REMOTELY PILOTED AIRCRAFT AND COMPUTER VISION APPLIED TO COFFEE GROWING MANAGEMENT
Sensoriamento remoto, Classificação de imagens, Cafeicultura de precisão, Terreiro de secagem, Aprendizado de máquinas.
A uso de tecnologias de agricultura digital na cafeicultura de precisão se expandiu em diversas etapas da produção cafeeira. Entre as tecnologias emergentes o uso de aeronaves remotamente pilotadas (ARPs) tem se mostrado eficiente. Pois seus produtos podem ser utilizados como fornecedores de dados para técnicas de aprendizado de maquinas e formas automatizadas de monitoramento. Neste estudo objetivou-se aplicar produtos cartográficos e fotogramétricos oriundos de ARPs submetidos a técnicas de aprendizado de máquinas e analises de imagens em cafeicultura de precisão. Foram construídos quatro tipos de pesquisa: Aplicação de produtos cartográficos de ARP para projeto de implantação do cafeeiro, Identificação e contagem de plantas em imagens de ARPs, Investigações acerca do desenvolvimento de plantas em áreas de renovação e Monitoramento de frutos no terreiro de secagem. (I) No primeiro estudo foram avaliados a eficiência de diferentes composições de missão de voo e níveis de nuvem de pontos para geração de Modelos Digitais de Terreno aplicados em cafeicultura. Voos realizados a 120 m AGL e 80 × 80% de sobreposição apresentaram maior assertividade e eficiência. O voo de 90 m AGL apresentou grande detalhamento do terreno, causando diferenças significativas de superfície em relação à topografia obtida pelo GNSS. Faixas de inclinação de até 20% são consideradas confiáveis para projetos de cultivo de café de precisão. Mudanças nas configurações de voo e no processamento de imagens são satisfatórias para projetos de café de precisão. A redução de sobreposição de imagem reduziu significativamente o tempo de processamento sem influenciar a qualidade do DTM. (II) Na segunda pesquisa objetivou-se desenvolver um algoritmo para contagem automática de plantas de café e definir a melhor idade da planta para realizar o monitoramento por meio de imagens RPA. Plantas com três meses de desenvolvimento apresentaram 86,5% de assertividade na contagem. Os melhores resultados foram observados em plantios com seis meses de desenvolvimento, apresentando uma média de 96,8% de assertividade na contagem automática de plantas. Essa análise possibilita o desenvolvimento de um algoritmo para contagem automatizada de plantas de café por meio de imagens RGB obtidas por aeronaves pilotadas remotamente e aplicativos de aprendizado de máquina. (III) O objetivo da terceira pesquisa foi monitorar o desenvolvimento das plantas de café plantadas sobre cinzas de restos culturais por meio índices vegetativos em imagens de ARPs, analises de elementos químicos presentes na cinza e analises de solo. Resultados preliminares indicam a presença elevada de alumínio e potássio nas cinzas, provocando diferenças significativas no início do desenvolvimento do cafeeiro. Além disso foram observadas variações nos valores de índices vegetativos em regiões com presença de cinzas. (IV) O estudo quatro objetivou-se identificar a quantidade de grãos verdes, vermelhos e pretos no terreiro de secagem por meio de imagens de ARPs e classificação supervisionada de imagens multiespectrais e RGB. Resultados preliminares indicam o desempenho expressivo de classificação de imagens RGB na identificação de grãos de café até o quarto dia de secagem. Os dados multiespectrais ainda estão sendo processados, mas por apresentar maior alcance espectral seus resultados esperados são promissores. As pesquisas desenvolvidas fornecem informações importantes para o avanço de tecnologias de agricultura digital em cafeicultura.