras, acarretamento de deiscência nos frutos, queda de sementes e germinação ineficaz de sementes e frutos. As adversidades bióticas estão relacionadas princi-palmente à incidência de doenças e pragas nas lavouras.

Entre os fatores de ordem econômica que podem determinar a perda nas lavouras, destaca-se a queda de preço de um determinado produto no momento da colheita, que, em muitos casos, podem levar o produtor a inutilizar a sua lavoura.

No plantio, por razões econômicas ou por falta de conhecimento técnico, o uso de sementes de baixa qualidade, a escolha de variedades inapropriadas para as condições edafocli-máticas da região, o preparo inadequado do solo, a semeadura fora do tempo, são fatores que podem acarretar perdas nas lavouras, tanto na fase de pré-colheita, quanto na colheita.

A desuniformidade dos espaçamentos entre plantas é apontada por alguns estudos como um fator de perdas na produção de grãos de milho. Nielsen (1991) relatou uma redu-ção de cerca de 2,5 bushels4por acre, que equivalem à 62 kg por hectare, para cada centímetro de acréscimo no desvio padrão dos espaçamentos entre plantas. Doerge et al. (2002) encontra-ram efeitos semelhantes, onde eles relataencontra-ram uma perda de 3,4 bushels por acre (84 kg/ha) para

cada centímetro de acréscimo do desvio padrão da distribuição de plantas dentro da linha de plantio.

As perdas na colheita são causadas principalmente pela falta de manutenção e regu-lagem das colheitadeiras, e também, por diversidades climáticas. Para minimizar as perdas é necessário que o agricultor observe uma série de cuidados, por exemplo, o grau de maturação fisiológico dos grãos e decidir com exatidão o momento de inciar a colheita. As perdas na colheita se devem:

• À falta de manutenção das colheitadeiras;

• À falta de regulagem ou de ajuste fino das máquinas, que devem ser realizadas no mo-mento da colheita, levando em conta o grau de umidade e maturação dos grãos;

• À idade ou obsolência da frota;

• O número ainda reduzido de operadores de colheitadeiras capacitados;

• Não observância da velocidade ideal da operação das máquinas e dos elementos mecâni-cos diretamente responsáveis por uma pró-eficiência na colheita (molinete, barra de corte, caracol, etc.).

As perdas após a colheita podem ocorrer em duas situações: no transporte e no arma-zenamento dos produtos.

Na armazenagem as perdas decorrem, em geral, da insuficiência estrutural ou inade-quada da rede de armazenamento, bem como do baixo nível de qualificação da mão-de-obra que opera os secadores, as câmaras de expurgo, os aeradores e outros equipamentos de recepção, movimentação e conservação dos produtos nas unidades de armazenamento.

No momento do armazenamento podem ocorrer perdas físicas e perdas de qualidade do produto. As perdas físicas são identificadas pelo peso dos estoques, principalmente pelo ataque de insetos, e pela umidade dos grãos. Tanto as perdas físicas com as de qualidade dos grãos estão associadas ao tempo da existência dos estoques e às condições de armazenamento dos mesmos.

No transporte dos grãos ocorrem as maiores perdas, devido a longa distância percorrida e o tipo de transporte escolhido para deslocar a carga. O Brasil, ao contrário da Argentina e Estados Unidos não escolhe o transporte pelo custo. Conforme o IBGE (2004), a estimativa é de que 67% das cargas brasileiras são deslocadas pelo modal rodoviário, o menos vantajoso

para longas distâncias. O modal rodoviário é o mais adequado para as distâncias inferiores a 300 km, enquanto o ferroviário é o mais adequado para distâncias acima de 300 km até 500 km; e o fluvial para distâncias acima de 500 km.

Nos últimos anos, estimativas de perdas de grãos baseadas na variação das distâncias entre plantas em uma linha de plantio vêm sendo estudada por diversos pesquisadores, mas sua influência em relação a produtividade de grãos ainda é questionável (LAUER; RANKIN, 2004). Mesmo assim é possível encontrar algumas técnicas de estimativas como o método proposto por (CARLSON et al., 2002) baseado no desvio padrão das distâncias entre as plantas ou a técnica mencionada na palestra online realizada pela DuPont Pioneer sobre o plantio de precisão, ministrada por Itavor Nummer Filho no dia 11 de Agosto de 2011 (PIONEER, 2011). Nesta apresentação, o ministrante indica o uso do coeficiente de variação para estimar as perdas de grãos causadas pela desuniformidade dos espaçamento entre plantas. O cálculo para estimar as perdas é considerado simples, sendo a cada 10% do coeficiente de variação são perdidos 1,5 sacos/ha.

2.5 TRABALHOS RELACIONADOS

O arranjo espacial de plantas vem sendo analisado por diversos pesquisadores, em consequência da sua influência na produção de grãos. Nesse contexto, são encontrados diversos trabalhos referentes à mensuração da densidade populacional e espaçamento entre plantas. A seguir serão apresentados alguns trabalhos relacionados.

Shrestha e Steward (2003) desenvolveram um sistema baseado em visão de máquina para mensurar a população de plantas de milho em fases inciais de crescimento. A captura do vídeo foi realizada por uma câmera acoplada a um carro percorrendo a linha de plantio. Em seguida, as imagens adquiridas passaram por um processo de sequenciamento. Um novo método de sequenciamento de imagens (mosaico de imagens) foi proposto, em consequência das técnicas atuais apresentarem resultados errôneos em situações nas quais as plantas estejam em movimento devido ao vento. Após a construção do mosaico de imagens ainda era necessário a separação dos pixels vegetativos dos pixels de fundo, para isso foi empregado o método de segmentação de vegetação proposta por (SHRESTHA et al., 2001). A última etapa do trabalho é a contagem de plantas dentro do mosaico de imagens, para isso foi proposto um método iterativo baseado no comprimento das regiões de planta. A estimativa de contagem de plantas pelo sistema resultou em uma taxa de erro 5.4%.

den-sidade populacional e o espaçamento entre plantas. O processo de aquisição, sequenciamento de imagens e segmentação foram os mesmos usados em (SHRESTHA; STEWARD, 2003). Na etapa seguinte, a identificação das plantas foi realizada pelo método de Otsu (OTSU, 1979) modificado para processar os histogramas bimodais gerados pelas plantas de milho e ervas da-ninhas. Os centros das plantas foram encontrados com auxílio da regressão linear, sendo assim possível estimar os espaçamentos entre plantas e comparar o resultado do algoritmo com as medições manuais. As medições em pixels não apresentaram diferenças significativas das me-dições manuais demonstrando sua eficácia para estimação de espaçamento entre plantas.

Shrestha e Steward (2005) apresentam um método de estimação de população de plan-tas e espaçamento utilizando processamento de imagens. As etapas iniciais de aquisição, se-quenciamento de imagens e segmentação seguem o mesmo fluxo de (SHRESTHA; STEWARD, 2003). O método é baseado no código da cadeia (FREEMAN, 1961) para classificação das re-giões de plantas aplicando-se duas características de forma. Os centros das plantas, da mesma forma, utilizaram o código da cadeia minimizando a soma das distância de um centro local para todas as coordenadas do limite. A uniformidade das variâncias de distâncias foi testada pelo método modificado de Levene (CONOVER et al., 1981). Esse trabalho demonstrou que as ca-racterísticas de forma podem ser utilizadas para distinguir plantas de milho de ervas daninhas, além de apresentarem melhorias nas estimativas populacionais de plantas.

Tang e Tian (2008a) desenvolveram outra metodologia para a medição automática de espaçamento entre plantas de milho aplicadas sobre um mosaico de imagens. O mosaico de imagens foi montado utilizando a técnica proposta por (TANG; TIAN, 2008b). Para a segmen-tação da imagem foi aplicado a transformação de cor EGRBI (excess green, red-blue, intensity) em conjunto com agrupamento k-means para o desenvolvimento posterior de um classificador Bayesiano (STEWARD; TIAN, 1999). Na etapa de identificação das plantas de milho nova-mente foram usadas duas características de forma para distinguir as plantas de milho das ervas daninhas. Para a localização do centro das plantas foram propostos dois métodos. O primeiro por meio do algoritmo de segmentação de cores (STEWARD; TIAN, 1999) composto por uma operação morfológica de erosão. E o segundo, mais robusto, encontrando o ponto de satura-ção máxima dentro do esqueleto extraído da planta. Após esse procedimento ainda é possível encontrar classificações errôneas das plantas. Para corrigir esse problema foi adicionado um método de correção manual. Por fim, os espaçamentos entre plantas são comparados com a medições manuais e usando regressão linear para validar os resultados. O algoritmo apresentou uma taxa de erro de 3.7%. Dessa forma, em um estande com 100 plantas, apenas 4 precisariam ser identificadas de modo manual.

Chuanyu et al. (2011) também propuseram uma metodologia baseada em visão compu-tacional para estimar o espaçamento entre plantas de milho em fase inicial de crescimento. As imagens foram capturadas utilizando uma câmera acoplada em um trator a 0,85 metros do chão e posicionada verticalmente em uma visão superior das plantas. Com as imagens capturadas, foi montado um mosaico usando as características SIFT (Scale Invariant Feature Transform) (LOWE, 2004). Esse método transforma os dados da imagem em coordenadas de escala in-variantes a translação, escala e rotação para realização do sequenciamento. Para segmentar as imagens mosaico e separar as plantas do fundo da imagem foi utilizada a superfície elipsoidal truncada (SHRESTHA et al., 2001). Em seguida, as regiões das plantas segmentadas com in-tuito de localizar o centro das plantas foi extraído o esqueleto e definindo o pixel com a menor intensidade de cinza, pertencente ao esqueleto, sendo o centro do tronco da planta. Antes de estimar o espaçamento entre plantas o autor encontrou a melhor linha utilizando a transformada de Hough para posicionar os centros das plantas. Os espaçamentos estimados pelo sistema foram comparados com as medições manuais e não apresentaram diferenças significativas.

Recentemente estudos apresentaram uma novo método de estimação de densidade po-pulacional e espaçamento de plantas utilizando sensores 3D. Esse procedimento é aplicado a plantas de milho em estágios mais avançados.

Nakarmi e Tang (2012) desenvolveu uma metodologia baseada em visão computa-cional com aquisição das imagens por um sensor 3D. Esse sensor captura as informações de distância, intensidade e amplitude em uma única vez. O sensor foi acoplado a um carrinho posicionado de forma que fosse possível capturar as imagens laterais da planta. A separação das plantas do fundo da imagem utilizou um limiar de profundidade de 0,6 m sendo que qual-quer pixel além desse valor foi considerado como fundo. Esse procedimento removeu quase todo o conteúdo do solo da imagem, permanecendo somente a região de interesse. A partir dessas regiões de interesse foram extraídos os esqueletos pelo método proposto em (ROSEN-FELD, 1975) e a partir deles identificadas as posições dos caules. Ocorreram sobreposições no processo de captura das imagens, sendo necessário criar um mosaico de imagens para posterior-mente estimar a distância entre as plantas. Inicialposterior-mente tentaram aplicar o método de sequenci-amento de imagens proposto por (TANG; TIAN, 2008a), mas devido o ângulo de aquisição das imagens serem distintos, os resultados não foram satisfatórios. Dessa forma, foi proposto um novo método de sequenciamento de imagens combinando os dados do codificador (sensor 3D) e o resultado da identificação do caule. Por fim, as coordenadas dos caules foram transformadas em coordenadas reais e calculadas as distâncias entre as duas plantas de milho e novamente a distância manual foi utilizada como medida de comparação. Os resultados demonstram que o uso do sistema de visão 3D pode medir com precisão o espaçamento entre as plantas em uma

linha de cultura, com uma taxa de erro 2,2% de identificação das plantas.

Nakarmi e Tang (2014) propuseram uma abordagem multi-view para medição de den-sidade populacional e estimação do espaçamento utilizando um sensor 3D. As imagens foram capturadas com um carrinho de 3 rodas projetado para que área de aquisição da imagem fosse coberta para que a luz solar não refletisse diretamente nas plantas. As imagem foram segmenta-das utilizando um limiar de profundidade e amplitude para separar as plantas do fundo e solo. A etapa seguinte foi o processo de identificação do caule das plantas para isso encontrou as linhas de Hough com uma angulação máxima de 15◦. Essas linhas foram agrupadas conforme suas proximidades e a mediana dessas linhas foi utilizada como a melhor linha. As regiões de plantas em torno dessa linhas foram cortadas e extraídos os esqueletos, o ponto inferior do esqueleto foi utilizado como centro do caule. O mosaico de imagens foi criado a partir de informações do sensor 3D e da posição dos caules encontrados. Uma abordagem multi-view foi proposta para calcular a distância entre plantas. A ideia foi calcular a distância entre duas plantas em mais de uma imagem e selecionar a distância que o algoritmo indicar como melhor. Essas distâncias foram comparadas com as medições manuais. O sistema mult-view não apresentou erros de detecção de plantas de milho e a estimação de espaçamento entre plantas obteve uma taxa de erro quadrático de 2,54 cm.

Este trabalho apresenta uma abordagem simples e eficaz para analisar o arranjo espa-cial de plantas de milho. Em particular, a abordagem utiliza apenas de características de forma para identificar as plantas de milho presentes nas imagens, as quais possuem três situações dis-tintas de plantio, como descrito na seção 5.2, com a finalidade de realizar a mensuração dos espaçamentos entre plantas e extrair informações relevantes do plantio. Além disso, a aborda-gem é composta de técnicas de baixo custo computacional, permitindo que seja implementada em dispositivos com baixo poder computacional, como smartphones e tablets.

3 VISÃO COMPUTACIONAL

A visão computacional tem como objetivo resolver problemas altamente complexos, tentando imitar a cognição humana e a habilidade do ser humano em tomar decisões de acordo com as informações presentes na imagem (PEDRINI; SCHWARTZ, 2008), para isso ela inte-gra as áreas de processamento de imagens e inteligência artificial (NEVES et al., 2012). Suas aplicações envolvem diversos segmentos tecnológicos, os quais envolvem análise de imagens, reconhecimento de padrões e controle inteligente, incorporando múltiplas áreas de conheci-mento, tais como agronomia, astronomia, biologia, biometria, medicina e outras. Portando, é uma área multidisciplinar com muitas aplicações práticas (NEVES et al., 2012).

Pedrini e Schwartz (2008) com intuito de simplificar o entendimento abstraiu a visão computacional em dois níveis: processamento de imagens (baixo nível) e análise de imagens (alto nível).

O processamento de imagens digitais pode ser definido como todo o processo que envolve entrada e saída de uma imagem digital (GONZALEZ; WOODS, 2006) através de um computador digital. O emprego desse processo permite extrair e identificar informações das imagens, melhorar a qualidade visual de certos aspectos estruturais, facilitando a percepção humana e a interpretação automática por meio das máquinas (PEDRINI; SCHWARTZ, 2008).

A análise de imagens é baseada na forma, textura e níveis de intensidades dos obje-tos presentes na imagens. Tendo como grande desafio seu carácter multidisciplinar que exige domínios em diversas áreas de conhecimento, tais como geometria computacional, visualiza-ção científica, psicofísica, estatística, teoria da informavisualiza-ção e outros (PEDRINI; SCHWARTZ, 2008).

O processamento de imagens é constituído de um conjunto de etapas ilustradas na Figura 4. No entanto, isso não significa que todas as etapas são aplicadas, variando na resolução de determinados processos e problemas. Uma simples descrição das etapas é apresentada a seguir:

Figura 4: Fluxograma representando as etapas do processamento de imagens. Fonte: Adaptado de Gonzalez e Woods (2006).

uma imagem que já esteja em formato digital ou envolvendo outros dispositivos como uma câmera fotográfica.

Realce de Imagens: é o processo de manipulação de uma imagem de forma que o resultado seja mais adequado do que original para uma aplicação específica.

Restauração de imagens: é todo processo que tem como objetivo melhorar de forma visual uma imagem digital.

Processamento de imagens coloridas: é a etapa que envolve o processamento básico de cores e modelos de cores em uma ambiente digital.

Wavelets: constituem os fundamentos de representação de imagens em vários níveis de resolução.

Compressão: constituem todas as técnicas de redução de armazenamento e transmis-são de imagens.

Processamento morfológico: essa etapa é composta de ferramentas para extração de componentes de uma imagens, úteis na representação e descrição de imagens.

Segmentação: é composta de métodos que tem objetivo de dividir uma imagem em partes ou objetos constituintes.

Representação e descrição: essa etapa transforma dados primários, como pixels, em um formato apropriado para o processamento computacional.

Reconhecimento: é o processo que atribui rótulos a um objeto com base em seus descritores.

3.1 FUNDAMENTOS DE IMAGENS DIGITAIS

O propósito dessa seção é apresentar alguns dos principais conceitos relacionados a processamento de imagens, afim de facilitar a compreensão do trabalho.

Uma imagem digital refere-se a uma função bidimensional, f (x, y), onde x e y são as coordenadas espaciais de um plano, e o valor de f em qualquer ponto das coordenadas (x, y) representa a intensidade presente naquele ponto. Quando x,y e os valores de intensidade de f são quantidades finitas e discreta chamada de imagem digital. Esses pontos possuem localização e valores específicos dentro da imagem e são chamados de pixels (contração do inglês de picture element) termo mais utilizado para representar elementos de uma imagem

(GONZALEZ; WOODS, 2006). A Figura 5 exibe a representação de uma imagem discreta e sua subdivisão de pixels.

Figura 5: Descrição dos valores dos pixels de uma imagem digital. (a) Imagem original, (b) Imagem discreta e (c) Intensidade dos pixels.

O nível de intensidade em um pixel varia entre 0 e 255 em imagem digital de 8 bits, essa imagem possui apenas tons de cinzas em suas tonalidades. Um dos modelos para representação de imagens coloridas é o modelo RGB (acrônimo do inglês Red, Green e Blue), no qual o número de bits para representar um pixel passa a ser chamado de profundidade de pixel. A profundidade do pixel em uma imagem RGB é de 24 bits, na qual um pixel corresponde a um trio de valores [(R, G, B)], sendo que cada valor representa uma imagem de 8 bits em sua tonalidade. A junção dessas três imagens formam uma imagem RGB.

Para transformar uma imagem do modelo RGB para uma imagem de níveis de cinzas é necessário unir os canais para que os mesmo formem um só, para isso pode se utilizar de uma aproximação simples que é a soma dos valores de cada canal RGB pertencentes a um pixel dividido pelo quantidade de canais, o resultado é tonalidade de cinza daquele pixel, o processo deve ser realizado em toda imagem percorrendo cada pixel que deseja ser convertido.

Existem três tipos de vizinhanças entre os pixels: Conectividade 4 no qual um pixel p na coordenada (x, y) tem quatro vizinhos considerando que os pixels vizinhos podem estar na vertical, na horizontal e até mesmo na diagonal do pixel central. Caso p esteja na borda da imagem alguns destes vizinhos podem não pertencer a imagem; Conectividade 8 na qual a vizinhança considera os oito pixels em todas as direções do pixel central e a de Conectividade M na qual é modificado a conectividade de 8 produzindo conexões de formas diferentes. A Figura 6 apresenta 2 exemplos de vizinhança.

Conhecer a conectividade entre os pixels, auxilia em diversas técnicas de processa-mento de imagem como determinação de rótulos em objetos e regiões pertencentes a imagem,

Figura 6: Exemplos de vizinhanças de pixels (a) 4 - Conectividade e (b) 8 - Conectividade.

através das características comuns extraídas dos pixels vizinhos. Após definir os rótulos é pos-sível calcular distâncias, enumerar a quantidade de elementos e até mesmo segmentar objetos da imagem.

De modo geral, o Histograma de uma imagem digital é o agrupamento dos pixels que possuem a mesma intensidade. A sua construção é dada por uma função discreta h(r_k) = n onde r_k é o K-ésimo valor de intensidade e nk é o numero de pixels da imagem com intensidade rk

(GONZALEZ; WOODS, 2006).

O histograma pode ser utilizado para diferentes finalidades como realce de imagens digitais, compressão, segmentação e classificação. Aplicar somente o histograma para caracte-rização de uma imagem não é o indicado, pois o mesmo não armazena informações espaciais e contém informações redundantes pelo grande número de valores gerados em sua descrição (LOPES, 2003).

Pelo nível de complexidade baixa em sua implementação, o histograma é uma técnica muito utilizada em aplicações que necessitem de economia de hardware e para processamento de imagens em tempo real.

Segundo Gonzalez e Woods (2006) a filtragem espacial (também chamada de máscara, kernels, templates e janelas) é uma das principais ferramentas utilizadas no processamento de imagens e têm como características realizar operações diretamente nos valores dos pixels con-tidos em uma vizinhança. Essa técnica possui uma ampla gama de aplicações como filtros de realce, suavização e segmentação.

Um filtro espacial consiste em uma vizinhança de pixels e um operação pré-definida a ser realizada sobre os pixels incluídos na vizinhança. A máscara então percorre a imagem pixel-a-pixel aplicando a operação para armazenar o resultado dessa operação utiliza-se de uma matriz ou uma imagem possuindo as mesmas dimensões da imagem de entrada. O resultado é

colocado nas coordenadas do pixel central da máscara gerando uma imagem filtrada.

3.2 PRÉ - PROCESSAMENTO

Nesta seção serão apresentado os métodos utilizados na etapa de pré - processamento com objetivo de reduzir os ruídos presentes na imagens, afim de colaborar com etapas posteri-ores.

Os filtros de suavização tem como resultado da aplicação em uma imagem digital um efeito de borramento e redução de ruídos. Esses filtros são aplicados com objetivo de remoção de pequenos detalhes da imagem antes da extração de objetos e conexão de pequenas descontinuidades em linhas e curvas (GONZALEZ; WOODS, 2006). Existem dois tipos de filtros espaciais de suavização que são: filtragem linear e não linear.

Os filtros lineares são implementados por meio do cálculo da média dos pixels contidos na vizinhança da máscara de filtragem. Esse filtros tem como efeito minimizar os ruídos sem alterar o nível médio de intensidades da imagem.

Os filtros não lineares são obtido por medidas estatísticas, como a mediana dos pixels presentes na vizinhança definida pela máscara. Seus resultados em relação a redução de ruí-dos são comumente superiores as filtros da média, mas sua aplicação altera o nível médio da imagem.

O filtro da média também conhecido por filtragem espacial de passa-baixas (GONZA-LEZ; WOODS, 2006), pode ser implementados utilizando o cálculo da média aritmética ou da média ponderada. O filtro da média aritmética aplica-se a máscara com todos os coeficientes com valor 1, enquanto o filtro da média pondera os coeficientes possuem pesos diferentes, como exibido na Figura 7.

Figura 7: Representação das máscaras 3 x 3 do filtro da média. (a) Posição dos pixels. (b) Média aritmética. (c) Média ponderada.

Outro ponto importante é que quanto maior for o tamanho da máscara utilizada maior será o resultado do borramento e da remoção de ruídos, consequentemente a perda de informa-ções crescera proporcionalmente.

R= 1 T N

∑

A equação 1 exibe o cálculo do filtro da média, onde R é o valor que irá substituir o pixel da posição central da máscara, T é a soma dos valores dos coeficientes, z os valores das intensidades dos pixels, N o total de pixels dentro da máscara sendo que é i = 1, 2, ..., N.

Para aplicar esse método em imagens no formato RGB deve se calcular a média das intensidades dos pixels de forma separada para compor uma nova cor em RGB, substituindo a cor do pixel central.

O filtro da mediana consiste em substituir a intensidade do pixel central pela mediana dos pixels capturados pela máscara aplicada. Esse é o filtro de ordem estática mais útil no processamento de imagens, pois para determinados tipos de ruídos como o conhecido ruído de sal e pimentaessa técnica proporciona excelentes resultados na redução de ruídos e preservação da agudeza de bordas e linhas (GONZALEZ; WOODS, 2006), fator importante para extração de objetos da imagem.

Para implementar a filtragem pela mediana em um pixel da imagem, deve primeiro ordenar os valores dos pixels da vizinhança, de forma incremental ou decremental, incluindo o pixel central, então calcula-se a mediana dos pixels e atribui o valor ao pixel central, como por exemplo uma vizinhança de 3 x 3, a mediana é o 5◦ valor ordenado e de uma vizinhança de 5 x 5 é o 13◦ valor ordenado. Assim a principal função do filtro da mediana é obrigar que intensidades distintas se assemelhem com sua vizinhança.

3.3 ÍNDICES DE VEGETAÇÃO

Os índices de vegetação são transformações de imagens baseadas nos espaço de cores RGB, onde o resultado final são imagens em tons de cinza que apresentam os pixels de vege-tação realçados. Para separar os pixels vegevege-tação dos outros pixels de uma imagem em tons de cinza é necessário passar por um limiar ajustável como o método de Otsu.

Normalmente antes de computar os índices de vegetação, os valores dos canais de cores R, G e B são normalizados de forma individual. A normalização pode ser realizada dividindo o valor atual da banda pelo valor mais elevado encontrado dentro da faixa espectral para imagem

que está sendo analisada. Os valores variam entre [0, 1] de acordo com a equação a seguir: ˆ R= R R_m, Gˆ= G G_m, Bˆ= B B_m, (2)

onde R, G e B são os valores reais do pixel analisado, Rm, GmeBm são os valores máximo de

cada canal e ˆR, ˆGe ˆBsão os valores normalizado de cada canal.

A segunda normalização é frequentemente aplicada em segmentação de imagens na agricultura (GÉE et al., 2008), nessa operação são somados os valores dos três canais para estimar um valor unitário do pixel, como segue:

r= R R+ G + B, g = G R+ G + B, b = B R+ G + B, r + g + b = 1. (3) Finalmente, após a normalização dos canais de cores, podem ser calculados os índices de vegetação. O resultado final desse cálculo são imagens em tons de cinza, as quais podem ser binarizadas utilizando um limiar. A Tabela 2 apresenta os principais índices de vegetação encontrados na literatura.

38

Nome Fórmula Observação

Verde excessivo (ExG) ExG= 2g − r − b Woebbecke et al. (1995) estudou diversos índices de vegetação com o objetivo de distin-guir as plantas do solo. O índice de verde excessivo apresentou desempenho satisfatório em várias condições de iluminação solar. Alguns anos depois, Ribeiro et al. (2005) rea-lizou algumas modificações no índice, baseando-se em estudos feitos no espaço de cores CYMK (Cyan-Margenta-Yellow-Black).

Vermelho excessivo (ExR)

ExR= 1.4r − g O índice de vermelho excessivo foi descrito em (MEYER et al., 1999). O autor também testou o índice verde excessivo, porém, os resultados foram inferiores ao índice proposto. Índice de diferença

normalizada (NDI)

NDI= (g−r)_(g+r) O índice de diferença normalizada foi proposto por (WOEBBECKE et al., 1993). O índice é semelhante a infravermelho, utilizando a luz vermelha de reflexão para separar as plantas do solo. Recentemente, o índice foi utilizado em (PEREZ et al., 2000), para separar ervas daninhas e plantas de cereais do solo.

Índice de cor de vege-tação (CIVE)

CIV E = 0.441r −

0.811g + 0.385b + 18.78745

O método foi utilizado para distinguir plantas de soja (KATAOKA et al., 2003).

Verde excessivo me-nos vermelho exces-sivo (ExGR)

ExGR= ExG − ExR Em (CAMARGO NETO, 2004) o autor combinou dois índices de vegetação, verde ex-cessivo e vermelho exex-cessivo, criando o índice denominado de Verde exex-cessivo menos vermelho Excessivo (ExG - ExR). O índice proposto apresentou resultados superiores ao índice de verde excessivo e o índice de diferença normalizada.

Índice vegetativo (VEG)

V EG = g

ra_b1−a, a = 0.667

Esse índice foi proposto por (HAGUE et al., 2006). Duas vantagens do método são desta-cadas a insensibilidade em relação a amplitude de iluminação e a invariância em relação a temperatura de cor. No entanto, o trabalho não indica como ajustar a constante a. Índices combinados

(COM)

COM = 0.25ExG +

0.30ExGR +

0.33CIV E + 0.12V EG

Guijarro et al. (2011) propôs a combinação de vários índices de vegetação afim de aumen-tar o contraste entre as plantas e o solo, melhorando o resultado da segmentação. Após experimentos foram definidos quatro índices mais relevantes, onde foram atribuídos pesos a cada um deles conforme a taxa de erro de cada segmentação. O CIVE foi considerado o método mais relevante.