O estudo, que teve a participação do INESC de Coimbra e da Escola Agrária (ESAC), abre portas ao desenvolvimento de sistemas de monitorização não invasivos e eficientes que permitem atuar de forma imediata e localizada em caso de doenças e pestes da vinha, melhorando a produção e diminuindo o impacto nocivo no meio ambiente.
A investigação foi realizada no âmbito do projeto Al+Green: Automação Inteligente na Agricultura de Precisão, financiado pelo MIT-Portugal e pela Fundação para a Ciência e a Tecnologia (FCT), que visa melhorar a precisão e a fiabilidade da monitorização e deteção de pestes e doenças em vinhas.
Durante 12 meses, os investigadores do Instituto de Sistemas e Robótica (IST) da Faculdade de Ciências e Tecnologia da Universidade de Coimbra (FCTUC) estudaram três vinhas da região Centro: Coimbra, Valdoeiro e Quinta de Baixo, geridas segundo práticas convencionais, mas com características biofísicas diferentes. As abordagens exploradas e testadas pelos cientistas basearam-se em sistemas de Deep Learning (aprendizagem profunda, inteligência artificial), usando informação espácio-temporal obtida através de teledeteção (satélite) e drones (ver foto).
“Este trabalho estudou as bandas espectrais e técnicas de segmentação mais apropriadas para a identificação de linhas de vinhas em imagens aéreas (por exemplo, capturadas por drones). É importante diferenciar píxeis pertencentes às videiras, de píxeis pertencentes a outros elementos (por exemplo, vegetação entre linhas), para evitar a contaminação de dados”, refere o investigador Tiago Barros, em comunicado.
“Ao evitar píxeis que não pertencem às videiras, obtêm-se estimativas mais fiáveis em tarefas como, por exemplo, estimação de colheita ou avaliação do vigor das plantas. Para tal, equipámos um drone com uma câmara multiespectral e uma câmara RGB de alta definição, que foram usadas para recolher informação espectral de três vinhas da zona Centro”, esclarece o investigador.
Os resultados do estudo indicam, segundo o investigador do ISR, que os modelos de segmentação “baseados em Deep Learning têm melhor desempenho quando comparados com métodos clássicos. Em relação às bandas espectrais, a banda Near-Infrared é a banda que contribui para o melhor desempenho”.
O estudo apresenta bons argumentos para o uso deste tipo de abordagem de câmara dupla para aquisição de dados, contribuindo para o avanço da agricultura de precisão, porque “promover uma agricultura mais eficiente é essencial para melhorar a qualidade e segurança alimentar sem comprometer a sustentabilidade ambiental. Este setor, embora tenha beneficiado, de forma modesta, de avanços tecnológicos de outros setores, tais como a indústria, robótica, veículos inteligentes, etc., continua a ser um setor predominantemente manual e pouco eficiente. A agricultura de precisão promove o uso de tecnologia (software e hardware) em aplicações como a proteção, monitorização e gestão agrícola”, conclui o comunicado.
O estudo foi publicado na revista científica Computers and Electronics in Agriculture, com o título: “Multispectral vineyard segmentation: A deep learning comparison study”.
Foto: Universidade de Coimbra – DR
