Estimativa de produtividade da soja utilizando técnicas de inteligência artificial

Abstract

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

The estimation of business productivity as business, among other uses of culture, management. However, the use of conventional methods to estimate soybean yield is observed, making the process slow, costly and common, susceptible to human errors. Therefore, the objective is to develop a model, based on deep learning, to perform an estimate of soybean productivity, using images projected through a mobile device. For this, they have the capacity of the proposed model to correctly classify as pods that different numbers of grains, perform the count of the number of pods and grains and, then, estimate soybean yield. To build the database, two different forms of image acquisition (AI1) and image acquisition 2 (AI2) were performed. In AI1, images of intact plants from the experimental area were taken, branches and images of the experimental area were drawn. To capture the image with the plant intact, a structure was built to position the mobile device and, immediately in front, the sample (plant), with a fixed dist ance of one meter between the mobile device and the plant. The images with a white background. For the same plant, images were found AI1 and AI methods. The experiment was carried out on two soybean cultivars, TMG 7063 IPRO (cultivar 1) and TMG 7363 RR (cultivar 2). In order to make possible the use in the field of the developed, the procedure of capturing the images was carried out in the field, an export purpose as it occurs with adversities in an environment with controlled luminosity. To estimate soybean yield, the model must be able to distinguish pods that have different numbers of grains, and then count the number of pods and grains in the plant. A three-step evaluation model, the first evaluation and classification, using sensitivity as a measure of precision and the F1 evaluation, which is the evaluation of precision and sensitivity. In the second operation, the model's ability to correctly count the number of variables compared to manually counted data was made. The determination of the error between the two values, manual and predicted, was by the Absolute Mean calculation (MAPE). Similarly, a validation of the estimation of reais, which was performed manually, with the conventional method and the predicted values, which was performed by the predict ed model. Then, the MAPE was calculated to determine the error presented in the determination estimate determined by the model. The results selected by the model when using the data pela1 in the classification for an evaluated metric F1 were 22.2%, 52.31% 65.93% and 3.1% for classes "two", "three" and " four”, respectively. The MAPE presentation error, for AI1 data, in the count of pods and grains, as well as in the yield estimate were 34.69% (pods) and 35.25% (grains), 44.76% (cultivate 1) and 32.73% (cultivate 2). As for theOs, for classification, the data selected by the model to be used by the values obtained by AI2 were 31.58%, 75.6%, 90.51% and 21.62% for classes "one", "two", “Three” and “four”, respectively. The MA for counting pods and grains and, also for the AI, yield estimation with the data were 7.50% (pods) and 5.32% (grains), 6.2% (cultivar 1) and 5.50 % (cultivate2). Thus, as measurements used in the article used, the model used reached the best performance obtained through AI2 when compared with the data from AI1. Furthermore, among cultivars in work, cultivar 2 (73633) presented the smallest error in the yield estimation of both image acquisition methods. Keywords: Deep learning. Image acquisition. Mobile device