Estimativa de produtividade da soja utilizando técnicas de inteligência artificial

A estimativa de produtividade de culturas agrícolas visa as definições econômicas acerca da cultura, gestão agrícola, uso de terras, entre outros. Porém, é comum observar o uso de métodos convencionais para estimar a produtividade da cultura da soja, tornando o processo lento, oneroso e susceptível a erros humanos. Portanto, objetivou-se desenvolver um modelo, com base em aprendizagem profunda, para realizar a estimativa de produtividade da soja, utilizando imagens digitais obtidas por meio de um dispositivo móvel. Para isso, foi analisado a capacidade do modelo proposto de classificar corretamente as vagens que possuem diferentes números de grãos, realizar a contagem do número de vagens e grãos e, então, estimar a produtividade da cultura da soja. Para construção do banco de dados foram realizadas duas diferentes formas de aquisição de imagens, nomeadas como aquisição de imagens 1 (AI1) e aquisição de imagens 2 (AI2). Na AI1, foram obtidas imagens das plantas intactas e recém retiradas da área experimental, em que as mesmas apresentavam folhas, ramos e vagens. Para realizar a captura da imagem com a planta intacta foi construída uma estrutura para posicionar o dispositivo móvel e, logo a frente, a amostra (planta), com distância fixa de um metro entre o dispositivo móvel e a planta. Já as imagens obtidas por meio da AI2, foram oriundas de vagens destacadas da planta e depositadas em uma bandeja de fundo branco. Para uma mesma planta, imagens foram obtidas pelos métodos AI1 e AI2. O experimento foi realizado em duas cultivares de soja, TMG 7063 IPRO (cultivar 1) e TMG 7363 RR (cultivar 2). A fim de possibilitar o uso em campo do modelo desenvolvido, o procedimento de captura das imagens foi realizado em campo, a fim de expor as amostras às adversidades que não ocorreriam em ambiente com luminosidade controlada. Para estimar a produtividade da cultura da soja, o modelo deverá ser capaz de distinguir as vagens que possuem diferentes números de grãos, para, em seguida, contar o número de vagens e grãos presentes na planta. A avaliação do modelo se deu em três etapas, a primeira foi a avaliação quanto a classificação, utilizando as métricas de precisão, a sensibilidade e a pontuação F1. Na segunda etapa, foi avaliada a capacidade do modelo em contar corretamente o número de vagens e grãos em comparação aos dados contados manualmente. A determinação do erro entre os dois valores, manuais e previstos, foi calculado pelo Erro Percentual Absoluto Médio (MAPE). De maneira semelhante, a validação da estimativa de produtividade ocorreu entre a comparação dos valores reais, que foi realizado com o método convencional e os valores previstos, que foi realizado pelo modelo. Em seguida, foi calculado o MAPE para determinar o erro presente na estimativa de produtividade determinada pelo modelo. Os resultados alcançados pelo modelo ao utilizar os dados obtidos pela AI1 na classificação para a métrica pontuação F1 foram de 22,22%, 52,31%, 65,93% e 3,13% para as classes “um”, “dois”, “três” e “quatro”, respectivamente. Já o valor do MAPE, para os dados da AI1, apresentado na contagem de vagens e grãos, bem como, na estimativa de produtividade foram de 34,69% (vagens) e 35,25% (grãos), 44,76% (cultivar 1) e 32,73% (cultivar 2). Os valores, para classificação, alcançados pelo modelo ao utilizar os dados obtidos pela AI2 foram de 31,58%, 75,63%, 90,51% e 21,62% para as classes “um”, “dois”, “três” e “quatro”, respectivamente. O MAPE para contagem de vagens e grãos e, também, estimativa de produtividade com os dados da AI2 foram de 7,50% (vagens) e 5,32% (grãos), 6,29% (cultivar 1) e 5,50% (cultivar2). Sendo assim, em todas as métricas empregues neste artigo, o modelo alcançou o melhor desempenho ao utilizar os dados obtidos por meio da AI2 se comparado com os dad os da AI1. Além disso, entre as cultivares analisadas, a cultivar 2 (TMG 7363 RR) apresentou o menor erro na estimativa de produtividade em ambos métodos de aquisição de imagens analisadas neste trabalho. Palavras-chave: Aprendizado profundo. Aquisição de imagens. Dispositivo móvel