Menu
Com a crescente procura por novas tecnologias e procedimentos que visam aprimorar e aperfeiçoar a produção agrícola, novos estudos e pesquisas vêm se desenvolvendo, de modo a auxiliar o produtor rural na busca por maior produtividade e redução de gastos. O estudo aborda a utilização de uma nova tecnologia que auxiliará, na identificação e quantificação do percevejo marrom em lavouras de soja, visando inovar no manejo de pragas. Manejo que limita-se ao trabalho manual, exercido através do pano-de-batida, que embora parcialmente eficiente, trabalha apenas com amostras. De modo inovador, o estudo propõe a criação de uma metodologia que alia a agricultura com a tecnologia, com intuito de obter resultados precisos da localização do percevejo marrom na cultura de soja. Auxiliando assim o produtor na análise da quantidade de defensivos agrícolas a serem aplicados, como também no período de sua aplicação, evitando desperdícios, prejuízos, e contaminação desnecessária do meio ambiente. A metodologia apresentada é realizada através da captura de imagens da lavoura de soja, com uma câmera digital. A partir da obtenção desta imagem, a mesma passa a ser processada através da visão computacional e aprendizagem de máquina, com objetivo de obter com exatidão, a identificação do percevejo marrom. Para tanto, realizou-se inicialmente um levantamento teórico, a fim de conhecer as tecnologias existentes e identificar a que melhor se adequasse ao objetivo proposto. Diversos testes foram realizados, com diferentes algoritmos, tal qual LDA (Linear Discriminant Analysis), LR (Logistic Regression) e NB (Naive Bayes), além dos classificadores bootstrap, fold cross validation, com a finalidade de determinar o procedimento mais adequado ao cumprimento do objetivo do estudo. Após os testes e validações dos algoritmos e classificadores encontrados, obteve-se sucesso com a combinação do algoritmo LDA e o classificador bootstrap, obtendo o resultado positivo de 92% de acerto na identificação do percevejo marrom, comprovando a eficácia da metodologia proposta, e possibilitando ao agricultor o aumento significativo do manejo, a contenção de gastos com a aplicação de defensivos, além de reduzir o impacto ambiental.
With the growing demand for new technologies and procedures which aim to hone and improve agricultural production. New studies and researches have been developed in order to assist the rural producer in the search for greater productivity and reduction of expenses. The study addresses the use of a new technology that will assist in the identification and quantification of the brown stink bug in soybean crops, aiming to innovate in pest management. The Management that is limited to the manual work, exerted through the cloth of the beat, which, although partially efficient, works only with samples. In an innovative way, the study proposes the creation of a methodology that combines agriculture with technology, with the purpose of obtaining accurate results on the location of the brown stink bug in the soybean crop. This helps the producer to analyze the amount of pesticides to be applied, as well as in the period of its application, avoiding wastes, damages, and unnecessary contamination of the environment. The methodology presented is carried out by capturing images of the soybean crop, with a digital camera. From the acquisition of this image, it is processed through computer vision and machine learning, with the objective of obtaining with accuracy, the identification of the brown stink bug. For that, a theoretical survey was initially used in order to know the existing technologies and identify the one that best suited the proposed objective. Several tests were performed with different algorithms, such as LDA (Linear Discriminant Analysis), LR (Logistic Regression) and NB (Naive Bayes), in addition to the bootstrap classifiers, fold cross validation, in order to determine the most appropriate procedure to fulfill the study objective. After the tests and validations of the algorithms and classifiers found, success was obtained with the combination of the LDA algorithm and the bootstrap classifier, obtaining the positive result of 92% of correctness in the identification of the brown stink bug, proving the effectiveness of the proposed methodology, and enabling the farmer to increase significantly the management and the containment of expenses with the application of pesticides, besides reducing the environmental impact.
Data da Defesa: 05/12/2016
Banca Examinadora
Orientador (a): Rodrigo Clemente Thom de Souza (Lactec)
Membro da Banca: Débora Cíntia Marcilio (Lactec)
Membro da Banca: Osvaldo Guedes Filho (UFPR)
Palavra(s)-Chave: Agricultura de Precisão; Visão Computacional; Aprendizagem de Máquina, Percevejo Marrom.
Keywords: precision agriculture; computer vision; machine learning; brown stink bug.
