Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / The no-tillage system (SPD) was one of the main innovations in Brazilian agriculture, but there are still discussions about how to achieve and maintain its quality and sustainability. The management of SPD areas through management zones presents great potential for this purpose, since it integrates different variables in order to facilitate and increase the technical and computerized management of agricultural practices and consequently the reduction of polluting potencies in environments. Among the main variables used to delimit management zones are the chemical attributes, yield maps and recently the NDVI index. In this sense, with Article I, the objective was to delimit management zones through yield maps and NDVIs derived from satellite images in historical series. To do this, in an area of 118 ha, three yield maps of different cultures between the years of 2010 to 2015 were selected and for each yield map we searched for the images from the Landsat 5 and 8 satellite that included a date in of the cycle of the crop in question from which the NDVI was calculated and also with the intention of verifying the stability of the NDVI generated in different crop cycles, four other satellite images were selected for four crops according to the historical of the study area, between the years 2007 and 2013. In article II, the objective was to verify the variability caused by the winter cover crop in the summer crop and if the NDVI index performed by land and with a RPAS is able to evidence this variability in the summer crop. In an area 73.96 there was applied a sampling grid of 70.71 x 70.71 m (0.5 ha), where soil sampling for chemical analysis and dry matter nutrients accumulated in the winter cover crop of black oats where soybean was sown in the summer, in which in the R5 and R5.5 stages evaluations were carried out with a portable sensor "by land" and with a RPAS for obtaining of the NDVI index and finally the grain yield of the soybean was determined, as well as the final population of plants. With the results, NDVI from satellite images can replace and/or compose the yield maps (article I) and that the dry mass and accumulated nutrients in the winter crop interfere with the yield of the summer crop and the NDVI index performed by land or with a RPAS was effective in expressing this variability (article II). / O Sistema Plantio Direto (SPD) foi uma das principais inovações na agricultura brasileira, contudo ainda há discussões sobre como alcançar e manter sua qualidade e sustentabilidade. A gestão de áreas sob SPD por meio de zonas de manejo, apresenta grande potencial para essa finalidade, pois integra diferentes variáveis afim de facilitar e incrementar a gestão tecnificada e informatizada das práticas agrícolas, e em consequência a redução de potencias poluidores no ambiente. Entre as principais variáveis utilizadas para delimitar zonas de manejo estão os atributos químicos, mapas de rendimento e recentemente o índice NDVI. Nesse sentido, com o artigo I objetivou-se delimitar zonas de manejo por meio de mapas de rendimento e NDVI oriundos de imagens de satélite em series históricas. Para isso, em uma área de 118 ha, selecionou-se três mapas de rendimento de diferentes culturas compreendidas entre os anos de 2010 a 2015 e para cada mapa de rendimento buscou-se selecionar as imagens satélite oriundas série Landsat que compreendessem uma data dentro do ciclo da cultura em questão a partir das quais procedeu-se o cálculo do NDVI e ainda com o intuito de verificar a estabilidade do NDVI gerado em diferentes ciclos de cultivo, foram selecionadas outras quatro imagens de satélites referentes a quatro cultivos, segundo o histórico de cultivo da área de estudo, compreendidos entre os anos de 2007 a 2013. Já no artigo II, o objetivo foi verificar a variabilidade causada pela cultura de cobertura de inverno na cultura de verão e se o índice de NDVI realizado “por terra” e com um RPAS é capaz de evidenciar essa variabilidade na cultura de verão. Em uma área 73,96 ha, aplicou-se uma malha amostral de 70,71 x 70,71 m (0,5 ha), onde realizou-se a amostragem de solo para a análise química e as avaliações de matéria seca e os nutrientes acumulados na cultura de cobertura inverno da aveia preta onde sobre esta, foi semeada no verão a cultura da soja, na qual nos estágios R5 e R5.5 foram realizadas avaliações com um sensor portátil “por terra” e com um RPAS para a obtenção do índice de NDVI e por final determinou-se o rendimento de grãos da soja, bem como, a população final de plantas. Com os resultados, constatou-se que O NDVI foi um bom parâmetro para delimitar duas zonas de manejo de alto e baixo potencial (artigo I) e que a matéria seca e os nutrientes acumulados na cultura de inverno interferem o rendimento da cultura de verão, sendo que o índice de NDVI realizado “por terra” ou com um RPAS foi eficaz em expressar essa variabilidade (artigo II).

In this work were investigated the spatial variability existent on the soil attributes utilized for soil fertility evaluation and its grade of participation on the yield crop variability. An experiment was conducted over five years (2000 to 2005) in an area of 57 ha in the municipality of Palmeira das Missões in a Latossolo Vermelho distrófico típico (EMBRAPA, 1999). Geopositioned soil samples were collected in May 2002, with a regular grid of 100x100 meters and at a depth of 0 to 10 cm. Yield data of soybean 2000/01, corn 2001/02, wheat 2002, soybean 2002/03, wheat 2003, soybean 2003/04 and corn 2004/05 were analyzed. The yield data was collected with a machine equipped with a system that take and register georeferenced data. Yield averages for each soil sample point were calculated, using yield data collected at a radius of 30 meters around the point. The yield and soil data were analyzed using the Pearson correlation Matrix. Average quadratic polynomial equations were calculated for the yields of soybean 2001/02 and 2003/03, where the nutrient pH, Organic Mater (OM), Phosphorus (P) and yield average were divided into five categories: very low (VL), low (L), mean (M), high (H) and very high (VH). For P was used categories proposed by Schlindwein (2003), for pH and OM are used categories adapted from Comissão (2004). Maximum efficiency technical (MET) and maximum economical efficiency (MEE)considering 90% of relative yield are calculated using the adjusted equations. A small correlation was found between the soil chemical attributes and the yield productivity. A negative correlation from 0,25 to 0,46 was found between the clay texture and corn yield 2005 and soybean yield 2004 respectively. The average soybean yield response to soil attributes curves shows the values of maximum technical efficiency (MTE) of the attributes in the soil. The MTE for P, pH and OM are 14,4 mg dm-3; 5.9 and 4.1%, respectively. Higher values of MTE can reduce the crop yield. The MEE for P, pH and OM are 4,4 mg dm -3; 5.5 e 3.2%, respectively. / Neste trabalho foi investigada a variabilidade espacial existente nos atributos do solo utilizados na avaliação da fertilidade dos solos, bem como seu grau de participação na variabilidade da produtividade das culturas. Foi conduzido um experimento por 5 anos (2000 a 2005) em uma área comercial de 57 ha no município de Palmeira das Missões em um Latossolo Vermelho distrófico típico (EMBRAPA, 1999). Em maio de 2002 foram coletadas amostras de solo georeferenciadas em malha regular de 100 x 100 metros a uma profundidade de 0 a 10 cm. As safras de soja 2000/01, milho 2001/02, soja 2002/03, trigo 2003, soja 2003/04 e milho 2004/05 foram analisadas. Os dados de produtividade foram coletados com uma colhedoura com sistema de tomada e registro de informações georeferenciadas. Para cada ponto de coleta de solo foi calculada uma produtividade média utilizando-se os dados num raio de 30 m ao redor do ponto. Os dados de produtividade e solo foram analisadas pela matriz de correlação de Pearson. Para a cultura da soja nas safras de 2000/01 e 2002/03 foram determinadas equações polinomiais quadráticas médias, onde se determinou os valores médios do pH, matéria orgânica (MO), fósforo (P) e da produtividade para cinco classes: muito baixa (MB), baixa (B), média (M), alta (A) e muito alta (MA). Para o fósforo foram adotadas as classes propostas por Schlindwein, (2003) e para pH e MO usou-se classes adaptadas da Comissão (2004). Através das equações ajustadas foi calculado a máxima eficiêcia técnica (MET) e a máxima eficiencia economica MEE) que foi obtida considerando 90 % do rendimento relativo. Os atributos químicos do solo e a produtividade apresentaram baixas correlações. A argila apresentou correlação negativa de 0.25 a 0.46 com as produtividades de milho 2005 e soja 2004 respectivamente. Os valores de MET para P, pH e MO foram de 14,4 mg dm-3; 5,9 e 4,1%, respectivamente. Valores acima destes, podem incorrer em decréscimo de produtividade. A MEE para P, pH e MO foram de 4,4 mg dm-3; 5,5 e 3,2%, respectivamente.

Made available in DSpace on 2016-06-02T19:05:38Z (GMT). No. of bitstreams: 1 2578.pdf: 4936351 bytes, checksum: c3169360ab91e26c8efef7226a907cdf (MD5) Previous issue date: 2009-06-05 / Universidade Federal de Sao Carlos / In Brazil, the development of tools for weeds recognition, capable of aiding risk detection and decision making on the fieldwork is still embryonic. This master s thesis presents the development of a pattern recognition system that recognizes weeds and gives the occupation percentage of wide and narrow leaves in an agricultural production system, with digital image processing techniques. The development was based on considerations about image acquisition, pre-processing, texture based segmentation, descriptors for weeds recognition and occupation percentage of each kind of leaf. The validation has been developed considering geometric patterns generated in laboratory, as well as others obtained of a maize (Zea mays) production agricultural environment, i. e. two species of weeds, one with wide leaves (Euphorbia heterophylla L.) and other with narrow leaves (Digitaria sanguinalis Scop.). The results show recognition of about 84.24 percent for wide leaves and 80.17 percent for narrow leaves in agricultural environment and also the capability to spot weed on unreachable locations by natural vision. Besides, the method presents application in precision agriculture to improve the decision making in pulverization processes. / No Brasil é ainda embrionário o desenvolvimento de ferramentas de reconhecimento de plantas invasoras, capazes de auxiliar a tomada de decisão e indicar o seu risco no sistema de produção. Este trabalho apresenta o desenvolvimento de um sistema de reconhecimento de padrões de plantas invasoras e percentuais de ocupação de folhas largas e folhas estreitas, em sistemas de produção agrícola, utilizando técnicas de processamento digital de imagens. Para o desenvolvimento houve a consideração das etapas de aquisição das imagens, pré-processamento, segmentação baseada em textura, descritores para o reconhecimento das plantas invasoras e percentual de ocupação de cada tipo de planta. A validação foi desenvolvida considerando padrões geométricos gerados em laboratório, bem como o próprio ambiente de produção agrícola de milho (Zea mays), tomando por base duas espécies de plantas invasoras, sendo uma de folha larga (Euphorbia heterophylla L.), e outra de folha estreita (Digitaria sanguinalis Scop.). Resultados indicam uma taxa de acerto no reconhecimento em ambiente de campo da ordem de 84,24% para folhas largas e da ordem de 80,17% para folhas estreitas, além da capacidade de identificar plantas invasoras em locais restritos a visão natural. Adicionalmente, o resultado obtido apresenta potencial para a aplicação no manejo baseado em agricultura de precisão, o que auxilia na tomada de decisão em pulverização agrícola.

Made available in DSpace on 2017-07-10T19:23:36Z (GMT). No. of bitstreams: 1 Denilson.pdf: 4098476 bytes, checksum: 61dc064a679354a8ec986c07c33444c3 (MD5) Previous issue date: 2013-07-05 / Large amounts of herbicides are used in agriculture to control weeds that pose risks to crops, resulting in increased production cost of farms. Also, if not applied properly, its use can cause resistance of spontaneous plants and result in residues in the environment, in the soil, the water or in toxicity to the crops. The objective of this research was to evaluate the residue of the 2,4-D herbicide in soil and its correlation with yield, as well as physical and chemical properties of the soil. The experiment was conducted on a farm in the city of Nova Santa Rosa, in the state of Paraná in the years 2011 and 2012. The main crops grown in the area are corn and soybeans, in rotation. Soil samples were collected to determine their physical and chemical properties and for analysis of residual 2,4-D before implementation (RI) and after application (RF) of the 2,4-D herbicide. Initially, the glyphosate herbicide was applied in a single dose (2.5 L ha-1) and then the 2,4-D herbicide was applied at two doses (1,0 and 1,5 L ha-1) with boom sprayer and, after 5 days of application, soil samples were collected for analysis of RF. After extracting the 2,4-D from the soil, high performance liquid chromatography (HPLC) was carried out to detect the active ingredient. In order to map the spontaneous plants, before and after spraying the herbicide the method of systematic sampling was used. The soybean yield for both years were also analyzed, and finally, spatial correlation of the parameters evaluated was performed. The results of RI of 2,4-D in the soil in both years, demonstrating that this is a herbicide that can remain retained in the soil over time and, depending on the soil characteristics, the preparation of the area and climatic conditions, this time can be longer. In 2011, the maximum detection of the active ingredient was 609 μg kg-1 and in 2012 was 652 μg kg-1. The RI of 2,4-D in the soil showed negative spatial correlation for chemical attributes K, organic matter and pH and for physical density, macroporosity, microporosity, total porosity and soil moisture it showed positive spatial correlation with sand and the chemical attributes Cu, Mg, Mn, P and Zn in the first year assessed. In 2012 the spatial correlation was positive with clay. The spontaneous plants type horseweed (Conyza bonariensis), did not present spatial correlation among the parameters evaluated in 2011, however, showed a positive correlation with the micropores of the soil in 2012. As residual 2,4-D in the soil and many attributes analyzed presented spatial correlation, spatial correlation among the variables analyzed proved to be an important tool to understand the influence of a parameter over the other. Both doses satisfactorily controlled the incidence of spontaneous plants. The 2,4-D showed some points with detection and other with no detection of the active ingredient in the soil, a fact that demonstrates the importance of assessing the spatial correlation of soil properties (chemical and physical) with residual herbicide in the soil, determining the influence of one attribute over the other. / Grandes quantidades de herbicidas são utilizadas na agricultura para controlar plantas espontâneas que oferecem riscos às plantações, acarretando aumento do custo de produção das propriedades agrícolas. Além disso, se não forem aplicados corretamente podem ocasionar a resistência das plantas espontâneas e resultar em residual no ambiente, quer seja no solo, na água ou na toxidez para as culturas. O objetivo desta pesquisa foi avaliar o residual do herbicida 2,4-D no solo e a sua correlação com a produtividade e os atributos químicos e físicos do solo. O experimento foi desenvolvido em uma propriedade agrícola, do município de Nova Santa Rosa/Paraná nos anos de 2011 e 2012. As principais culturas cultivadas na área são o milho e a soja em sistema de rotação. Foram realizadas amostragens de solo para determinação dos seus atributos químicos e físicos e para análise do residual de 2,4-D antes da aplicação (RI) e após a aplicação (RF) do herbicida 2,4-D. Inicialmente, foi aplicado o herbicida glifosato em dosagem única (2,5 L ha-1) e, em seguida, aplicou-se o herbicida 2,4-D em duas doses (1,0 e 1,5 L ha-1) com pulverizador de arrasto e, após 5 dias da aplicação, amostras de solo foram coletadas para análise do RF de 2,4-D. Após a extração do 2,4-D do solo foi efetuada a determinação por meio de cromatografia líquida de alto desempenho (HPLC) para detecção do ingrediente ativo. Para o mapeamento das plantas espontâneas, antes e após a pulverização do herbicida foi utilizado o método da amostragem sistemática. Também foi avaliada a produtividade da soja para ambos os anos e, por fim, foi efetuada a correlação espacial dos parâmetros avaliados. Os resultados do RI de 2,4-D no solo em ambos os anos, demonstram que este é um herbicida que pode permanecer retido no solo com o passar do tempo e, dependendo das características do solo, do preparo da área e das condições climáticas será maior ou menor. Em 2011, o valor máximo de detecção do ingrediente ativo foi de 609 μg kg-1 e em 2012 foi de 652 μg kg-1. O RI de 2,4-D no solo apresentou correlação espacial negativa para os atributos químicos K, matéria orgânica e pH e para os atributos físicos densidade do solo, macroporosidade, microporosidade, porosidade total e umidade do solo e correlação espacial positiva com a areia e com os atributos químicos Cu, Mg, Mn, P e Zn no primeiro ano avaliado. Já em 2012, a correlação espacial foi positiva com a argila. As plantas espontâneas do tipo buva (Conyza bonariensis) não apresentaram correlação espacial com os parâmetros avaliados em 2011, porém apresentaram correlação positiva com os microporos do solo em 2012. Como residual de 2,4-D no solo e muitos atributos analisados apresentaram dependência espacial, a correlação espacial entre as variáveis analisadas mostrou-se uma ferramenta importante para se conhecer a interferência de um parâmetro sobre o outro. Ambas as doses controlaram de modo satisfatório a incidência de plantas espontâneas. O 2,4-D apresentou alguns pontos com detecção e outros sem detecção do ingrediente ativo no solo, fator que demonstra a importância de avaliar a correlação espacial dos atributos do solo (químicos e físicos) com o residual do herbicida no solo, determinando a influência de um atributo sobre outro.

In the current agricultural context, agricultural machine unproductivity on fields and their impacts on soil along pathways are unavoidable. These machines have direct and indirect costs associated to their work in field, with non-productive time spent in manoeuvres when these are reaching field borders; likewise, there is a double application of product when machines are covering headlands while adding farm inputs. Both issues aggravate under irregular field geometry. Moreover, unproductive time can also appear in operations of loading/offloading the machine\'s reservoir with inputs/harvested-goods, which can increase with an improper use of the reservoir due to the inadequate machine path length. On the other hand, irregular steep surfaces present a problem for establishment of row crops and machine paths towards erosion. Though contouring (i.e., performing field operations perpendicular to slope direction) is a common practice to reduce runoff and increase water infiltration, still elevation contours are never parallel, while machine operations always are. Many of these issues were target for optimization in computer path planning for agricultural machines, where unproductivity was overall minimized and attempts of soil loss reduction by more proper path establishment also yielded results. This thesis gathered these issues in a combined path planning approach making possible to address soil loss and unproductive costs to their proper location. A number of methods was proposed and modified: creating and replicating steerable machine track; finding more optimal references for path coverage on irregular surfaces (curved or straight); quantifying the impacts of soil loss for a given path pattern; identifying spatially the water flow and concentration; defining geometrically different manoeuvre types and calculate its time, space and energy demands; obtain the overlapped area of input application; and quantifying the machine replenishment cost in relation to underuse of its reservoir for following tracks of inadequate length. An algorithm-application was achieved, which is capable of simulating a large number of path coverage scenarios and to display optimized ones based on a user defined criteria. Sugarcane crop, grown in Brazilian conditions, was the main object of study in this thesis because of its high in-field mechanization costs (along with unproductive operational costs), high susceptibility of soil erosion in its planting phase, and for occupying an area of predominant rolling surface. Case studies were subject to this algorithm that provided suitable outputs with minimized impacts. The outputs of the algorithm were comprehensive and showed potential for the methods to be used by agricultural decision makers. / No contexto agrícola atual, improdutividade de máquinas agrícolas em campo e seus impactos sobre o solo ao longo de suas vias são inevitáveis. Estas máquinas têm custos diretos e indiretos associados ao seu trabalho no campo, como tempo improdutivo gasto em manobras quando estes atingem os limites do talhão. Também nestes limites, há uma dupla aplicação de insumos agrícolas quando as máquinas estão cobrindo cabeceiras. Ambas as questões se agravam em talhões de geometria irregular. Além disso, o tempo improdutivo também pode aparecer em operações de carga / descarga do reservatório da máquina com insumos / bens colhidos, o que pode aumentar com um uso indevido do reservatório da máquina devido ao comprimento inadequado do percurso em campo. Ainda, superfícies irregulares e íngremes apresentam um problema para o estabelecimento de culturas em fileira e caminhos de máquinas contra declive. Apesar de operações em nível serem uma prática comum para reduzir o escoamento e aumentar a infiltração de água, curvas de nível nunca são paralelas, enquanto operações agrícolas são sempre paralelas. Muitas destas questões foram alvo de otimização computacional para planejamento de percursos de para máquinas agrícolas, onde a ineficiência foi, em geral, minimizada e tentativas de redução da perda de solo estabelecimento de percursos mais adequados também produziu resultados. Esta tese reuniu estas questões em uma abordagem de planejamento de percurso quantificando e direcionando custos de perda de solo e improdutividade de máquinas para sua devida localização. Métodos foram propostos e modificados, como: criar e replicar trajetos transitáveis de máquinas; encontrar referências ideais para a cobertura do trajeto em superfícies irregulares (curvas ou retas); quantificação dos impactos da perda de solo por um determinado padrão de percursos; identificar espacialmente o fluxo da água e sua concentração; definir geometricamente diferentes tipos de manobras e calcular o seu tempo, espaço e energia demandada; obter a área sobreposta de aplicação de insumos; e quantificar custo de reposição da máquina em relação à subutilização de seu reservatório para seguir trajetos de comprimento inadequado. Um aplicativo-algoritmo foi obtido capaz de simular um grande número de cenários de padrões de percurso, e exibindo aqueles que foram otimizados por critérios definidos pelo usuário. A cultura da cana, em condições brasileiras, foi a principal cultura de estudo nesta tese devido ao seu alto custo de mecanização (assim como custos operacionais improdutivos), alta suscetibilidade à erosão do solo na sua fase de plantio, e ocupando predominantemente áreas de superfície irregular. Os estudos de caso foram sujeitos ao algoritmo que obteve resultados coerentes e impactos minimizados. Os resultados do algoritmo mostram potencial para que os métodos avaliados sejam utilizados por tomadores de decisão da área agrícola.

<p>Detecting crop rows from video frames in real time is a fundamental challenge in the field of precision agriculture. Deep learning based semantic segmentation method, namely U-net, although successful in many tasks related to precision agriculture, performs poorly for solving this task. The reasons include paucity of large scale labeled datasets in this domain, diversity in crops, and the diversity of appearance of the same crops at various stages of their growth. In this work, we discuss the development of a practical real-life crop row</p> <p>detection system in collaboration with an agricultural sprayer company. Our proposed method takes the output of semantic segmentation using U-net, and then apply a clustering based probabilistic temporal calibration which can adapt to different fields and crops without the need for retraining the network. Experimental results validate that our method can be used for both refining the results of the U-net to reduce errors and also for frame interpolation of the input video stream. Upon the availability of more labeled data, we switched our approach from a semi-supervised model to a fully supervised end-to-end crop row detection model using a Feature Pyramid Network or FPN. Central to the FPN is a pyramid pooling module that extracts features from the input image at multiple resolutions. This results in the network’s ability to use both local and global features in classifying pixels to be crop rows. After training the FPN on the labeled dataset, our method obtained a mean IoU or Jaccard Index score of over 70% as reported on the test set. We trained our method on only a subset of the corn dataset and tested its performance on multiple variations of weed pressure and crop growth stages to verify that the performance does translate over the variations and is consistent across the entire dataset.</p>

<p>There is a growing demand for indoor farm management systems that can track plant growth, allow automatic control and aid in real-time decision making. Internet of Thing (IoT)-based solutions are being applied to meet these needs and numerous researchers have created prototypes for meeting specific needs using sensors, algorithms, and automations. However, limited studies are available that report on comprehensive large-scale experiments to test various aspects related to availability, scalability and reliability of sensors and actuators used in low-cost indoor farms. The purpose of this study was to develop a low-cost, IoT devices driven indoor farm as a testbed for growing microgreens and other experimental crops. The testbed was designed using off-the-shelf sensors and actuators for conducting research experiments, addressing identified challenges, and utilizing remotely acquired data for developing an intelligent farm management system. The sensors were used for collecting and monitoring electrical conductivity (EC), pH and dissolved oxygen (DO) levels of the nutrient solution, light intensity, environmental variables, and imagery data. The control of light emitting diodes (LEDs), irrigation pumps, and camera modules was carried out using commercially available components. All the sensors and actuators were remotely monitored, controlled, and coordinated using a cloud-based dashboard, Raspberry Pis, and Arduino microcontrollers. To implement a reliable, real-time control of actuators, edge computing was used as it helped in minimizing latency and identifying anomalies.</p> <p>Decision making about overall system performance and harvesting schedule was accomplished by providing alerts on anomalies in the sensors and actuators and through installation of cameras to predict yield of microgreens, respectively. A split-plot statistical design was used to evaluate the effect of lighting, nutrition solution concentration, seed density, and day of harvest on the growth of microgreens. This study complements and expands past efforts by other researchers on building a low cost IoT-based indoor farm. While the experience with the testbed demonstrates its real-world potential of conducting experimental research, some major lessons were learnt along the way that could be used for future enhancements.</p>

This study aimed to develop a novel end-to-end plant diagnosis model for the analysis of plant health conditions in near real-time to optimize the rate of production on farmlands for an intensive, yet environmentally safe farming production to preserve the natural environment. First, field research was conducted to determine the extent of the problems faced by farmers in agricultural production. This allowed us to refine the research statement and the level of technology involved in the production processes. The advantages of unmanned aerial systems were exploited in the continuous monitoring of farm plantations to develop automated and accurate measures of farm conditions. To this end, this thesis applies the Precision Agricultural technology as a data based management system that takes into account spatial variations by using the Global Positioning System, Geographical Information System, remote sensing, yield monitors, mapping, and guidance system for variable rate applications. An unmanned aerial vehicle embedded with an optic and radiometric sensor was used to obtain high spectral resolution images of plantation status during normal production/growth cycle. Then, an ensemble of classifiers with Convolution Neural Networks (CNN) was used as off the shelf feature extractor to train images to develop an end-to-end feature detection and multiclass classification system for plant overall health’s conditions. Whereby previous works have concentrated on using CNN as off the shelf feature extractor and model training to detect only plant diseases from plants. To date, no research has yet been carried out to develop an end-to-end model for the overall plant diagnosis system. Previous studies focused on the detection of diseases at any given time, making it difficult to implement comprehensive real-time PA systems. Applying the pretrained model to the new images showed that the model can accurately predict any plant condition with an average of 97% accuracy.

[pt] A eficiência de culturas pode ser aprimorada monitorando-se suas condições de forma contínua e tomando-se decisões baseadas em suas análises. Os dados para análise podem ser obtidos através de sensores de imagens e o processo de monitoramento pode ser automatizado utilizando-se algoritmos de reconhecimento de imagem com diferentes níveis de complexidade. Alguns dos algoritmos de maior êxito estão relacionados a abordagens supervisionadas de aprendizagem profunda (Deep Learning) as quais utilizam formas de Redes Neurais de Convolucionais (CNNs). Nesta dissertação de mestrado, empregaram-se modelos de aprendizagem profunda supervisionados para classificação, regressão, detecção de objetos e segmentação semântica em tarefas de monitoramento de culturas, utilizando-se amostras de imagens obtidas através de três níveis distintos: Satélites, Veículos Aéreos Não Tripulados (UAVs) e Robôs Terrestres Móveis (MLRs). Ambos satélites e UAVs envolvem o uso de imagens multiespectrais. Para o primeiro nível, implementou-se um modelo CNN baseado em Transfer Learning para a classificação de espécies vegetativas. Aprimorou-se o desempenho de aprendizagem do transfer learning através de um método de análise estatística recentemente proposto. Na sequência, para o segundo nível, implementou-se um algoritmo segmentação semântica multitarefa para a detecção de lavouras de cana-de-açúcar e identificação de seus estados (por exemplo, saúde e idade da cultura). O algoritmo também detecta a vegetação ao redor das lavouras, sendo relevante na busca por ervas daninhas. No terceiro nível, implementou-se um algoritmo Single Shot Multibox Detector para detecção de cachos de tomate. De forma a avaliar o estado dos cachos, utilizaram-se duas abordagens diferentes: uma implementação baseada em segmentação de imagens e uma CNN supervisionada adaptada para cálculos de regressão capaz de estimar a maturação dos cachos de tomate. De forma a quantificar cachos de tomate em vídeos para diferentes estágios de maturação, empregou-se uma implementação de Região de Interesse e propôs-se um sistema de rastreamento o qual utiliza informações temporais. Para todos os três níveis, apresentaram-se soluções e resultados os quais superam as linhas de base do estado da arte. / [en] Crop efficiency can be improved by continually monitoring their state and making decisions based on their analysis. The data for analysis can be obtained through images sensors and the monitoring process can be automated by using image recognition algorithms with different levels of complexity. Some of the most successful algorithms are related to supervised Deep Learning approaches which use a form of Convolutional Neural Networks (CNNs). In this master s dissertation, we employ supervised deep learning models for classification, regression, object detection, and semantic segmentation in crop monitoring tasks, using image samples obtained through three different levels: Satellites, Unmanned Aerial Vehicles (UAVs) and Unmanned Ground Vehicles (UGVs). Both satellites and UAVs levels involve the use of multispectral images. For the first level, we implement a CNN model based on transfer learning to classify vegetative species. We also improve the transfer learning performance by a newly proposed statistical analysis method. Next, for the second level, we implement a multi-task semantic segmentation algorithm to detect sugarcane crops and infer their state (e.g. crop health and age). The algorithm also detects the surrounding vegetation, being relevant in the search for weeds. In the third level, we implement a Single Shot Multibox detector algorithm to detect tomato clusters. To evaluate the cluster s state, we use two different approaches: an implementation based on image segmentation and a supervised CNN regressor capable of estimating their maturity. In order to quantify the tomato clusters in videos at different maturation stages, we employ a Region of Interest implementation and also a proposed tracking system which uses temporal information. For all the three levels, we present solutions and results that outperform state-of-the art baselines.

[pt] O presente trabalho inicia com uma investigação sobre o uso de modelos de Aprendizado Profundo 3D para a detecção aprimorada de morangos em túneis de cultivo. Focou-se em duas tarefas principais: primeiramente, a detecção de frutas, comparando o modelo original MaskRCNN com uma versão adaptada que integra informações de profundidade (MaskRCNN-D). Ambos os modelos são capazes de classificar morangos baseados em sua maturidade (maduro, não maduro) e estado de saúde (afetados por doença ou fungo). Em segundo lugar, focou-se em identificar a região mais ampla dos morangos, cumprindo um requisito para um sistema de espectrômetro capaz de medir o conteúdo de açúcar das frutas. Nesta tarefa, comparouse um algoritmo baseado em contorno com uma versão aprimorada do modelo VGG-16. Os resultados demonstram que a integração de dados de profundidade no MaskRCNN-D resulta em até 13.7 por cento de melhoria no mAP através de diversos conjuntos de teste de morangos, incluindo os simulados, enfatizando a eficácia do modelo em cenários agrícolas reais e simulados. Além disso, nossa abordagem de solução ponta-a-ponta, que combina a detecção de frutas (MaskRCNN-D) e os modelos de identificação da região mais ampla (VGG-16 aprimorado), mostra um erro de localização notavelmente baixo, alcançando até 11.3 pixels de RMSE em uma imagem de morango cortada de 224 × 224. Finalmente, explorou-se o desafio de aprimorar a qualidade das leituras de dados do espectrômetro através do posicionamento automático do sensor. Para tal, projetou-se e treinou-se um modelo de Aprendizado Profundo com dados simulados, capaz de prever a acurácia do sensor com base em uma imagem dada de um morango e o deslocamento desejado da posição do sensor. Usando este modelo, calcula-se o gradiente da saída de acurácia em relação à entrada de deslocamento. Isso resulta em um vetor indicando a direção e magnitude com que o sensor deve ser movido para melhorar a acurácia do sinal do sensor. Propôs-se então uma solução de Servo Visão baseada neste vetor, obtendo um aumento significativo na acurácia média do sensor e melhoria na consistência em novas iterações simuladas. / [en] The present work begins with an investigation into the use of 3D Deep Learning models for enhanced strawberry detection in polytunnels. We focus on two main tasks: firstly, fruit detection, comparing the standard MaskRCNN with an adapted version that integrates depth information (MaskRCNN-D). Both models are capable of classifying strawberries based on their maturity (ripe, unripe) and health status (affected by disease or fungus). Secondly, we focus on identifying the widest region of strawberries, fulfilling a requirement for a spectrometer system capable of measuring their sugar content. In this task, we compare a contour-based algorithm with an enhanced version of the VGG-16 model. Our findings demonstrate that integrating depth data into the MaskRCNN-D results in up to a 13.7 percent improvement in mAP across various strawberry test sets, including simulated ones, emphasizing the model s effectiveness in both real-world and simulated agricultural scenarios. Furthermore, our end-to-end pipeline approach, which combines the fruit detection (MaskRCNN-D) and widest region identification models (enhanced VGG-16), shows a remarkably low localization error, achieving down to 11.3 pixels of RMSE in a 224 × 224 strawberry cropped image. Finally, we explore the challenge of enhancing the quality of the data readings from the spectrometer through automatic sensor positioning. To this end, we designed and trained a Deep Learning model with simulated data, capable of predicting the sensor accuracy based on a given image of the strawberry and the subsequent displacement of the sensor s position. Using this model, we calculate the gradient of the accuracy output with respect to the displacement input. This results in a vector indicating the direction and magnitude with which the sensor should be moved to improve the sensor signal accuracy. A Visual Servoing solution based on this vector provided a significant increase in the average sensor accuracy and improvement in consistency across new simulated iterations.