Título: Utilização de Visão Computacional Empregada à Identificação de Variedades de Cana-de-açúcar
Comissão Examinadora - Titulares
Prof. Dr. André Franceschi de Angelis (Presidente) - FT/Unicamp
Prof. Dr. Guilherme Palermo Coelho - FT/Unicamp
Prof. DR. Octávio Antonio Valsechi - UFSCAR
Suplentes:
Prof. Dr. Plínio Roberto Souza Vilela - FT/Unicamp
Profa. Dra. Juliana Aparecida Fracarolli - FEAGRI
Local: LP04 (Prédio Informática) https://stream.meet.google.com/stream/d5a19e85-f0e1-4750-ba34-7678b3c019bc
Resumo: A cana-de-açúcar é uma das culturas mais importantes do Brasil, ocupando cerca de 14
milhões de hectares, representando cerca de 17% do valor total da produção agrícola
brasileira. Estimativas para a safra 2023/24, apontam para uma produção de 40,8 milhões de
toneladas de açúcar e 27,7 bilhões de litros de etanol. Centros de pesquisas em melhoramento
genético buscam desenvolver variedades que melhor se adaptem aos Ambientes de Produção
(AP). É importante plantar as variedades de acordo com seu AP para que assim possam
apresentar maior produtividade, melhor qualidade e menor suscetibilidade a pragas e
doenças. Uma vez plantada, a cana somente será identificada ou por um olhar atento de um
especialista humano, cada vez mais escasso no mercado, ou por meio de uma técnica
chamada de identificação molecular, eficiente, mas invasiva e dispendiosa por exigir recursos
laboratoriais. A Visão Computacional (VC), uma das vertentes da Inteligência Artificial,
dedica-se ao desenvolvimento de algoritmos e técnicas que permitem aos computadores
entenderem e interpretarem informações visuais do mundo real com notável precisão. Na
agricultura, a VC tem sido amplamente aplicada para identificar e analisar aspectos
relevantes, como prever a produtividade da cana-de-açúcar em diferentes ambientes de
produção e reconhecimento de pragas em folhas de cana. O processo de identificação de
plantas utilizando VC já existe para algumas culturas, no entanto, não foram encontradas
especificamente para a cana-de-açúcar. Pretende-se, portanto, preencher este Gap, buscando
minimizar possíveis erros de identificação realizados por especialistas, inerentes à percepção
do ser humano, além de tornar o processo menos dispendioso financeiramente, por trabalhar
apenas com imagens obtidas por câmeras. Neste sentido, este trabalho busca colaborar
através do desenvolvimento de uma metodologia para identificação de variedades de cana
utilizando VC. Preliminarmente, foi criado um experimento, a fim validar e corrigir a
metodologia durante o processo da pesquisa-ação. A aquisição das imagens deu-se em
ambiente controlado, com amostras de canas-de-açúcar e bambus coletadas no campo e
fotografadas em laboratório. O experimento buscou saber a eficiência do algoritmo de IA em
diferenciar entre cana-de-açúcar e bambu, quando apresentado a uma imagem nunca ‘vista’.
Os resultados mostraram uma precisão de 0,977 para a classe ’cana’ e 0,995 para a classe
’bambu’, considerada satisfatória para o prosseguimento da pesquisa.