Desenvolvimento de software de processamento digital de imagens para análise do status nutricional de nitrogênio em Brachiaria brizantha cv. Xaraés utilizando rede neural artificial

• Ano de defesa: 2019
• Autor(a) principal: Mancin, Wellington Renato
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Classificação de imagem; Image classification; Image segmentation; Índices de vegetação; Neural Network Multilayer Perceptron; Rede Neural Multilayer Perceptron; RGB; Segmentação de imagens; Vegetation indexes
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/74/74134/tde-13022020-110336/

Novas ferramentas são criadas constantemente usando as Novas Tecnologias da Informação e Comunicação (NTIC) para todos os setores da economia, possibilitando ampliar a produção, melhorar processos, oferecer condições para obtenção de maiores ganhos financeiros e redução do uso de insumos contribuindo para sustentabilidade do meio ambiente. No atual cenário emergente de novas tecnologias e, sabendo da necessidade do produtor em administrar de forma eficiente sua propriedade, o intuito deste estudo foi o de desenvolver um software usando visão computacional e técnicas de processamento de imagens, atrelado as redes neurais artificiais (RNA), a fim de estimar o status nutricional quanto ao nitrogênio (N) em plantas da espécie Brachiaria brizantha cv. Xaraés. O experimento foi conduzido em campo aberto no período de novembro de 2017 a março de 2018, nas dependências do Departamento de Zootecnia, na Faculdade de Zootecnia e Engenharia de Alimentos (FZEA/USP) em uma área compreendida por 12 parcelas com área útil de 40 m² cada e dividida em três blocos completos casualizados, onde foram administrados quatro tratamentos com as concentrações de N (0, 15, 30 e 45 kg N ha-1), cuja fonte foi NH4NO3 (32%). As imagens obtidas em campo das lâminas foliares por meio de câmera digital, de sensor passivo, presente no smartphone foram processadas e analisadas no sistema de cores RGB (Red, Green e Blue), bem como foram encaminhadas ao laboratório para determinação da concentração de N pelo método Kjeldahl e, assim, gerando uma base de dados correlacionada com as imagens processadas. Uma vez processadas as imagens, foram gerados os índices de vegetação. Para identificação dos índices que melhor explicassem a relação com o teor de N na planta obtido em laboratório foi utilizada a análise de componentes principais (PCA). Inicialmente foram gerados 18 índices que, após análise foram reduzidos para 12, compostos por Gn, Bn, Saturação, ExG, CIVE, VEG e COM, os quais compuseram o primeiro componente e, pelos índices R, G, Brilho, ExR e VARIgreen que compuseram o segundo componente, gerando assim, um coeficiente de determinação de 0,902 (R²), os quais foram utilizados como entrada de dados na rede neural artificial. Para a implementação da rede neural Multilayer Perceptron (MLP) foram testadas as redes Feed-Forward Backpropagation (FFBP) e Cascade-Forward Backpropagation (CFBP) com 5, 10 e 15 neurônios na camada intermediária com aplicação da função de ativação tansig, atingindo boa performance na classificação da gramínea (R² de 0,79 e 0,81, respectivamente). Já a rede Radial Basis Function (RBF) implementada com valor do spread igual a 1 e erro de performance igual a 0,0001, gerou a melhor classificação dentre as redes implementadas, com um R² de 0,99 para a determinação do status de N. Desta forma, o software de processamento de imagem e a rede neural RBF desenvolvidos foram capazes de classificar corretamente como suficiente, moderadamente deficiente ou deficiente o status de N em Brachiaria brizantha cv. Xaraés.