Uma equipa multidisciplinar, liderada por investigadores do Instituto de Sistemas e
Robótica (ISR) da Faculdade de Ciências e Tecnologia da Universidade de Coimbra
(FCTUC), explorou novas abordagens tecnológicas para a gestão de vinhas, abrindo
portas ao desenvolvimento de sistemas de monitorização não invasivos e eficientes
que permitem atuar de forma imediata e localizada em caso de doenças e pestes,
melhorando a produção e diminuindo o impacto nocivo no meio ambiente.
O estudo, que teve a participação de investigadores do Instituto de Engenharia de
Sistemas e Computadores de Coimbra (INESC Coimbra) e da Escola Superior
Agrária de Coimbra (ESAC), foi realizado no âmbito do projeto Al+Green:
Automação Inteligente na Agricultura de Precisão, financiado pelo MIT-Portugal e
pela Fundação para a Ciência e a Tecnologia (FCT), que visa melhorar a precisão e
a fiabilidade da monitorização e deteção de pestes e doenças em vinhas.
Durante 12 meses, foram estudadas três vinhas da região Centro – Coimbra,
Valdoeiro e Quinta de Baixo – geridas segundo práticas convencionais, mas com
características biofísicas diferentes. As abordagens exploradas e testadas pelos
cientistas basearam-se em sistemas de Deep Learning (aprendizagem profunda,
inteligência artificial), usando informação espácio-temporal obtida através de
teledeteção (satélite) e drones.
«Este trabalho estudou as bandas espectrais e técnicas de segmentação mais
apropriadas para a identificação de linhas de vinhas em imagens aéreas (por
exemplo, capturadas por drones). É importante diferenciar píxeis pertencentes
às videiras, de píxeis pertencentes a outros elementos (por exemplo,
vegetação entre linhas), para evitar a contaminação de dados», refere o
investigador Tiago Barros.
«Ao evitar píxeis que não pertencem às videiras, obtêm-se estimativas mais
fiáveis em tarefas como, por exemplo, estimação de colheita ou avaliação do
vigor das plantas. Para tal, equipámos um drone com uma câmara
multiespectral e uma câmara RGB de alta definição, que foram usadas para
recolher informação espectral de três vinhas da zona Centro», explicita.
Os resultados do estudo indicam, segundo o investigador do ISR, que os modelos
de segmentação «baseados em Deep Learning têm melhor desempenho
quando comparados com métodos clássicos. Em relação às bandas
espectrais, a banda Near-Infrared é a banda que contribui para o melhor
desempenho».
Ou seja, finaliza Tiago Barros, o estudo apresenta bons argumentos para o uso
deste tipo de abordagem de câmara dupla para aquisição de dados, contribuindo
para o avanço da agricultura de precisão, porque «promover uma agricultura mais
eficiente é essencial para melhorar a qualidade e segurança alimentar sem
comprometer a sustentabilidade ambiental. Este setor, embora tenha
beneficiado, de forma modesta, de avanços tecnológicos de outros setores,
tais como a indústria, robótica, veículos inteligentes, etc., continua a ser um
setor predominantemente manual e pouco eficiente. A agricultura de precisão
promove o uso de tecnologia (software e hardware) em aplicações como a
proteção, monitorização e gestão agrícola».
O estudo foi publicado na revista científica Computers and Electronics in Agriculture.
O artigo científico, intitulado “Multispectral vineyard segmentation: A deep learning
comparison study”, está disponível AQUI
