Avaliação de viabilidade do uso de Deep Learning em computadores de placa única para aplicações em agricultura

• Ano de defesa: 2025
• Autor(a) principal: Faria Junior, Clodoaldo de Souza [UNESP]
• Orientador(a): Shimabukuro, Milton Hirokazu [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Deep Learning; Agricultura Digital; Visão Computacional; YOLO; NVIDIA Jetson Nano
• Palavras-chave em Inglês: Digital Agriculture; Computer Vision
• Link de acesso: https://hdl.handle.net/11449/319058

Na agricultura, a aplicação de Deep Learning por meio de computadores de placa única emerge como uma solução potencial para implementar modelos complexos de inteligência artificial em ambientes de campo e com processamento local. Esses modelos são usualmente desenvolvidos para execução em computadores, servidores e máquinas de alta potência, e podem requerer ajustes para aplicações em campo ou em tempo real. A presente dissertação objetivou avaliar a implementação e a execução de técnicas de Deep Learning utilizando processamento em computadores de placa única (Single Board Computer, SBC) com GPU (Graphics Processing Unit). Os experimentos foram realizados utilizando um conjunto de dados coletado no projeto temático (FAPESP) “Sensoriamento Remoto de Alta Resolução para Agricultura Digital”, da FCT/Unesp – Presidente Prudente. O conjunto de dados foi obtido em um pomar de laranjas utilizando a câmera Sony A7R Multispectral Sextuple, que possui um sistema de seis lentes (Q1 a Q6), as quais capturam imagens em diferentes comprimentos de onda. Os modelos de detecção e segmentação utilizados foram os da família YOLO (You Only Look Once), especificamente os modelos YOLOv8 e YOLOv9 com suas variantes de arquitetura. Para a delimitação inicial das instâncias de interesse e posterior ajuste fino manual, foi utilizado um método de rotulação semiautomática baseado no Segment Anything Model (SAM). A investigação compreendeu três experimentos. O primeiro experimento avaliou os modelos YOLOv8 e YOLOv9, previamente treinados na base de dados Microsoft COCO, quanto às suas capacidades de segmentação de laranjas, explorando as potencialidades do Transfer Learning e do Fine Tuning. A inferência foi realizada no SBC NVIDIA Jetson Nano. O principal objetivo deste experimento foi analisar se, mesmo com o uso de um modelo pré-treinado, a rede seria capaz de realizar a detecção e segmentação dos alvos (no caso, laranjas) de maneira satisfatória. No segundo experimento, foi construído um conjunto de dados original por meio da rotulação semiautomática com o SAM. A partir desse conjunto, os modelos YOLOv8 e YOLOv9 foram treinados para a detecção e segmentação de folhas, aplicando-se Transfer Learning e Fine Tuning, conforme validados no primeiro experimento. O treinamento foi conduzido na plataforma Google Colab, enquanto a inferência ocorreu na NVIDIA Jetson Nano. No que se refere às variantes arquiteturais, os resultados mais consistentes foram obtidos com modelos de complexidade intermediária (YOLOv8-s e YOLOv8-m). Esse desempenho pode estar relacionado ao fato de que arquiteturas com um número elevado de parâmetros podem não apresentar uma configuração otimizada para o conjunto de dados analisado. No experimento final, foi realizada a segmentação de folhas em imagens das lentes Q4 e Q6, seguida da identificação de pares homólogos de folhas. A inferência foi conduzida na NVIDIA Jetson Nano, utilizando as arquiteturas previamente treinadas e exploradas no segundo experimento. Para a tomada de decisão sobre a correspondência entre os pares de folhas, considerou-se, além da posição na imagem, a intersecção entre as instâncias como parâmetros. A busca pelos pares para análise foi otimizada por meio da subdivisão da imagem em quadrantes, baseada na estrutura de dados QuadTree. Os resultados demonstraram uma relação direta entre a eficiência da detecção e segmentação e a precisão da correspondência. Em conclusão, demonstrou-se a exequibilidade de modelos de Deep Learning na NVIDIA Jetson Nano para aplicações agrícolas que envolvem detecção e segmentação de instâncias, e os tempos de processamento sugerem a viabilidade de aplicação em tempo real.