ÀDEUS PELA OPORTUNIDADE E RESULTADOS ALCANÇADOS.
ÀPROFA.DRA.BÁRBARA TERUEL PELA SUA ORIENTAÇÃO, APOIO, CONSELHOS, CRÍTICAS E PALAVRAS DE INCENTIVO.
AOS PROF.DR.ALEXANDRE MOTTA (IN MEMORIAM),PROFA.DRA.LIA MOTTA E ENGENHEIRO JOSÉ RICARDO ALVES PELO SUPORTE TÉCNICO NA MONTAGEM E USO DOS DRONES.
AOS COLEGAS WESLEY SANTIAGO,FELIPE OLIVEROS,DANILO FIGUEIREDO E RODOLPHO TININI PELAS OBSERVAÇÕES E COLABORAÇÃO.
AOS FUNCIONÁRIOS DO CAMPO EXPERIMENTAL DA FEAGRI PELA DEDICAÇÃO E PRESTEZA.
ÀS DRA.ROSA AGUIAR E DRA.RAQUEL CAVASINI PELO AUXÍLIO NO RECONHECIMENTO DE PLANTAS E TESTES DE GERMINAÇÃO DE SEMENTES.
AOS FUNCIONÁRIOS DA SECRETARIA DA FEAGRI PELA EXCELÊNCIA NO ATENDIMENTO A NOSSAS NECESSIDADES.
ÀEMBRAPA PELO CONHECIMENTO ADQUIRIDO E UTILIZAÇÃO DE FERRAMENTAS APROVEITADAS NESTE TRABALHO.
de-açúcar e a qualidade do produto colhido. Assim, o controle de plantas daninhas é de grande importância e hoje em dia, geralmente, feito por herbicidas pós-emergentes. No entanto, grandes volumes de aplicação de herbicidas para o controle de plantas daninhas podem contaminar o solo e as águas, prejudicar a saúde de tralhadores rurais, além de elevar os custos de produção. Considerando isso, o mapeamento espacial de plantas daninhas na lavoura pode ser uma ferramenta que auxilie em seu controle, trazendo três principais benefícios: retornos econômicos consideráveis, menor impacto ambiental e redução de risco de aparecimento de plantas resistentes aos herbicidas. No início, os primeiros mapeamentos de plantas daninhas foram feitos a partir de imagens fornecidas por satélites e aviões, embora esses métodos de sensoriamento remoto tenham a vantagem de cobrir grandes áreas, as resoluções espacial e temporal geralmente não são suficientemente boas para a identificação de plantas daninhas. Uma opção para o mapeamento de plantas daninhas é o uso de Aeronaves Remotamente Pilotadas, que fornece alta resolução espacial e temporal. Este trabalho propõe um sistema de mapeamento de plantas daninhas, baseado em técnicas de aprendizado de máquinas, usando imagens RGB tiradas a partir de Aeronaves Remotamente Pilotadas. O sistema de mapeamento de plantas daninhas foi inicialmente testado com três classificadores, sendo a Rede Neural Artificial o classificador de melhor desempenho, alcançando entre 71% e 76% de taxa de acerto e coeficiente Kappa entre 0,65 e 0,72. Os resultados obtidos podem ser considerados bons, uma vez que os coeficientes Kappa ficaram na faixa de boa concordância, ou seja, entre 0,6 e 0,8, devendo-se levar em consideração, ainda, que os experimentos foram realizados em condições reais de campo, nas quais, as plantas passaram por estresse hídrico e ataque de pragas.
Palavras-chave: aprendizado de máquina; reconhecimento de padrões; Redes Neurais Artificiais; Saccharum spp; VANT
quality of the harvested product. Thus, the weed control is of great importance and nowadays usually made by post-emergence herbicides. Nevertheless, high volumes of herbicide application for weed control may contaminate the soil and water, harm the health of rural workers and also can raise the production costs. Considering this, a weed mapping can be a tool that aids the weed control and brings three benefits: considerable economic returns, less environmental impact and risk reduction of herbicide resistant weed appearance. In the begining, the weed mapping were provided by satellite and airborne imagery, although these remote sensing methods have the advantage of covering large areas, the spatial and temporal resolution are usually not enough for a good pattern recognition. An option for weed mapping is the use of Remotely Piloted Aircraft, which provides high spatial and temporal resolution. This work proposes a system for weed mapping, based on machine learning techniques using RGB images taken from a Remotely Piloted Aircraft. This weed mapping system were initially tested by three classifiers, where the best classifier was the Artificial Neural Network, which achieved an overall accuracy rates between 71% and 76% and kappa coefficient between 0.65 and 0.72. The results obtained can be considered good, considering that the Kappa coefficients were in the range of good agreement, that is, between 0.6 and 0.8, and it should be taken into account that the experiments were carried out under real field conditions, in which the plants underwent water stress and pest attack.
Keywords: artificial neural network; machine learning; pattern recognition; Saccharum spp; UAV
Figura 2. Exemplo de kNN, com três grupos: quadrados azuis, triângulos verdes e círculos
vermelhos. 31
Figura 3. Rede Neural. 33
Figura 4 Diagrama para a coleta e tratamento das imagens e identificação das PDs. 36
Figura 5 DJI F450 (a), DJI Phantom (b) e câmera (c). 37
Figura 6 Sistema de Telemetria: Arduino Uno mais módulo GPS-10710 SparkFun GPS Shield (a), Ethernet Shield W5100 (b) e dados de georreferenciamento gravados em cartão
micro SD (c). 38
Figura 7 Caixa acrílica (a), imagem com resolução de 7 pixels/ (b), imagem com resolução de 59 pixels/ (c), parte da imagem de 7 pixels/ ampliada (d) e parte de imagem selecionada para cálculo de área útil da foto (e). 41 Figura 8 Imagens de I. hederifolia: com 2 cm de altura tirada a partir de RPA (a); com 2 cm tirada a 40 cm do solo (b); de 7 a 16 cm tirada a 1,1 m de altura (c); de 7 a 16 cm tirada a partir de RPA (d) e coletadas para medição de altura (e). 43 Figura 9 - Campo Experimental da FEAGRI em 08/Set/2016 (a) e 03/Jul/2017 (b). 45 Figura 10 Plantas deste estudo: cana-de-açúcar (a), P. maximum (b), I. hederifolia (c), E.
heterophylla (d), I. quamoclit (e) e B. decumbens (f). 46
Figura 11 Aparato utilizado nos testes de germinação das cinco espécies de PDs: soprador
(a) e germinador (b). 47
Figura 12 Germboxes do teste de germinação de I. hederifolia em 30/06/2016 (a) e em
11/07/2016 (b). 48
Figura 13 Aparato Computacional. 49
Figura 14 - Diagrama do Sistema de Identificação de PDs (SIPD). 50
Figura 15 Processo de Amostragem 51
Figura 16 - Imagem de uma lavoura de cana-de-açúcar com infestações de três PDs predominantes (Lepidium virginicum, Nicandra physalodes e Brachiaria decumbens) antes (a) e após a retirada de amostras da cultura e das PDs (b). Fonte: YANO et al. (2017a) 52 Figura 17 - Divisão das Amostras em Subimagens (1) e Cálculo dos Descritores Estatísticos
(2). 54
Figura 18 Processo de Treinamento e Geração de Modelos Classificadores. 55 Figura 19 Processo de Validação e Avaliação de Desempenho dos Classificadores. 56 Figura 20 Processo de Predição de Classe das Imagens do Grupo de Validação 59 Figura 21 Geração de Imagens com PDs Identificadas por Código de Cores 59 Figura 22 - Imagem original com quatro espécies principais de plantas (cana-de-açúcar e Lepidium virginicum, Nicandra physalodes e Brachiaria decumbens) (a). Imagem com cana-de-açúcar destacada em lilás, Lepidium virginicum em amarelo, Nicandra physalodes em violeta e Brachiaria decumbens em azul (b). Fonte: YANO et al. (2017a). 60 Figura 23 Geração de Mapa de Infestação via Google Maps API 61 Figura 24 Imagem de um campo com os pontos de infestação por PDs identificados por
pins. 62
Figura 27 Distribuição dos 7 Tratamentos no Campo Experimental, com três repetições
cada. 70
Figura 28 Partes de imagens originais e com amostras extraídas identificadas com apóstrofe -de-açúcar (a), P. maximum (b), I. hederifolia (c), E.
heterophylla (d) e B. decumbens (e). 73
Figura 29 Partes de imagens originais e com amostras extraídas identificadas com apóstrofe Grupo de Treinamento: cana-de-açúcar (a), P. maximum (b), I. hederifolia (c), E.
heterophylla (d) e B. decumbens (e). 75
Figura 30 Partes de imagens originais, com amostras extraídas identificadas com apóstrofe Grupo de Validação: cana-de-açúcar (a), P. maximum (b), I. hederifolia (c), E. heterophylla
(d), I. quamoclit (e) e B. decumbens (f). 83
Figura 31 Imagem da Lavoura fornecida pelo Google Maps, com pins para acesso a
imagens com PDs identificadas por codigo de cores. 84
Figura 32 Imagem utilizada para extração de amostras e validação de modelos da análise do
dia 10/07/2017. 90
Figura 33 Parte de imagem da Figura 32 utilizada para validação de modelos do Experimento 2 na análise do dia 10/07/2017 (a), a mesma parte com amostras extraídas (b), com PDs e cana-de-açúcar identificadas por código de cores (c) e com as PDs agrupadas em uma única classe em azul e vermelho para cana-de-açúcar (d). 93 Figura 34 Imagem utilizada para extração de amostras e validação de modelos da análise do
dia 01/08/2017. 93
Figura 35 Parte de imagem da Figura 34 utilizada para validação de modelos do Experimento 2 da análise do dia 01/08/2017 (a), a mesma parte com amostras extraídas (b), com PDs e cana-de-açúcar identificadas por código de cores (c) e com PDs agrupadas em um
única classe em azul e cana-de-açúcar em vermelho (d). 96
Figura 36 Germboxes do teste de germinação de B. decumbens em 30/06/2016 (a) e em
11/07/2016 (b). 108
Figura 37 Germboxes do teste de germinação de E. Heterophylla em 30/06/2016 (a) e em
11/07/2016 (b). 108
Figura 38 Germboxes do teste de germinação de P. maximum em 30/06/2016 (a) e em
11/07/2016 (b). 109
Figura 39 Germboxes do teste de germinação de I. quamoclit em 30/06/2016 (a) e em
11/07/2016 (b). 109
Figura 40 Imagens de B. decumbens: com 2 cm tirada a 40 cm do solo (a); coletadas para medição de altura (b); de 4 a 11 cm tirada a 1,1 m de altura (c) e de 4 a 11 cm tirada a partir
de RPA (d). 110
Figura 41 Imagens de E. heterophylla: com 3 cm de altura tirada a 40 cm do solo (a); coletadas para medição de altura (b); de 5 a 15 cm tirada a 1,1 m de altura (c) e de 5 a 15 cm
Figura 43 Imagens de I. quamoclit: com 3 cm tirada a 40 cm do solo (a); coletadas para medição de altura (b); com 18 cm tirada a 1,1 m de altura (c) e com 18 cm tirada a partir de
RPA (d). 113
Figura 44 Imagens do processo de ajuste de identificação por nova amostragem: imagem com erros de identificação em áreas de sombra (a); imagem com erros em áreas de sombra corrigidos (b); imagem de amostragem original (c) e imagem com nova amostragem (d). 116 Figura 45 Resutados obtidos por PEÑA et al. (2015): 1 correto, 2 subestimado, 3 falso
negativo e 4 falso positivo. 136
Tabela 2. Resolução em Função da Altura de Voo. 39
Tabela 3. Resultado do Teste de Germinação 48
Tabela 4. Matriz de Confusão 57
Tabela 5. Interpretação dos valores de coeficiente de Kappa 58 Tabela 6. Imagens de PD Identificadas por Código de Cores e Dados de Georreferenciamento 61
Tabela 7. Número do tratamento e a respectiva descrição 64
Tabela 8. Dados de Treinamento dos Classificadores 68
Tabela 9. Dados de Validação dos Classificadores 68
Tabela 10. Número do tratamento e a respectiva descrição 69 Tabela 11. Dados de Treinamento dos Classificadores da Análise de 10/07/2017 73 Tabela 12. Dados de Validação dos Classificadores da Análise de 10/07/2017 73 Tabela 13. Dados de Treinamento dos Classificadores da Análise de 01/08/2017 75 Tabela 14. Dados de Validação dos Classificadores da Análise de 01/08/2017 75
Tabela 15. Resumo do Desempenho dos Classificadores 76
Tabela 16. Resultados do Classificador RNA para o Experimento 1 77 Tabela 17. Resultados do Classificador RF para o Experimento 1 77 Tabela 18. Resultados do Classificador kNN para o Experimento 1 78 Tabela 19. EP (Taxa de Acerto) e EU (Precisão) do Experimento 1 78
Tabela 20. Resumo dos Resultados de SANTIAGO (2015) 80
Tabela 21. Resumo dos Resultados de SANTIAGO (2015) por Classe 80 Tabela 22. Resumo da Avaliação de Resultados na Detecção de PDs de PEÑA et al. (2015) 81
Tabela 23. Resultados do Experimento 2: RNA, RF e kNN 85
Tabela 24. EP (Taxa de Acerto) e EU (Precisão) do Experimento 2 - referente a Análise
10/07/2017 88
Tabela 25. EP (Taxa de Acerto) e EU (Precisão) do Experimento 2 - referente a Análise
01/08/2017 88
Tabela 26. Resultados do Experimento 2 Agrupando-se as PDs em uma Única Classe 89 Tabela 27. EP (Taxa de Acerto) e EU (Precisão) do Experimento 2 - referente a Análise
10/07/2017 Agrupando Todas as PDs em uma Única Classe 89
Tabela 28. EP (Taxa de Acerto) e EU (Precisão) do Experimento 2 - referente a Análise
01/08/2017 Agrupando Todas as PDs em uma Única Classe 89
Tabela 29. Resultados do Classificador RNA da Análise das Imagens Capturadas em 10/07/17 114 Tabela 30. Resultados do Classificador RF da Análise das Imagens Capturadas em 10/07/17 114 Tabela 31. Resultados do Classificador kNN da Análise das Imagens Capturadas em 10/07/17 114 Tabela 32. Resultados do Classificador RNA da Análise das Imagens Capturadas em 01/08/17 115
115 Tabela 35. Resultado do Classificador RNA da Análise das Imagens Capturadas em 10/07/17
Agrupando Todas as PDs em uma Única Classe 119
Tabela 36. Resultado do Classificador RF da Análise das Imagens Capturadas em 10/07/17
Agrupando Todas as PDs em uma Única Classe 119
Tabela 37. Resultado do Classificador kNN da Análise das Imagens Capturadas em 10/07/17
Agrupando Todas as PDs em uma Única Classe 119
Tabela 38. Resultado do Classificador RNA da Análise das Imagens Capturadas em 01/08/17
Agrupando Todas as PDs em uma Única Classe 120
Tabela 39. Resultado do Classificador RF da Análise das Imagens Capturadas em 01/08/17
Agrupando Todas as PDs em uma Única Classe 120
Tabela 40. Resultado do Classificador kNN da Análise das Imagens Capturadas em 01/08/17
AGL - Above Ground Level ou acima do nível do solo ANAC - Agência Nacional de Aviação Civil
ANATEL - Agência Nacional de Telecomunicações Bd - Brachiaria decumbens
BVLOS - Beyond Visual Line Of Sight ou Além da Linha de Visada Visual CMA - Certificado Médico Aeronáutico
DAP - Dias após o plantio DAS - Dias após a semeadura
DECEA - Departamento de Controle do Espaço Aéreo DG - Desempenho Global
Eh - Euphorbia heterophylla EP - Exatidão do produtor EU - Exatidão do usuário
FPV - First Person View ou visão em primeira pessoa GAB - Gentle AdaBoost
ICA - Instrução do Comando da Aeronáutica Ih - Ipomoea hederifolia
Iq - Ipomoea quamoclit kNN - k Nearest Neighbor
MLC - Maximum Likelihood Classification
MSE - Mean Square Error ou Média dos Erros ao Quadrado OBIA - Object Based Image Analysis
PD - Plantas Daninhas Pixel - Picture Element
RNA - Redes Neurais Artificiais
RPA - Remotelly Piloted Aircraft ou Aeronave Remotamente Pilotada RPAS - Remotelly Piloted Aircraft System ou Sistema de Aeronave
Remotamente Pilotada
SARPAS - Solicitação de Autorização de Voos com RPAS SIPD - Sistema de Identificação de Plantas Daninhas
Ss - Saccharum spp
SVM - Support Vector Machine VANT - Veículo Aéreo Não Tripulado
VLOS - Visual Line Of Sight ou Linha de Visada Visual WEKA - Waikato Environment for Knowledge Analysis
1 Introdução 19 1.1 Hipótese 23 1.2 Justificativa e Objetivos 23 1.2.1 Objetivo Geral 24 1.2.2 Objetivos Específicos 24 2 Revisão bibliográfica 25 2.1 Aquisição de Imagens 25 2.2 Reconhecimento de PDs 26 2.3 Trabalhos Relacionados 28 2.4 Sistemas Classificadores 29
2.5 Construção de Mapas de Infestação por PDs 34
3 Material e métodos 35
3.1 RPA e Procedimentos de Aquisição de Imagens 36
Resolução e Tamanho da Área Útil das Imagens 38
Tamanho das PDs 41 3.2 Plano de voo 44 3.3 Ambiente Experimental 44 Teste de Germinação 46 3.4 Aparato Computacional 48 3.5 Sistemas de Identificação de PDs 49
Amostragem da Cultura e das PDs 50
Cálculo dos Descritores Estatísticos 52
Geração de Modelos 54
Validação de Modelos 55
Identificação de PD por Código de Cores 59
Mapeamento das PDs na Lavoura 60
3.6 Experimento 1 63 3.7 Experimento 2 68 4 Resultados e discussão 76 4.1 Experimento 1 76 4.2 Experimento 2 84 5 Conclusões 97 Referências bibliográficas 99 Teste de Germinação 108
Apêndice 2 Altura das Plantas 110
Apêndice 3 Matriz de Confusão da Análise das Imagens de 10/07/17 114 Apêndice 4 Matriz de Confusão da Análise das Imagens de 01/08/17 115 Apêndice 5 Amostragem para Ajuste do Processo de Identificação de Plantas 116 Apêndice 6 Software Weka para Geração e Validação de Modelos 117 Apêndice 7 Matriz de Confusão da Análise das Imagens de 10/07/17 (PDs em Grupo) 119
Anexo 2 Marco Legal 138 Anexo 3 Resultados na Detecção de PDs de PEÑA et al. (2015) 141
1 INTRODUÇÃO
A cana-de-açúcar, Saccharum spp (Ss), é uma planta pertencente ao gênero Saccharum L., da família Poaceae. Trata-se de uma das culturas mais importantes do mundo, especialmente para o Brasil, que é o maior produtor mundial de açúcar e o segundo maior produtor de etanol. A cana-de-açúcar, também, é matéria-prima de diversos outros produtos, tais como, melaço, bioplástico, biodiesel, querosene e energia elétrica, além de ser muito usada in natura para alimentação animal. Tudo isso faz com que a cana-de-açúcar gere muitos empregos, renda e desenvolvimento econômico para o Brasil (SANTOS et al., 2012; DE MORAES NOGUEIRA, 2015).
O desenvolvimento da cana-de-açúcar depende de diversos fatores como temperatura, luminosidade, condições hídricas e nutrientes (RODRIGUES, 1995). Estes três últimos fatores são influenciados, principalmente, pelo tipo de solo, regime de chuvas, irrigação, adubação e pela presença de plantas daninhas1 (PD). Assim o controle sobre PDs é muito importante na cultura da cana-de-açúcar, uma vez que estas plantas podem causar interferência através da competição pelos mesmos recursos (água, luz e nutrientes do solo) demandados pela cana-de-açúcar (FIGUEIREDO et al., 2013). As PDs, também, prejudicam a qualidade do produto colhido e aumentam os custos de produção (TOLEDO, 2017; DA SILVA, 2013). Outros problemas da presença de algumas PDs é a possibilidade de produzirem substâncias alelopáticas e de serem hospedeiras de doenças e pragas que prejudicam os canaviais (KUVA et al., 2003).
Existem centenas de espécies de PDs (GIROTTO, 2012), que podem provocar até 90% de perda de peso nos colmos da cana-de-açúcar. A interferência sobre o crescimento da cana-de-açúcar é maior na fase inicial do desenvolvimento do canavial (FIREHUN e TAMADO, 2006). O combate às PDs também é mais fácil no início de seu surgimento, por isso, é importante identificar possíveis infestações o mais breve possível (MCMAHON et al., 2000).
O controle de PDs pode ser de caráter mecânico, cultural ou químico. No controle mecânico deve-se tomar o cuidado de ao remover as PDs não atingir a cana-de-açúcar em
1 Planta daninha é um termo utilizado para designar toda planta que não faz parte da cultura,
incluem-se nesta categoria, portanto, plantas invasoras, indeincluem-sejáveis, adventícias e, também, é o caso de uma planta que mesmo sendo útil ao homem, nasceu no meio de outra cultura (ASHTON e MONACO, 1991).
suas partes aéreas ou suas raízes. O controle cultural envolve o preparo do solo, a escolha de cultivares resistentes às PDs e a rotação de culturas. Já o controle químico realiza-se por meio da aplicação de herbicidas, que apresenta como vantagens: economia de mão-de-obra e rapidez na aplicação. Especialistas recomendam a adoção de mais de um método para um melhor controle das PDs e para uma menor agressão ao meio ambiente (DE OLIVEIRA JR, 2001).
Conforme supracitado, o controle químico apresenta vantagens de praticidade na aplicação, principalmente considerando-se que as áreas cultivadas com cana-de-açúcar são bastante extensas. Justamente, devido a grande extensão das plantações, a escolha e a dosagem dos herbicidas tem sido realizada por amostragem e com base na percepção de observadores que identificam PDs em partes da lavoura, com especial atenção para a presença de espécies de maior agressividade. Apesar de a identificação de PDs realizada por análise humana ser mais eficiente, que a realizada por máquinas (BORREGAARD, et al., 2000; ZHANG, 2010), o procedimento por amostragem causa problemas de desperdício e aplicação errada de herbicidas. Uma vez que o grau de infestação e as espécies presentes podem variar na lavoura, causando ineficiências no combate às PDs, elevação de custos e prejuízos ao meio ambiente (AHMED et al., 2014).
O Estado de São Paulo tem adotado, predominantemente, a colheita da cana-de-açúcar sem a queima da palha, devido a imposições legais, desde 06/08/1997 (GONÇALVES e SOUZA, 1997), bem como, por uma maior consciência ambiental por parte da sociedade brasileira. Esse novo procedimento de colheita, que requer o uso de máquinas, deixa uma camada de palha sobre a lavoura. Essa palha, além de proteger o solo contra erosões e perda de umidade, reduz a penetração de raios solares, dificultando a germinação de sementes de PDs. Outro fator que também tem afetado a proliferação de PDs é a liberação de exudatos pela palha, que tem efeito alelopático sobre a germinação de sementes das PDs (SILVA et al., 2003).
Devido a estes fatores, o combate a PDs, em locais onde se adotou a colheita mecanizada, deve ser quase que totalmente por aplicação de herbicidas pós-emergentes, pois as infestações são menores e pontuais, não sendo mais necessária a aplicação em toda a lavoura (FERREIRA et al., 2010).
Considerando que a cana-de-açúcar ocupa grandes áreas e a aplicação de herbicidas em larga escala prejudica a composição físico-química e a qualidade biológica do solo (REIS et al., 2008). Aliando-se a isso, as recentes alterações nas populações e no nível de infestação de PDs, devido a colheita mecanizada (VINICIUS DA SILVA et al., 2015). O
mapeamento de PDs pode ser uma ferramenta bastante útil, trazendo os seguintes benefícios: considerável retorno econômico, menor impacto ambiental e redução do risco de aparecimento de PDs resistentes aos herbicidas (ROCHA et al., 2015).
Com o intuito de se evitar o desperdício na aplicação de herbicidas, que pode decorrer devido sua aplicação homogênea em toda a lavoura, diversos trabalhos foram desenvolvidos para identificação de espécies de plantas por imagens de satélites e aviões (THORP AND TIAN, 2004; CAVALLI et al., 2008). O mapeamento via imagens de satélites ou aviões abrange grandes áreas e isto facilita a construção de mapas de infestação, tendo como problema a baixa resolução espacial, devido a longa distância do objeto a ser fotografado, podendo implicar em dificuldades na identificação das plantas (BRYSON et al., 2010). Existe, também, o problema da resolução temporal, tanto pela demora no reposicionamento do satélite, como também, pela possibilidade de existência de nuvens que impedem uma boa visualização da superfície terrestre. Nestes casos, para se conseguir imagens em condição de análise, podem decorrer vários dias ou mesmo semanas (TORRES-SÁNCHEZ et al., 2013; JOHNSON e TROUT, 2012).
Uma alternativa, que tem recebido interesse em pesquisa para a identificação de PDs por meio de imagens, é a utilização de Aeronaves Remotamente Pilotadas ou Remotelly Piloted Aircraft (RPA) para o mapeamento de PDs em lavouras. PEÑA et al. (2013) descrevem a identificação de diferentes concentrações (livre de infestações, baixa e alta) de PDs, que estão nas entrelinhas de uma lavoura de milho, realizado por meio de análise de imagens capturadas por câmeras multiespectrais, a partir de uma RPA.
A RPA possui limitações técnicas para seu uso, tais como a ocorrência de chuvas ou ventos fortes, que dificultam ou até mesmo impedem o voo e a baixa autonomia de voo. Por outro lado, possui, também, pontos fortes, dentre eles podemos destacar seu custo relativamente baixo, controle sobre o posicionamento da câmera para capturar as imagens (XIANG e TIAN, 2011; RIEKE, 2011), imagens suficientemente próximas ao alvo para permitir a diferenciação entre cultura e PDs em seus estágios iniciais de desenvolvimento (TORRES-SÁNCHEZ et al., 2014), além da possibilidade de revisitar os locais de análises sempre que necessário (SUGUIURA et al., 2016). Estes pontos fortes contribuem para que as atenções se voltem para a RPA como possível recurso tecnológico a ser usado em sistemas de identificação de PDs.,
A coleta das imagens é a primeira etapa do processo de identificação de PDs em imagens de lavouras. Finalizada esta etapa faz-se necessário o processamento das imagens, que é o processo de reconhecimento de padrões das PDs nas imagens. Basicamente
extraem-se informações de partes das imagens (subimagens) ou dos pixels2, e caso estas informações obedeçam a um padrão de planta, é possível atribuir a esta subimagem ou pixel uma categoria de PD ou cultura. O processo de atribuição de uma categoria a uma subimagem ou pixel pode ser de forma direta por comparação/heurística (SAARI et al., 2013), posição na qual se encontra a planta na lavoura, por exemplo, entrelinhas (PEÑA et al., 2013), ou de forma indireta, utilizando-se de algoritmos de classificação tais como kNN (YANO et al., 2017b), Redes Neurais Artificiais (TANG et al., 2003), Random Forest (YANO et al., 2016), entre outros.
No tratamento de imagens coletadas a partir de satélites costuma-se trabalhar com valores de pixels, sendo que cada pixel representa uma grande área (de alguns a vários metros quadrados), por exemplo 3,4 (ANDRADE et al., 2014), que pode conter várias espécies de plantas e outros objetos. Por este motivo, em imagens de satélite somente é possível fazer identificações de PDs em locais onde haja alta infestação. No caso das RPAs é possível trabalhar com subimagens, que são conjuntos de pixels, uma vez que as imagens podem ser capturadas com pouca distância do alvo e terem, portanto, resolução suficiente para que em uma subimagem tenha predominância de uma determinada espécie de planta. A partir das subimagens é possível extrair informações derivadas dos valores dos pixels, tais como, média, desvio padrão e variância da subimagem e assim conseguir aumentar a quantidade de padrões que caracterizam as plantas a serem identificadas. Isto aumenta as possibilidades de identificação, uma vez que o reconhecimento de padrões não está restrito aos valores dos pixels, possibilitando a identificação de PDs mesmo em áreas com pouca densidade de infestação (BORREGAARD, et al., 2000). Sendo a maior resolução, uma das principais vantagens da utilização de imagens de RPAs em relação a imagens de satélites (TORRES-SÁNCHEZ et al., 2013).
2 A resolução descreve a quantidade de informação que uma imagem pode apresentar, sendo medida
em pixels
da imagem e contém informações de cores e intensidade (brilho). Uma imagem com uma dada resolução será apresentada com melhor qualidade em um monitor menor e perderá qualidade em monitores maiores (AZEVEDO e CONCI, 2003). No Sistema RGB cada tom de cor é definido pelos canais vermelho (R), verde (G) e azul (B), cada qual representado por um número de 8 bits, portanto, podem variar de 0 a 255, o que permite 16 milhões ( ) de combinações de cores em cada pixel (GODINHO et al., 2008).
A RPA tem custo de deslocamento baixo e pode percorrer e fotografar toda a extensão da lavoura em um tempo relativamente curto. O passo seguinte é a análise das imagens, que uma vez terminada, será possível indicar os pontos críticos, que devem ser pulverizados primeiro, poupando tempo e recursos (KAZMI et al., 2011). A RPA, também, poderá continuar monitorando a lavoura de cana-de-açúcar até a fase final de produção, auxiliando na tomada de decisão, também, sobre os procedimentos de colheita, uma vez que a presença de certas espécies de PDs prejudica a colheita mecanizada (AZANIA et al., 2002). Por este e outros motivos supracitados, a utilização de RPAs para identificação de PDs em lavouras de cana-de-açúcar apresenta-se como alternativa bastante promissora.
1.1 Hipótese
A partir de imagens capturadas por câmera RGB instalada em uma Aeronave Remotamente Pilotada será possível construir mapas de infestação de plantas daninhas em lavouras de cana-de-açúcar. No mapa deverão estar identificadas cinco espécies de plantas daninhas e a cana-de-açúcar. O reconhecimento das espécies de plantas será feito por sistemas de reconhecimento de padrões e o desempenho esperado é o de concordância quase perfeita, ou coeficiente Kappa acima de 0,8.
1.2 Justificativa e Objetivos
Identificar PDs por visão computacional em imagens capturadas por RPAs, com resultados próximos a identificação humana, pode vir a ser de grande valia para a tomada de decisões sobre procedimentos no trato cultural, químico e colheita da cana-de-açúcar.
Os resultados de pesquisas já concluídas, para mapeamento e identificação de PDs, ainda não apresentaram resultados plenamente satisfatórios. Devido aos problemas de resolução espacial e temporal empregando satélites e mesmo com a perspectiva de melhora da resolução por meio da utilização de RPAs, ainda assim é um grande desafio proceder o reconhecimento por visão computacional com desempenho próximo da visão humana. Neste trabalho, pretende-se fazer a identificação de PDs, que estejam presentes em qualquer parte da lavoura de cana-de-açúcar, seja nas entrelinhas, como também, misturadas com a cultura.
1.2.1 Objetivo Geral
Desenvolver um sistema de identificação e mapeamento de PDs em lavouras de cana-de-açúcar, a partir de imagens capturadas por RPAs.
1.2.2 Objetivos Específicos
Para se atingir o objetivo geral foram definidos os seguintes objetivos específicos: 1) Desenvolver um Sistema de Identificação de PDs, utilizando várias técnicas de
reconhecimento de padrões para atingir desempenho com concordância quase perfeita; 2) Definir modelo de RPA, câmera fotográfica e sistema de telemetria;
3) Selecionar cinco espécies de PDs (três de folhas largas e duas de folhas estreitas) para acompanhamento do crescimento das mesmas por imagens capturadas por RPAs; 4) Estudar procedimentos de captura de imagens;
5) Estabelecer planos de voos, respeitando marco legal vigente;
6) Planejar a criação do mapa de distribuição espacial e georreferenciada da cana-de-açúcar, de PDs e de solo.
2 REVISÃO BIBLIOGRÁFICA
Na Introdução foi descrito que a aplicação de herbicidas com base em informações obtidas a partir de amostras ocasiona problemas de aplicação inapropriada de herbicidas, devido a possível presença de espécies de PDs diferentes das espécies amostradas em determinadas partes da lavoura. Existem, também, possíveis problemas de aplicação de herbicidas com dosagem inferior à necessária para combater as PDs ou aplicação desnecessária ou com dosagem superior a necessária para uma determinada área pouco infestada. Por estas razões, além da recente mudança no perfil das PDs presentes na lavoura da cana-de-açúcar a partir da intensificação da colheita mecanizada, vários estudos têm sido realizados no sentido de se fazer o mapeamento completo da plantação e com isto fazer-se o uso mais apropriado dos herbicidas (PETEINATOS et al., 2014). Neste Capítulo serão descritas as formas de Aquisição das Imagens, os procedimentos para o Reconhecimento de Padrões, dois Trabalhos Relacionados, os Sistemas Classificadores empregados e a descrição da Construção de Mapas de Infestação por PDs.
2.1 Aquisição de Imagens
Uma das formas de se fazer o mapeamento de PDs é utilizando-se de imagens capturadas por satélites, que têm a vantagem de cobrir grandes áreas em uma única imagem, agilizando o processo de captura de imagens, no entanto, somente é possível conseguir fazer a detecção das PDs a partir destas imagens se houver alta densidade de infestações (SHAW, 2005). Em ZIMMERMANN et al (2011) relata-se o uso de satélites para identificar áreas infestadas pela planta invasora Rosa rubiginosa. A localização desta planta foi feita de maneira indireta, isto é, procurando-se por regiões com características de áreas invadidas e não pelas características da planta nas imagens, que foi a forma encontrada pelos pesquisadores para contornar o problema de baixa resolução das imagens.
Nas imagens capturadas por satélites, devido a baixa resolução espacial, existem poucos pixels para representar uma área específica na imagem e podem estar presentes em uma mesma área a cana-de-açúcar e vários tipos diferentes de PDs, diminuindo a precisão do sistema (CHRISTENSEN, 2009). Outro problema relatado é a frequente presença de nuvens que impedem a aquisição de imagens em condições de análise e resultados confiáveis (JOHNSON e TROUT, 2012). Existe ainda o problema da baixa resolução temporal, que
pode gerar atrasos no fornecimento de informações ao produtor rural, sendo que estes atrasos podem interferir no desempenho do herbicida a ser aplicado, visto que PDs jovens são mais sensíveis aos herbicidas (MCMAHON et al., 2000).
Uma solução alternativa e bastante interessante é a utilização de RPAs para fazer-se o mapeamento das PDs na lavoura. A RPA, em relação aos satélites, aprefazer-senta a vantagem de voar abaixo das nuvens, não tendo a interferência destas para aquisição de imagens em condições de análise (XIANG e TIAN, 2011), possibilita a revisitação dos locais para nova aquisição de imagens, a qualquer tempo, para sanar dúvidas (BERNI et al., 2009) e permite tirar fotos com resolução suficiente para a identificação das PDs, por simples controle de altura de voo. Esta resolução e consequentemente a altura de voo, depende das espécies de PDs, seu grau de infestação e desenvolvimento (RASMUSSEN et al., 2013).
Este trabalho pretende demonstrar que a utilização de uma RPA pode ser útil na construção de mapas de infestação por PDs em lavouras de cana-de-açúcar e que a RPA pode atuar na aquisição de imagens em todas as partes do canavial e em diversos estágios de desenvolvimento da cana-de-açúcar e, portanto, trabalhar em conjunto tanto em sistemas de pulverização terrestre como aérea (KAZMI et al., 2011). Em PEÑA et al. (2015), relata-se o mapeamento de PDs em imagens tiradas de uma RPA, traçando as entrelinhas de uma lavoura de girassóis e depois identificando as PDs nas mesmas. No entanto, é importante também identificar PDs que estão misturadas com a cultura (girassol), porque quanto maior a proximidade entre PDs e cultura, maior será a competição por recursos naturais e luz, devido a maior probabilidade de sobreposição de raízes e folhas (RIZZARDI, 2001).
2.2 Reconhecimento de PDs
Existem diversas técnicas para a identificação de PDs em imagens digitais. Uma delas é procurar por diferenças de refletância entre as espécies de plantas para um ou mais comprimentos de onda registrados na imagem digital. Em câmeras digitais comerciais, também conhecidas como câmeras RGB (vermelho R, verde G e azul B), são captados três comprimentos de onda. Para tanto, cada um dos quais sensibiliza um sensor óptico específico, portanto, em imagens RGB existem informações de três sensores por pixel. Em resumo, um objeto (neste caso uma espécie de planta) pode responder com valores diferentes
de refletância, em algumas das bandas3 presentes nos pixels de uma imagem digital, de outro objeto (outra planta), devido sua composição físico-química particular. O desafio é encontrar uma banda, que tenha valores diferentes para objetos diferentes, possibilitando sua diferenciação.
A diferenciação de espécies de plantas pode, em determinadas circunstâncias, ser feita por assinaturas espectrais. Por exemplo, a banda azul fica entre 0,4 e 0,5 µm, a banda verde fica entre 0,5 e 0,6 µm e a banda vermelha entre 0,6 e 0,7 µm. Uma Planta A pode ter valores semelhantes à Planta B para as bandas verde e vermelha, mas tem valor diferente para a banda azul, por meio da qual, será possível diferenciar ambas as plantas (Tabela 1) (MIRANDA, 2011).
Tabela 1. Assinatura espectral das Plantas A e B.
Banda Planta A Planta B
Azul 155 65
Verde 58 61
Vermelha 20 21
Além das câmeras RGB, existem as câmeras hiperespectrais que possuem um número muito maior de sensores, por exemplo de 20 a 288, consequentemente, com um número muito maior de bandas, que devem ser contíguas e cujas larguras de banda costumam ser menores que 10 m (SHIPPERT, 2003). Esse número maior de bandas permite, principalmente em fase de brotamento, mesmo quando a refletância é semelhante entre plantas diferentes, fazer a diferenciação entre elas (LÓPEZ-GRANADOS, 2011). Em SAARI et al (2013) relata-se o uso de uma câmera hiperespectral, cujos sensores abrangem todo o intervalo de comprimento entre 400 a 950 nm. Existem ainda as câmeras multiespectrais, que normalmente, possuem de três (3) a sete (7) bandas com largura de 100 m, portanto, com menos possibilidades de capturar pequenas variações de refletância, que as câmeras hiperespectrais, contudo com mais possibilidades que as câmeras RGB.
3 Banda: certo intervalo do espectro eletromagnético, por exemplo, o intervalo ou banda visível do
espectro eletromagnético compreende desde, aproximadamente, 0,43µm (violeta) até 0,79 µm (vermelho) (GONZALEZ e WOODS, 2002).
Neste trabalho, apesar de não serem utilizados os valores dos pixels como descritores, para proceder-se a identificação de espécies de plantas, serão utilizados descritores estatísticos (média, desvio médio, desvio padrão, variância, curtose, assimetria e valores máximos e mínimos), calculados a partir dos valores dos pixels, de partes das imagens RGB capturadas de RPAs para análise de sistemas classificadores (MIRANDA, 2006).
Os descritores estatísticos caracterizam em poucos números o conjunto dos valores dos pixels. Essa caracterização permite descrever e, consequentemente, identificar uma população. A média é uma medida de tendência central e para se saber como os elementos estão afastados da mesma, faz-se o cálculo das medidas de dispersão (variância, desvio padrão e desvio médio). Por meio das quais, é possível saber como os valores dos pixels se distribuem em torno da média. Outros descritores extraídos do conjunto dos valores dos pixels são a assimetria e os valores máximo e mínimo dos pixels, que definem a forma do histograma e a curtose, que define o achatamento relativo da distribuição em relação a uma distribuição normal (MIRANDA, 2011; DIXIT et al., 2016).
2.3 Trabalhos Relacionados
Este trabalho é uma continuação do trabalho de SANTIAGO (2015), que fez a identificação de cultura (milho e cana-de-açúcar) e seis espécies de PDs (Brachiaria decumbens, Brachiaria plantaginea, Panicum maximum, Ipomoea hederifolia, Euphorbia heterophylla e Ipomoea quamoclit), utilizando câmera RGB para tomada de imagens a partir do solo, a uma altura de 1,2 m. Por se tratar de um trabalho com a mesma espécie de cultura e quase as mesmas espécies de PDs, além de a câmera também ser RGB, este trabalho foi um dos escolhidos como referência para análise de resultados
SANTIAGO (2015) obteve ótimos resultados, com taxa de desempenho global acima de 91% em um experimento (EP2) realizado no campo experimental da FEAGRI/UNICAMP (Campinas, SP), localizado nas coordena
a uma altitude de 620 m. Nesse mesmo trabalho, utilizando cana-de-açúcar, como cultura, e as mesmas seis espécies de PDs em um campo experimental do Instituto Agronômico de Campinas (IAC), localizado no município de Ribeirão
acima de 71% de desempenho global e coeficiente Kappa entre 0,37 e 0,43. A queda de desempenho foi atribuída a sobreposição e oclusão parcial de folhas, em um ambiente com a alta infestação de PDs.
Outro trabalho utilizado como referência é o trabalho de PEÑA et al. (2015), no qual, foi feita a diferenção entre a cultura (girassol) e PDs agrupadas em uma única classe, composta principalmente por Chenopodium album e Convolvulus arvensis, ambas PDs de folha larga.
Nesse trabalho, foram realizados voos a 40, 60, 80 e 100 m de altitude. Os melhores resultados alcançados por PEÑA et al. (2015) foram para 50 dias após a semeadura (DAS), voando a 40 m de altitude. Ocasião em que PEÑA et al. (2015) obtiveram 91% de taxa de acerto na identificação de PDs e 100% na identificação da cultura (girassol), utilizando câmera multispectral e 77% para PDs e 88% para cultura, utilizando camera RGB. Apesar de o trabalho de PEÑA et al. (2015) ser realizado com outra cultura (girassóis), outras PDs agrupadas em uma única classe, com altura de voo bem superior (40 m) e a identificação das mesmas ter sido realizada somente nas entrelinhas da lavoura de girassóis, tem, também várias semelhanças, como a diferenciação de cultura e PDs, uso de câmera RGB, o uso de RPA e o mapeamento da lavoura por código de cores, por este motivo, este trabalho, também, foi utilizado como referência.
2.4 Sistemas Classificadores
Existem diversos sistemas classificadores que podem ser utilizados em problemas de reconhecimento de padrões, neste trabalho foram testados inicialmente três classificadores. Em PEÑA et al. (2015) foi utilizada a técnica Object Based Image Analysis (OBIA), na qual a imagem é segmentada em grupos de pixels contíguos (objetos das imagens), posteriormente é feita a classificação de acordo com características espectrais, posicionais e de textura (WAN et al., 2014). No entanto, esta técnica não foi utilizada neste trabalho, porque apresentou problemas de falso positivo de PDs e cultura sobre áreas que deveriam ser de solo (Anexo 1). Além de não existir um procedimento para ajuste de parâmetros para melhorar essa segmentação de classes para se chegar a um resultado ótimo (FENG, 2015).
Em SANTIAGO (2015) relata-se o uso de Support Vector Machine (SVM) como técnica de reconhecimento de padrões para identificação de PDs em lavouras de milho e cana-de-açúcar. O SVM é um classificador binário, no qual as classes são separadas por um hiperplano. Em problemas multiclasses é necessário fazer adaptações, que podem ter duas No experiment EP3, no qual foram identificadas cana-de-açúcar e seis PDs o desempenho global ficou acima de 71%, mas o
coeficiente Kappa ficou abaixo de 0,45, devido a dificuldade de reconhecimento em regiões onde ocorreu oclusão de folhas. Esta situação de identificação das PDs e da cultura, quando as mesmas estão sobrepostas é um dos objetivos deste trabalho, por isso, inicialmente, o classificador SVM não foi escolhido para ser testado. Em seu lugar foi escolhido o classificador Random Forest (RF), que teria tido desempenho igual ou superior a SVM em vários trabalhos de sensoriamento remoto (FENG e GONG, 2015).
Em AKAR e GÜNGÖR (2013) relata-se o uso de RF para identificar oito diferentes alvos em áreas urbanas (oceano, vegetação, solo, três diferentes estruturas urbanas, resíduo de óleo e regiões de sombra) em uma das análises e oito diferentes alvos em área rural (dois tipos de floresta, pomar, grama, solo, rodovias, estrutura urbana e regiões de sombra) em outra análise. Na análise de alvos urbanos, apresentou 87,08% de desempenho global e 0,8524 de coeficiente Kappa e na análise de alvos rurais apresentou desempenho global de 82,92% e 0,8048 de coeficiente Kappa. No trabalho de AKAR e GÜNGÖR (2013), RF apresentou desempenho superior aos classificadores Gentle AdaBoost (GAB), Support Vector Machine (SVM) e Maximum Likelihood Classification (MLC).
RF é uma técnica baseada em conjuntos de árvores de decisão. No processo de identificação, cada amostra é testada em cada árvore da floresta, o resultado de cada teste é um voto, para uma determinada classe, terminados todos os testes a amostra é classificada como pertencente à classe mais votada (SUN et al., 2010). No exemplo da Figura 1
tem 60% dos votos, dentre as cinco árvores de decisão, consequentemente o resultado é
Outro classificador escolhido para ser testado, inicialmente, foi o k Nearest Neighbor (kNN), que é bastante rápido (ELGLALY, 2011), mesmo que problemas desta natureza sejam escaláveis, bastando para isso, adicionar novos computadores para realizar o processamento. Considerando a possível necessidade de se analisar milhares de imagens, caso tenha um bom desempenho, pode ser uma boa alternativa.
CHEN et al. (2011) relatam o uso de kNN para identificação de quatro espécies de PDs de folha larga (Oxalis corniculata, Duchesnea indica, Herba Glechomae e Ixeris chinensis), com taxa de acerto global de 93,13%. Nesse trabalho foi usada uma câmera RGB e a imagens foram tomadas a uma distância de 0,5 m.
No kNN considera-se que os elementos mais próximos pertençam a mesma classe. O valor de k é o número de vizinhos mais próximos da amostra ou elemento, que se deseja classificar e que participarão da votação para se atribuir uma classe a esta amostra. Isto é, existem k vizinhos mais próximos desta amostra, esses vizinhos já tiveram suas classes definidas na fase de treinamento (aprendizagem). Sendo que cada vizinho é um voto para a nova amostra ser classificada como pertencente à mesma classe que a sua. A classe mais votada, à qual será atribuída a amostra, é a classe mais frequente entre os k vizinhos mais próximos da amostra.
No exemplo da Figura 2
azul, porque existem mais vizinhos próximos desta classe, que vizinhos círculo vermelho. Para o cálculo das distâncias dos k elementos mais próximos, a distância Euclidiana é a mais utilizada, mas também, utilizam-se da distância Manhattan e distância Minkowski.
Figura 2. Exemplo de kNN, com três grupos: quadrados azuis, triângulos verdes e círculos vermelhos.
O terceiro sistema classificador escolhido foi Redes Neurais Artificiais (RNA), porque consegue resolver problemas não linearmente separáveis (GONÇALVES et al., 2010), apesar de o classificador SVM também tratar destes tipos de problemas, a escolha recaiu sobre o classificador RNA, uma vez que o classificador SVM já foi testado e apresentou coeficiente abaixo de 0,45, quando as folhas estavam sobrepostas. Outro ponto a favor do classificador RNA é a sua capacidade de lidar com ruído no conjunto de dados (JINDAL e KUMAR, 2013).
Em BURKS et al (2000) relata-se o uso de RNA para identificar seis espécies de PDs com sucesso global de 96,7% e sucesso individual em torno de 90%. O experimento foi realizado com as PDs plantadas em vasos e tinham altura entre 3,8 e 8,9 cm. Nesse experimento foi utilizada luz suplementar para corrigir problemas de luminosidade devido a ângulo solar e nuvens. Foi colocado um quebra-vento para evitar o movimento das plantas. A tomada das imagens foi a uma altura de 0,9 m e as imagens foram tiradas em formato RAW e depois convertidas para RGB e HSI.
As RNAs são redes formadas por nós de entrada, nós intermediários e nós de saída (Figura 3), que trabalhariam de forma análoga a uma rede de neurônios. Nos nós de entrada associam-se as variáveis independentes. Cada variável independente é um nó de entrada. Os nós intermediários existem para ampliar as possibilidades de aplicação de pesos, que representam a intensidade do sinal que seria propagado entre as sinapses em um sistema nervoso real. Por último ficam os nós de saída, a partir dos quais se obtém o valor da variável dependente.
A RNA funciona por meio de multiplicação dos valores dos nós da rede, por pesos ajustáveis, para depois somar-se os resultados destas multiplicações, que ficam acumulados nos nós de saída e que representariam as variáveis dependentes.
Dentre os diversos tipos de RNA, a que melhor atende às necessidades deste tipo de problema é a de aprendizado supervisionado. Na qual as variáveis independentes seriam as medidas espectrais das bandas ou outras variáveis, tais como os descritores estatísticos e as variáveis dependentes seriam as espécies de plantas que se deseja identificar, definidas pelo usuário (MIRANDA, 2011).
Na fase de treinamento do aprendizado supervisionado, utiliza-se uma base de dados com o valor da variável dependente (espécie de planta), previamente, conhecido (valor real). O objetivo do treinamento é fazer o valor da predição da RNA aproximar-se tanto quanto possível ao valor real da variável dependente. No processo de aproximação, o valor de predição da RNA, que é o somatório acumulado nos nós de saída, é contrastado com o valor real da variável dependente. A diferença entre os dois é o erro, que por processo iterativo procura-se diminuir, ajustando-se os valores dos pesos (MIRANDA, 2011). O desempenho da RNA é medido pela Média dos Erros ao Quadrado ou Mean Square Error (MSE) (AFRAND, 2016).
(1)
Sendo,
Na fase de escolha do melhor sistema de classificação de PDs em imagens, descritores obtidos a partir das imagens capturadas pela RPA passarão pelo processo de identificação pelos classificadores RNA, RF e kNN. Posteriormente, aquele que obtiver o melhor resultado global, será utilizado para fazer-se o mapeamento das PDs nas imagens capturadas a partir das RPAs.
2.5 Construção de Mapas de Infestação por PDs
O produto final deste trabalho será um mapa com as informações georreferenciadas das infestações de PDs, em lavouras de cana-de-açúcar. HI e DAI (2013) apresentam um Sistema baseado em Google Maps API, que possibilita, por meio da Internet, localizar milhares de parques do Departamento de Agricultura dos Estados Unidos (USDA). Trata-se de uma página de um site, baseado no Google Maps, que contém ícones e legendas customizados e por meio do georreferenciamento é possível encontrar a posição exata do parque no mapa.
Neste trabalho, a ideia é poder localizar pela Internet as manchas de infestação por PDs em um mapa da lavoura, utilizando Google Maps API. De forma semelhante ao trabalho de HI e DAI (2013), pretende-se, por meio de ícones customizados, poder saber qual espécie de PD encontra-se em qual local da lavoura. Uma vez na Internet, o mapa com as infestações georreferenciadas pode ser acessado de qualquer lugar, seja um escritório, um galpão da fazenda ou na própria lavoura. Isto pode vir a ser útil, na tomada de decisões sobre as formas de controle das PDs presentes em uma determinada lavoura.
3 MATERIAL E MÉTODOS
No Capítulo 2 foram descritas as formas utilizadas para aquisição de imagens e para o processo de identificação de objetos, bem como, os trabalhos relacionados e a descrição das escolhas dos Sistemas Classificadores.
Neste capítulo, descrevem-se os procedimentos empregados para a coleta e tratamento das imagens e identificação das PDs, conforme diagrama da Figura 4, na qual, estão representados os dispositivos, ambiente experimental e plano de voo para aquisição das imagens e informações de georreferenciamento, o aparato computacional que irá gerar os mapas de infestação e termina com a publicação dos mapas na Internet. Este capítulo está organizado conforme as seções abaixo:
Na seção 3.1 são descritos as RPAs, a câmera e o sistema de Telemetria e os procedimentos para aquisição das imagens (resolução e tamanho das PDs);
Na seção 3.2 são descritos os itens relevantes para definição do plano de voo; A seção 3.3 apresenta o ambiente experimental, as espécies de PDs e os testes de germinação;
Na seção 3.4 descreve o aparato computacional, apresentando o hardware utilizado e a plataforma de software escolhida;
Na seção 3.5 apresenta em detalhes o Sistema de Identificação de Plantas Daninhas (SIPD), que após a divisão das imagens em grupos de treinamento e validação passam por: Amostragem da Cultura e das PDs; Cálculo dos Descritores Estatísticos; Geração de Modelos; Validação de Modelos; Identificação de PDs por Código de Cores e Mapeamento das PDs na Lavoura.
A seção 3.6 Experimento 1 descreve os tratamentos do experimento, a amostragem para treinamento dos classificadores e os critérios sobre a separação das imagens para treinamento e validação;
E finalmente, a seção 3.7 Experimento 2 descreve os tratamentos do experimento 2, a amostragem para treinamento dos classificadores e os critérios sobre a separação das imagens para treinamento e validação para as análises do dia 10/07/17 e 01/08/17.
Figura 4 Diagrama para a coleta e tratamento das imagens e identificação das PDs.
3.1 RPA e Procedimentos de Aquisição de Imagens
Neste trabalho, foram usadas duas RPAs, um DJI F450 (Figura 5a) e um DJI Phantom (Figura 5b), ambos quadricópteros de Classe 3 (Anexo 2), cujos rádios trabalham na frequência não licenciada de 2.4 GHz. A captura de imagens foi feita por uma câmera Gopro Hero 3+ de 10 Megapixels (Figura 5c), programada para tirar fotos a cada 0,5 segundo.
O DJI F450 tem peso aproximado de 1,9 kg, com a câmera e sistema de telemetria, e tem autonomia de voo de 10 minutos usando uma bateria de 4500 mAh de capacidade energética. Em relação ao DJI Phantom, este tem peso aproximado de 1,0 kg com a câmera e tem autonomia de voo, também, de 10 minutos usando uma bateria de 2200 mAh de capacidade energética.
(a) (b)
(c)
Figura 5 DJI F450 (a), DJI Phantom (b) e câmera (c).
A câmera Gopro Hero 3+ não possui GPS integrado para registrar os dados de georreferenciamento nos metadados das imagens, por isso, foi necessário instalar um sistema de telemetria para aquisição desses dados para a construção do mapa da lavoura (HU e DAI, 2013), com a indicação dos locais de infestação com as respectivas espécies de PDs.
O sistema de telemetria foi montado e acoplado no DJI F450 pelo Engenheiro José Ricardo Alves. O sistema de telemetria é formado por um Arduino Uno e um módulo GPS-10710 SparkFun GPS Shield, apresentados já conectados na Figura 6a. Os detalhes sobre as conexões e a programação do Arduino podem ser encontrados em SPARKFUN (2017).
Os dados de georreferenciamento foram gravados em um cartão de memória micro SD, a cada 0,5 segundo, utilizando-se um módulo Ethernet Shield W5100 (https://www.arduino.cc/en/Guide/ArduinoEthernetShield) (Figura 6b), por meio da biblioteca SD Library (https://www.arduino.cc/en/Reference/SD). A Figura 6c apresenta um exemplo de
arquivo texto, com as informações de georreferenciamento, utilizado para construção do mapa de infestações por PDs.
(a) (b)
(c)
Figura 6 Sistema de Telemetria: Arduino Uno mais módulo GPS-10710 SparkFun GPS Shield (a), Ethernet Shield W5100 (b) e dados de georreferenciamento gravados em cartão micro SD (c).
Resolução e Tamanho da Área Útil das Imagens
O procedimento utilizado para cálculo da resolução das imagens foi a colocação, no campo experimental, de um objeto conhecido (caixa acrílica transparente contendo uma folha de papel em branco em seu interior, com as dimensões 14,1 cm por 12,4 cm) com área de 174,84 (Figura 7a). A partir de imagens tiradas de diferentes alturas foi possível
escolher uma altura, que permitisse reconhecer as PDs e, também, com esse objeto calcular a resolução.
A Figura 7b é parte de uma foto que foi tirada a uma altura aproximada de 5 m e a Figura 7c é um quadrado de lado 112 cm, calculado tomando-se como referência as dimensões da caixa acrílica, de parte de uma foto tirada a uma altura aproximada de 3 m, cujas resoluções podem ser conferidas na Tabela 2.
Tabela 2. Resolução em Função da Altura de Voo. Altura de
voo (m)
Caixa Acrílica Imagem
Largura (pixels) Comprimento (pixels) Área ( ) Resolução (pixels/ )
5 30 40 1.200 7
3 88 117 10.296 59
A Figura 7d é uma parte ampliada da Figura 7b, correspondente a área representada pela Figura 7c, na qual é possível notar a perda de detalhes pelo efeito da interpolação de pixels (GONZALEZ, 2002). Nas condições apresentadas na Figura 7b, somente é possível fazer-se o reconhecimento das PDs, em situações de altas concentrações de uma mesma espécie de PD ou de distribuições homogêneas quando houver várias espécies de PDs. Nestes casos é, também, necessário fazer-se a identificação prévia da espécie, seja pela presença física no local do especialista, que fará a identificação, ou aproximando a RPA para tirar uma foto próxima o suficiente para proceder-se a identificação, que poderia ser a altura aproximada da foto da Figura 7c ou mais próxima.
A possibilidade de voar em várias altitudes, principalmente, voando baixo para averiguar detalhes é uma das vantagens das RPAs. Mas o uso deste recurso massivamente é impraticável, devido às grandes extensões das lavouras de cana-de-açúcar. E caso o recurso de voo em baixas altitudes seja usado somente em alguns pontos, poderá haver dificultade na constatação e correção de eventuais de erros no processo de identificação. Pois nem todos os pontos que geraram dúvida terão imagens correspondentes a baixa altitude. Nestas situações, não será possível fazer as constatações e correções necessárias. Em virtude disto, o resultado do mapeamento poder ficar semelhante ao de mapeamentos realizados por amostragem de PDs.
O tamanho da área útil de cada imagem, tirada a partir da RPA a uma altura aproximada de 3 m de altura está representado pelo retângulo vermelho da Figura 7e e é de aproximadamente 10 . As dimensões do retângulo vermelho são de 2.360 pixels de largura
por 2.500 pixels de comprimento, a área desse retângulo, portanto, seria de 5.900.000
Tomando a resolução de 59 pixels/ como referência, o mesmo retângulo teria aproximadamente 100.000 ou 10 de área. (a) (b) (c) (d)
(e)
Figura 7 Caixa acrílica (a), imagem com resolução de 7 pixels/ (b), imagem com resolução de 59 pixels/ (c), parte da imagem de 7 pixels/ ampliada (d) e parte de imagem selecionada para cálculo de área útil da foto (e).
Tamanho das PDs
O controle de PDs é mais eficiente quando as plantas são mais jovens com folhas ainda em crescimento, pois é nesse estágio de desenvolvimento que o herbicida tem melhor penetração (DE OLIVEIRA JR e INOUE, 2001). Neste trabalho optou-se por trabalhar com as PDs com tamanho entre 7 e 15 cm (Figura 8e), porque quando as PDs são ainda mais jovens, em torno de 2 a 3 cm, não seria possível identificar as PDs em imagens tiradas a partir de RPAs (Figura 8a), exceto se a infestação fosse muito alta. Em situações de baixa infestação, haveria muita dificuldade de colher e identificar amostras, para serem usadas na busca de ocorrências semelhantes nas demais imagens da lavoura.
A Figura 8b mostra a mesma espécie de planta jovem, Ipomoea hederifolia, aproximando-se a câmera a 30 cm da planta, tirada a partir do solo. A Figura 8c mostra a mesma espécie de planta (I. hederifolia), com tamanho suficiente para coleta de amostras para o processo de identificação, tirada a partir do solo e a Figura 8d apresenta a I. hederifolia com tamanho entre 7 e 16 cm a partir de uma foto, tirada a partir de uma RPA. Apesar de não serem muito jovens, existem diversos trabalhos (KNEZEVIC et al., 2002; GOWER et al., 2002), que relatam não haver perdas significativas na lavoura ao iniciar-se o controle das PDs quando estas estão abaixo de 15 cm de altura. A I. hederifolia cuja medição atingiu 16 cm, em campo (no solo) deve aproximar-se de 15 cm, devido a ação da gravidade que acentua a curvatura do caule, além de pender as folhas para baixo.
A variação no tamanho das PDs entre, aproximadamente, 7 e 16 cm foi devido ao desenvolvimento desigual das PDs, seja pela diferença de umidade no campo experimental ou pela competição por luz e recursos naturais entre as próprias PDs. No Apêndice 2 estão apresentadas as imagens das PDs das outras quatro espécies avaliadas neste trabalho: com a planta jovem, tirada a partir do solo, com medição de altura, com altura aproximada de 15 cm tiradas a 1,1 m de distância, a partir do solo, e tiradas a partir da RPA.
(c) (d)
(e)
Figura 8 Imagens de I. hederifolia: com 2 cm de altura tirada a partir de RPA (a); com 2 cm tirada a 40 cm do solo (b); de 7 a 16 cm tirada a 1,1 m de altura (c); de 7 a 16 cm tirada a partir de RPA (d) e coletadas para medição de altura (e).
3.2 Plano de voo
O plano de voo deve considerar o horário e eventuais nuvens, porque mesmo posicionando a camera totalmente orientada para baixo, dependendo do ângulo solar haverá mais ou menos regiões de sombra nas imagens, que podem afetar os resultados no processo de reconhecimento de padrões.
As RPAs voam abaixo das nuvens, no entanto, a presença das mesmas alteram a luminosidade natural e isto também pode afetar o desempenho do processo de identificação das plantas. Por isso, o ideal é realizar voos perto do meio-dia e em dias de céu limpo ou realizar voos noturnos utilizando iluminação artificial (MCCARTHY et al., 2010).
O plano de voo, também, deve considerar a orientação do vento, uma vez que o consumo da bateria será tanto menor, quanto maior a parte do tempo de voo estiver a favor do vento. Além disso, a estabilidade da RPA é maior e, consequentemente, a qualidade das fotos, também, será melhor quando não se voa contra o vento.
Neste trabalho, a altura de voo variou entre 2 e 4 m. A esta altitude, em testes preliminares, foi possível cobrir a área do campo experimental de 160 em 90 s. A escolha pela baixa altitude deveu-se pela dificuldade de reconhecimento voando a maiores altitudes, uma vez que com menor resolução existe grande perda de detalhes e nestas condições o reconhecimento somente é possível em grandes manchas de infestações de PDs. A dificuldade de reconhecimento com voos a alturas maiores pode ser notada observando-se a Figura 7d, na qual percebe-se grande perda de detalhes.
3.3 Ambiente Experimental
Esta pesquisa foi realizada no Campo Experimental da FEAGRI, que se situa na
S Oeste, no qual foram realizados dois
experimentos. O primeiro no final de junho de 2016, quando foram plantadas duas linhas de 52,5 m de comprimento de cana-de-açúcar, da cultivar RB 867515, com espaçamento de 1,5 m e o segundo no final de maio de 2017, que se seguiu após a rebrota do corte da cana-de-açúcar plantada em junho do ano anterior. A Figura 9 mostra o campo experimental da FEAGRI em duas ocasiões: em setembro de 2016 (Figura 9a) e julho de 2017 (Figura 9b).
No Ambiente Experimental específico para este trabalho houve a semeadura das mais danosas e conhecidas PDs presentes nos canaviais brasileiros (MORO et al., 2012; KUVA et al., 2003), após a brotação da cana-de-açúcar, sendo o desenvolvimento das PDs, assim como, da cana-de-açúcar registrados por fotos capturadas a partir da RPA. As PDs escolhidas foram Brachiaria decumbens (Bd) (FIGUEIREDO et al., 2013) e Panicum maximum (Pm) (ARALDI et al., 2011), como representantes das PDs de folha estreita e Euphorbia heterophylla (Eh) (FERREIRA et al., 2010), Ipomoea quamoclit (Iq) (MONQUERO et al., 2008) e Ipomoea hederifolia (Ih) (CORREIA et al, 2013), como representantes de PDs de folha larga.
A aquisição das sementes das PDs de folha larga foi feita junto a empresa AGROCOSMOS4 e as PDs de folha estreita foi da empresa SEMENTES FORTALEZA5. As
4 AGROCOSMOS - Cosmos Agrícola Produção e Serviços Rurais Ltda, Caixa Postal 41, CEP
13165-970 Engenheiro Coelho/SP Email: sementesagc@gmail.com
5 SEMENTES FORTALEZA José Romeu Porto de Carvalho EPP Rua Ângelo Vincentim, 764
CEP 13084-060 - Campinas
(a) (b)
cinco espécies de PDs e a cana-de-açúcar estão representadas na Figura 10, em fotos tiradas a altura de 1,2 m, a partir do solo, para facilitar a visualização.
(a) (b) (c)
(d) (e) (f)
Figura 10 Plantas deste estudo: cana-de-açúcar (a), P. maximum (b), I. hederifolia (c), E. heterophylla (d), I. quamoclit (e) e B. decumbens (f).
Teste de Germinação
As sementes adquiridas dos fornecedores supracitados foram avaliadas quanto a sua capacidade de germinação. Primeiramente, as sementes passaram por um soprador (Figura 11a) para limpeza. Posteriormente, foram colocadas 25 sementes em cada germbox e formados conjuntos de quatro germboxes para cada espécie de PD. Todos os germboxes foram colocados no germinador (Figura 11b), que simula as condições de temperatura e luminosidade ideais, considerando suas variações no decorrer do dia e da noite (BRASIL, 1992).
A Figura 12 apresenta o conjunto dos quatro germboxes utilizados para teste de germinação de I. hederifolia, no início do teste em 30/06/2016 (Figura 12a) e onze dias após, já com várias sementes germinadas em 11/07/2016 (Figura 12b). Normalmente, a contagem das sementes germinadas é feita uma semana após o início dos testes, mas nas fotos, apresentadas na Figura 12b, as sementes foram deixadas por mais alguns dias para facilitar a visualização. Os resultados do teste de germinação podem ser vistos na Tabela 3 e as imagens dos germboxes para as demais espécies de PDs podem ser vistas no Apêndice 1.
(a) (b)
Figura 11 Aparato utilizado nos testes de germinação das cinco espécies de PDs: soprador (a) e germinador (b).
(a) (b)
Figura 12 Germboxes do teste de germinação de I. hederifolia em 30/06/2016 (a) e em 11/07/2016 (b).
Tabela 3. Resultado do Teste de Germinação
Germbox
Planta Daninha A B C D Total B. decumbens 8 7 8 6 29 P. maximum 12 14 15 12 53 I. hederifolia 9 11 9 11 40 I. quamoclit 6 4 3 3 16 E. heterophylla 3 3 3 1 10 3.4 Aparato Computacional
O aparato computacional (Figura 13) é formado por Hardware (HW) e Software (SW). O Hardware é formado por um Computador Intel Core i5 de 3.4 GHz com 8 GB de RAM, utilizado tanto para o desenvolvimento como para o processamento do Sistema de Indentificação de PDs.
O desenvolvimento dos Sistemas de Identificação de PDs e de Geração de Mapas de Distribuição Espacial de PDs e Cana-de-Açúcar foi feito em linguagem Java e JavaScript, com uso de bibliotecas do software WEKA6 para Redes Neurais Artificiais (RNA), Random Forest (RF) e k-Nearest Neighbor (kNN).
6 WEKA - Waikato Environment for Knowledge Analysis é um software livre da Universidade de
