Autoria: LIMA, J. P. N.; SPERANZA, E. A.; BARBOSA, L. A. F.; CANÇADO, G. M. de A.; YANO, I. H.

Resumo: Resumo: A presença de falhas de plantio está entre os maiores motivos para quebra de produção da cana-de-açúcar, sendo que em alguns casos é necessário proceder-se o replantio das áreas afetadas. Sendo importante, portanto, identificar tais áreas, tanto para o replantio, como também, para estimativa da produtividade da lavoura. As falhas podem ser ocasionadas por pisoteios nas linhas de cultivo, por maquinários descalibrados durante as operações de colheita, entre outros fatores. Considera-se como falhas de plantio, no caso específico da cana-de-açúcar, espaços entre plantas maiores que 50 cm, porque a partir desse tamanho passariam a interferir na produtividade da lavoura. Como as lavouras de cana-de-açúcar permitem vários cortes, antes que se faça a reforma do canavial, momento em que se faz novo plantio, as falhas acabam por afetar a produtividade da cana-de-açúcar por vários anos, podendo, por isso, causar grandes prejuízos econômicos. Assim existem diversos trabalhos sendo desenvolvidos para a identificação e mapeamento das falhas por meio de análises de imagens de aeronaves remotamente pilotadas (arps), com o intuito de se evitar o processo custoso e demorado de procedimentos manuais. Dentre os métodos para identificação de objetos por processamento de imagens estão as técnicas de aprendizado de máquina. Este trabalho tem como objetivo a identificação de falhas de plantio em lavouras de cana-de-açúcar em imagens capturadas por arps e foi realizado com a rede neural Yolov5, que é uma rede de aprendizado profundo bastante difundida e de fácil utilização. -- Abstract: The presence of planting failures is among the biggest reasons for the drop in sugarcane production, and in some cases, it is necessary to replant the affected areas. Therefore, it is valuable to identify such areas. to aid in replanting and estimating crop productivity reasons. Failures can be caused by trampling on crop lines and uncalibrated machinery during harvesting operations, among other factors. To be considered sugarcane planting failure, the spaces between plants should be larger than 50 cm. Because of that size, they would interfere with crop productivity. as sugarcane is a semi-perennial crop, the failures affect the sugarcane productivity for several years and may cause several economic damages. Thus, several works were developed for planting failure identification using remote piloted aircraft (rpa) imagery to avoid costly and time-consuming manual procedures. Among the methods for identifying objects by image processing are machine learning techniques. This work aims to identify planting failures in sugarcane crops in images captured by rpas. we used the Yolov5 neural network. This network is a widespread and easy-to-use deep learning network.

Ano de publicação: 2022

Tipo de publicação: Artigo em anais e proceedings

Unidade: Embrapa Agricultura Digital

Palavras-chave: Aprendizado de máquina, Cana de Açúcar, Image analysis, Image processing, Machine learning, Processamento de imagem, Sugarcane, YOLOv5