Biblioteca do Café
URI permanente desta comunidadehttps://thoth.dti.ufv.br/handle/123456789/1
Navegar
2 resultados
Resultados da Pesquisa
Item Precision coffee growing: a review(Universidade Federal de Lavras, 2022-06-09) Santana, Lucas Santos; Ferraz, Gabriel Araújo e Silva; Santos, Sthéfany Airane dos; Dias, Jessica Ellen LimaPrecision Agriculture (PA) technologies introduction in coffee-growing is becoming essential to advances in sustainable cultivation and increase in output. Applications that involve PA techniques in coffee production are defined now as Precision Coffee growing (PC). Systematically explored, studies on the subject contribute to improvements in the area, relating soil variability to its impacts on plants. The PC’s scientific approach offers new forms of manage-ment and more security in coffee production. Aimed at reducing pesticides application and nutrients to the soil, contributing to sustainable development in coffee production. Initially, the research on coffee production had dealt with soil spatial variability, highlighting the geostatistical methods and specific ways to sample the soil. With technological advances in agriculture, new ways of monitoring spatial variability are available. In this context, studies are arising on spatial variability related to the plant, applying terrestrial, aerial and orbital sensors, possibly creating perspectives for monitoring and mapping coffee production. Artificial intelligence, Remotely Piloted Aircraft (ARP) products, harvesting yield sensors, automatic grain classifiers, and remote sensing stand out as new technologies under development in coffee production. These applications in PC involving multidisciplinary research demonstrate new relevant ways of improving crop managing and sustainability guaranteeing.Item Treinamento de algoritmo para identificação de mudas de café por meio de imagens aéreas(Embrapa Café, 2019-10) Santana, Lucas Santos; Santos, Gabriel Henrique Ribeiro dos; Ferraz, Gabriel Araújo e Silva; Santos, Luana Mendes dos; Barbosa, Brenon Diennevan Souza; Bento, Nicole LopesAplicação de sistemas computacionais na agricultura vem se tornando necessidade, para incrementos de produtividade. A cafeicultura é considerada um dos mais importantes ramos do agronegócio brasileiro, mas alguns pontos ainda podem ser melhorados. A contagem de mudas de café é feita manualmente a campo, considerada uma técnica que apresenta baixa agilidade principalmente em grandes plantações, causando perda de tempo e desconforto à pessoa encarregada por este trabalho. A utilização de tecnologias avançadas no campo surge no contexto da agricultura de precisão. Esta pesquisa tem como intuito apresentar treinamento de um algoritmo para contagem automática de mudas de cafeeiros a partir de imagens obtidas por veículo aéreo não tripulado (VANT). O algoritmo desenvolvido é baseado numa rede neural artificial do tipo convolucional (RNC). A pesquisa foi realizada em uma área experimental de café em 2 estágios 3 e 6 totalizando 0,4 hectares no município de Bom Sucesso MG. Para a coleta das imagens foi utilizado um veículo aéreo não tripulado (VANT) modelo phanton 4, com capacidade de coletar imagens na composição Red Blue e Green (RGB). Os voos foram feitos com 30 metros de altura, velocidade de 3 m/s, sobreposição frontal e lateral de 80%. Para a criação do ortomosaico as imagens foram processadas no software Agisoft Photoscan e posteriormente tratadas no software Arcgis 10.2. Em seguida foi submetido a fase de treinamento, para a detecção automática das mudas no ortomosaico. Primeiramente foi necessário a criação de um banco de dados, com a finalidade de treinar e validar a rede neural YOLO (You Only Look Once). Após o treinamento foi utilizada a técnica de usar pequenos recortes de uma imagem se chama janelamento, na qual foram realizados 762 recortes. As imagens usadas para o treino da rede neural são distintas das imagens usadas para validação para assim o software demostrar o aprendizado. Os resultados apresentados em plantas de 3 meses não foram satisfatórios, pois ocorreu confusão na identificação entre mudas e plantas daninhas e sombras. Nas imagens de 6 meses foi observado melhor desempenho na identificação por meio de treinamento de algoritmos. A partir do treinamento de algoritmo por meio de aprendizado foi possível detectar mudas de cafeeiros a campo. Portanto para um refinamento e maior precisão do algoritmo é necessário o treinamento em diversas áreas e cultivares diferentes.