Agricultura ciente de ambiente: raciocínio sobre estrutura tridimensional no campo de cultivo (AACr3)

• Processo: 17/19282-7
• Modalidade de apoio: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
• Data de Início da vigência: 01 de março de 2019
• Data de Término da vigência: 31 de outubro de 2021
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Acordo de Cooperação: IBM Brasil
• Pesquisador responsável: Thiago Teixeira Santos
• Beneficiário: Thiago Teixeira Santos
• Instituição Sede: Embrapa Informática Agropecuária. Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Campinas , SP, Brasil
• Município da Instituição Sede: Campinas
• Empresa: IBM Brasil - Indústria, Máquinas e Serviços Ltda
• Município da Empresa: Rio de Janeiro
• Instituição parceira: Empresa Brasileira de Pesquisa Agropecuária (EMBRAPA). Embrapa Instrumentação Agropecuária
• Pesquisadores principais: Eric Rohmer
• Pesquisadores associados: Celina Maki Takemura ; Jayme Garcia Arnal Barbedo ; João Camargo Neto ; Kleber Xavier Sampaio de Souza ; Leonardo Ribeiro Queirós ; Luciano Vieira Koenigkan ; Luís Henrique Bassoi
• Bolsa(s) vinculada(s): 19/07863-0 - Compreensão de cenas em agricultura por redes neurais profundas, BP.IC
• Assunto(s): Aprendizado computacional Visão computacional Automação Agricultura Agricultura de precisão Imagem tridimensional
• Palavra(s)-Chave do Pesquisador: agricultural automation | Computer Vision | machine learning | machine reasoning | precision agriculture | 3-D imaging | visão computacional

Resumo

Automação em ambientes internos e urbanos geralmente depende de ambientes estruturados ou semiestruturados. Das linhas de montagem industriais robotizadas à navegação automotiva ciente do tráfego urbano, algum conhecimento da estrutura do ambiente é empregado na prestação de serviços automatizados. No entanto, os ambientes naturais e agrícolas carecem de dados estruturados, restringindo a automação no campo a maquinário agrícola com algum nível limitado de operação autônoma. A aquisição desses dados tinha custos proibitivos até recentemente, considerando-se o relativo baixo custo dos produtos agrícolas, mas a combinação de recentes avanços em visão computacional e sensores acessíveis está mudando este cenário. O objetivo desta proposta é a recuperação automatizada da estrutura 3-D geo-referenciada de campos de cultivo e a detecção e classificação de objetos de interesse, tais como terreno, plantas, folhas e frutos, a partir do estado da arte em técnicas de visão e inteligência artificial. Resultados preliminares mostram que o imageamento tridimensional é uma forma viável e versátil de capturar e avaliar o estado de plantas e o ambiente da cultura. Nesta proposta, o sensoriamento remoto proximal será realizado por plataformas móveis que transportam sensores (câmeras e scanners LiDAR). Grandes conjuntos de dados visuais serão a entrada de um sistema de visão estéreo múltipla que irá construir modelos tridimensionais da cultura, na forma de nuvens de pontos 3-D ('point clouds'). Algoritmos de visão computacional e aprendizado de máquina serão empregados na detecção e classificação de objetos de interesse, e informações como características das plantas, variação espacial na cultura e outras medidas serão devidamente estimadas a partir dessas nuvens. Parcelas de três culturas diferentes (incluindo culturas de grãos e fruticultura) serão sensoreadas e estruturadas em momentos diferentes, capturando vários estágios de desenvolvimento das plantas. Este projeto irá integrar tecnologias de ponta em imageamento, robótica e visão computacional em uma metodologia completa para a aquisição da estrutura 3-D de campos de cultivo, abordando problemas em automação e computação de alto desempenho. Métodos baseados em aprendizagem de máquina para a extração de padrões e características a partir desses dados serão desenvolvidas e avaliadas contra metodologias tradicionais utilizadas em pesquisa agrícola. (AU)