O documento discute a aplicação da visão computacional na agricultura de precisão. Ele descreve como sistemas que enxergam podem fornecer informações sobre o ambiente para automatizar tarefas agrícolas e monitorar plantas. Um exemplo é o Vinescout, que usa visão para navegar entre linhas e controlar plantas daninhas.
Tecnologias de agricultura de precisão para colheita (Grupo 3)
Aplicações de visão computacional em agricultura de precisão - Grupo 6
1. Aplicação da Visão Computacional na Agricultura de
Precisão
Fabrício Maranho
Guilherme Bragato
Fernando Bertin
João Paulo Del’ Massa
Mário Kiratz
Professor: André Gustavo
2. • Ciência e tecnologia das máquinas
que enxergam;
• Construção de sistemas artificiais
que obtém informação de imagens
ou quaisquer dados multi-
dimensionais;
• Complemento da visão biológica.
3. • No Brasil, ainda imaturo;
• Estudos aprofundados, após a década
de 70;
• Não existe formulação padrão para o
problema da visão computacional;
• Diversos métodos para resolver
muitas tarefas específicas;
4. • Sistemas que realizam ações mecânicas
como movimentar um robô em um
ambiente;
• Sensor de visão: Muitas informações de
alto nível sobre o ambiente ao robô;
• Reconhecimento de padrões e
aprendizagem da máquina
(sensoriamento remoto, lembram?);
• Áreas envolvidas: Ciência da
computação, física, neurobiologia,
processamento de sinais;
5. • Aquisição de imagem: Obtenção de imagens através de
sensores;
• Pré-processamento: Aplicar métodos de processamento de
imagens, antes de extrair informações;
• Extração de características: Garimpar informações da
imagem ;
• Detecção e segmentação: Destacar uma região e guardá-la
para posterior estudo;
• Processamento de alto nível: Verificação da satisfação dos
dados e classificação dos objetos destacados em categorias.
6. • Aquisição de imagem: Obtenção de imagens através de
sensores;
• Pré-processamento: Aplicar métodos de processamento de
imagens, antes de extrair informações;
• Extração de características: Garimpar informações da
imagem ;
• Detecção e segmentação: Destacar uma região e guardá-la
para posterior estudo;
• Processamento de alto nível: Verificação da satisfação dos
dados e classificação dos objetos destacados em categorias.
7.
8.
9. Vinescout
• Navegação baseada na Visão 3D;
• Navegação noturna;
• Manejo entre linhas;
• Controle de plantas daninhas mais
próximas da planta;
• Independente da frequência e do
tipo de distribuição;
10. • Maiores velocidades de
Trabalho;
• Também pode ser
utilizado para
pulverização localizada;
• Reduz a fadiga do
operador;
• Foco do operador nas
configurações da
máquina.
11. • Projeto Botanicalls;
• Três estudantes da Universidade de Nova York;
• Objetivo: Quando a planta tiver alguma necessidade, ela
“Twitta” seu status;
• São 5 as atualizações de
status:
1. Nível de umidade do solo
abaixo do limiar
satisfatório;
2. “ “ abaixo do nível crítico;
3. Rápido aumento da
umidade detectada no
solo;
4. Planta regada que não
atingiu o nível suficiente;
5. Não necessidade de água.