A Embrapa Instrumentação (SP) desenvolveu um método que utiliza sensores de imagem e inteligência artificial para identificar a lagarta-do-cartucho, uma das normas mais agressivas da cultura do milho. O sistema analisa imagens digitais e identifica a lagarta tanto na folha da planta como na espiga de milho. Dessa forma, é possível minimizar a subjetividade de métodos tradicionais, que são trabalhos e dependem da observação humana para a realização da mesma tarefa.
O milho é um dos cereais mais cultivados no mundo e a lagarta-do-cartucho ( Spodoptera frungiperda ) é uma das principais pragas da cultura. Esse inseto pode causar perdas capazes de comprometer 70% da produção, de acordo com pesquisadores da Embrapa. A lagarta ataca as plantas tanto na fase vegetativa quanto na fase reprodutiva.
Método alternativo
A metodologia foi publicada na revista Eletronicts , no artigo Computational Intelligence Approach for Fall Armyworm Control in Maize Crop , de Alex Bertolla e Paulo Cruvinel . Eles contam que o trabalho foi motivado pela discrepância entre o método atual de detecção e o resultado pretendido, isso levou a uma pesquisa uma alternativa para a detecção precoce de pragmatismo em áreas cultivadas.
Bertolla conta que o estudo focou no reconhecimento e na classificação de padrões sonoros da lagarta-do-cartucho, que além do milho, ataca diversas culturas agrícolas, como a soja e o algodão. Ele ressalta que a solução obtida pode auxiliar agronômicos e laboratórios a ter resultados mais precisos.
Para facilitar a captura das imagens, uma câmera fotográfica simples pode ser acoplada em implementos agrícolas, para que possa coletar imagens das lagartas presentes nas plantas de milho, tanto folhas como espiga, enquanto executa operações na lavoura. A câmera não precisa ser de alto custo, é necessário apenas produzir imagens com boa resolução.
Integração de processos
O método integra processamento digital de imagens e sinais, estatística multivariada, técnicas de aprendizado de máquina e visão computacional. “O aprendizado de máquina descreve a capacidade dos sistemas de aprendizagem a partir de dados personalizados de treinamento de problemas para automatizar e resolver tarefas associadas. Em conjunto com esse conceito, o aprendizado profundo também é um processo de aprendizado de máquina, mas baseado em redes neurais artificiais com um conjunto de camadas de propósito específico”, esclarece Cruvinel.
Bertolla explica que o algoritmo computacional tem a capacidade de avaliar as imagens digitais de diferentes estágios de crescimento da lagarta situadas nas plantas de milho, assim como seu estágio de desenvolvimento e frequência de ocorrência na área de cultura. O programa foi desenvolvido em Python, linguagem de programação de alto nível muito utilizada em ciência de dados e aprendizado de máquina.
O estudo avaliou um total de 2.280 imagens de lagartas-do-cartucho apresentadas em folhas ou em espigas na área de cultivo do milho, de forma a qualificar cinco diferentes avanços de desenvolvimento da praga durante o ciclo de produção.
Como foi feito o desenvolvimento
Para classificação dos padrões sonoros da lagarta foi elaborado um diagrama de blocos do método ( imagem abaixo ), que apresenta em quatro etapas o passo a passo do trabalho realizado. Bertolla relembra que a primeira etapa consistiu na aquisição e pré-processamento das imagens da lagarta, bem como o tratamento, remoção de ruídos e operação de padrão de cor.
O passo seguinte focou no processamento das imagens, na segmentação da imagem da lagarta, que nada mais é que extrair o fundo de forma a explicitar com prioridade apenas a imagem de lagartas que possam estar presentes no ambiente de cultura. Em seguida foi realizada a remoção de características dos objetos remanescentes, de forma a se buscar caracterizar exclusivamente o inseto de interesse. De acordo com Bertolla, informações de cor e textura, bem como características geométricas foram utilizadas para a caracterização e reconhecimento de padrões da lagarta-do-cartucho.
“No último bloco, utilizamos conceitos de inteligência computacional, baseados em aprendizado profundo, em que uma rede neural artificial convolucional (CNN) treinada permite a classificação dos diferentes estágios da lagarta. A CNN é utilizada especificamente para analisar dados visuais. Para fins de comparação de desempenho, apresentamos também um conjunto de cinco classificados, conhecidos como máquina de suporte de vetores (SVM), com o objetivo de classificação de cada etapa da lagarta individualmente”, conta Bertolla. Esse método analisa os dados e confirma os padrões.
Base para futuros estudos
Cruvinel e Bertolla relatam que a qualidade dos resultados confirmou a recomendação do uso da estrutura baseada em aprendizado profundo. Os dados passaram por análise de acurácia, precisão, tempo de processamento e desempenho do hardware para o cenário proposto.
“O método também apresentou resultados específicos em questões referentes ao desempenho de hardware e tempo de processamento, o que pode ser também interessante para uma ação futura relacionada à disponibilização dessa tecnologia na versão embarcada, para uso diretamente como parte de implementos agrícolas”, aponta Cruvinel.
Eles sugerem, para trabalhos futuros, incluir outras técnicas de inteligência artificial dedicadas ao controle de legislações para o reconhecimento e classificação de padrões, tanto de forma não supervisionada como por meio do uso de uma câmera multiespectral embarcada em um Veículo Aéreo Não Tripulado (VANT) para operação em tempo real.
