Aprendizado profundo aplicado na pulverização seletiva em tempo real para controle de Ipomoea spp.

• Ano de defesa: 2020
• Autor(a) principal: Sabóia, Hederson de Souza
• Orientador(a): Mion, Renildo Luiz
• Banca de defesa: Mion, Renildo Luiz , Mamiya, Arthur Akira , Cunha, Joao Paulo Arantes Rodrigues da , Resmini, Roger
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Mato Grosso
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Agrícola
• Departamento: Instituto de Ciências Agrárias e Tecnológicas (ICAT) – Rondonópolis
• País: Brasil
• Área do conhecimento CNPq: CNPQ::CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA

A cultura da soja e algodão tem grande importância no cenário econômico brasileiro, ambas são commodities que movimentam bilhões de reais por ano em exportação. Essa importância, pode ser observada no aumento na produção e em áreas plantadas ano após ano, mantendo o país entre os maiores produtores do mundo de ambas culturas. O manejo de plantas daninhas é uma das operações importantes para se obter ótimas produtividades. Entretanto, devido o uso incorreto de métodos de controle, principalmente de herbicidas, tem provocado resistências de alguns biotipos aos princípios ativos mais comercializados popularmente. Entre as plantas que vêm obtendo resistência/tolerância, estão as do gênero Ipomoea spp. Mais popularmente conhecida como corda-de-viola. Estas plantas afetam as culturas de soja e algodão em todo seu ciclo, afetando sua produtividade. Neste contexto, o objetivo deste trabalho foi avaliar a implementação de dois algoritmos de detecção de objetos em tempo real (Faster R-CNN e YOLOv3), e desenvolver um sistema embarcado para pulverização seletiva de herbicidas em plantas de corda-de-viola nas culturas de soja e algodão, no Cerrado Mato-Grossense. O projeto foi desenvolvido no laboratório de Máquinas Agrícolas da Universidade Federal de Rondonópolis. Os algoritmos foram treinados para detecção de três classes (Soja, corda-de- viola e algodão) e avaliados em termos de precisão e sensibilidade em laboratório e em campo. Nos resultados de laboratório a precisão média do Faster R-CNN foi de 87,20% e sensibilidade 77,20 %, já o YOLOv3 tiny teve 81,16% de precisão média e 68,00% de sensibilidade. Já nos testes de campo o Faster R-CNN resultados superiores em comparação ao YOLOv3 tiny em ambos os módulos analisados, com média de controle de plantas daninhas de 81,70% na cultura do algodão e 77,00% na cultura da soja. O YOLOv3 tiny obteve resultados satisfatórios em campo, com resultados inferiores a 21,00% no controle de corda-de-viola, presente nos módulos. Os resultados no controle através das pulverizações do Faster R-CNN, demonstraram que algoritmos de detecção de objetos em tempo real para o controle seletivo de plantas daninhas de corda-de-viola em aplicação de herbicidas pós-ermegentes podem ser utilizados nas culturas de soja e algodão.