AGRICULTURA DE PRECISÃO 41 No setor agroalimentar, estamos a assistir a uma revolução impulsionada pelo avanço de novos processos, tecnologias e competências. Isto levou à criação e imaginação de serviços digitais inovadores, especialmente concebidos para um setor tão caraterístico como o agrícola. No nosso grupo de investigação, Smart BioSystem Lab (http://smartbiosystemlab.com), estamos firmemente convencidos de que, utilizando todas as ferramentas disponíveis, podemos alcançar uma intensificação sustentável da agricultura que respeite o ambiente e aumente a eficiência. A utilização de câmaras térmicas, RGB e multiespectrais integradas em drones, complementadas por modelos de inteligência artificial, provou ser eficaz tanto na investigação como em aplicações comerciais específicas. Através da iniciativa do projeto GO DronFruit II, pretendemos levar estes avanços um pouco mais longe, facilitando a identificação precoce de agentes patogénicos e de stress nas culturas agrícolas. Este projeto visa a criação de um serviço ligado às principais cooperativas agro-alimentares de citrinos da província de Sevilha, com o objetivo de reforçar a proteção fitossanitária dos citrinos através de tecnologias de precisão. Os drones podem sobrevoar áreas agrícolas e recolher informações pormenorizadas sobre o estado das culturas de forma rápida e eficiente. Equipados com câmaras multiespectrais, os drones podem captar informações invisíveis ao olho humano, permitindo a deteção de potenciais problemas de patologia das culturas sem a necessidade de detetar sintomas visuais (Deng et al., 2018). Esta capacidade de monitorização remota em tempo real torna os drones uma ferramenta poderosa para os agricultores, permitindo-lhes tomar decisões informadas e rápidas para proteger as suas culturas. Mas o verdadeiro avanço vem com a inteligência artificial (IA) e, em particular, com a aprendizagem profunda (DL). Termos cunhados nas décadas de 1950 e 1980, respetivamente, e com avanços significativos desde a década de 2000 (McCarthy et al., 2006; Hinton et al., 2006; LeCun et al., 2015). O aumento da capacidade de computação, especialmente com o desenvolvimento de unidades de processamento gráfico (GPU) e de unidades de processamento tensorial (TPU), permitiu o desenvolvimento de novos algoritmos de IA e de técnicas de DL que melhoraram a capacidade de aprendizagem dos computadores, o que favoreceu a adoção desta tecnologia em vários domínios, como a saúde, as finanças, o comércio eletrónico, a educação, entre muitos outros. No setor agrícola, está a revolucionar a forma como as culturas são monitorizadas e geridas, permitindo a análise e o processamento de grandes quantidades de dados de uma forma rápida e eficiente, fornecendo um apoio essencial à tomada de decisões. As aplicações mais interessantes da IA no setor agrícola incluem a otimização da irrigação e da fertilização, uma vez que tem a capacidade de analisar grandes quantidades de dados de várias fontes e fornecer recomendações para estratégias de irrigação e fertilização (Talaviya et al., 2020). Estas técnicas permitem igualmente prever o rendimento e a qualidade das culturas, melhorando o planeamento das operações de campo (Apolo-Apolo et al., 2020), ou a deteção precoce de agentes patogénicos e de stress nas culturas. Ao utilizar imagens RGB ou multiespectrais e/ou dados de sensores, a IA permite a deteção e classificação precisas de agentes Figura 1. Fluxo de trabalho do algorítmo. Imagem da entrada do modelo (A), saída do modelo com deteções (B) e detalhe das deteções (C). Note-se como o valor da probabilidade é apresentado e como algumas laranjas não são detetadas devido a um elevado grau de oclusão por outros frutos. detección y conteo de naranjas mediante el uso de imágenes RGB obtenidas por vuelo de un dron en combinación con un modelo de IA basado en redes neuronales artificiales. Los conteos realizados se utilizaron para realizar estimaciones de aforamiento de forma automatizada (Figura 1). El modelo desarrollado superó al técnico en precisión durante los tres años evaluados, registrando un error medio de tan solo el 7,22%, comparado con el 13,74% del técnico. Figura 1. Flujo de trabajo del algoritmo. Imagen de entrada al modelo (A), salida del modelo con las detecciones (B) y detalle de las detecciones (C). Nótese como se muestra el valor de la probabilidad y cómo que algunas naranjas no son detectadas por presentar un alto grado de oclusión por otros frutos. En el sector agroalimentario, estamos siendo testigos de una revolución impulsada por el avance de nuevos procedimientos, tecnologías y competencias. Esto ha dado lugar a la creación e imaginación de servicios digitales innovadores, especialmente diseñados para un ámbito tan característico como el agrícola. Desde nuestro grupo de investigación, Smart BioSystem Lab (http://smartbiosystemlab.com/), estamos firmemente convencidos de que, mediante la utilización de todas las herramientas disponibles, podemos lograr una Cada laranja é detectada e classificada com um retângulo sobre o qual aparece o valor de probabilidade, que mostra a precisão deste modelo sobre o que classifica como laranja.
RkJQdWJsaXNoZXIy Njg1MjYx