A Embrapa Instrumentação (SP) desenvolveu um método que utiliza sensores de imagem e inteligência artificial para identificar a lagarta-do-cartucho, uma das pragas mais agressivas da cultura do milho. O sistema analisa imagens digitais e identifica a lagarta tanto na folha da planta como na espiga de milho. Dessa forma, é possível minimizar a subjetividade de métodos tradicionais, que são trabalhosos e dependem da observação humana para a realização da mesma tarefa.
O milho é um dos cereais mais cultivados no mundo e a lagarta-do-cartucho (Spodoptera frungiperda) é uma das principais pragas da cultura. Esse inseto pode causar perdas capazes de comprometer 70% da produção, de acordo com pesquisadores da Embrapa. A lagarta ataca as plantas tanto na fase vegetativa quanto na fase reprodutiva.
Método alternativo
A metodologia foi publicada na revista Eletronicts, no artigo Computational Intelligence Approach for Fall Armyworm Control in Maize Crop, de Alex Bertolla e Paulo Cruvinel. Eles contam que o trabalho foi motivado pela discrepância entre o método atual de detecção e o resultado pretendido, isso os levou a pesquisar uma alternativa para a detecção precoce de pragas em áreas cultivadas.
Bertolla conta que o estudo focou no reconhecimento e na classificação de padrões dinâmicos da lagarta-do-cartucho, que além do milho, ataca diversas culturas agrícolas, como a soja e do algodão. Ele ressalta que a solução obtida pode auxiliar agrônomos e laboratórios a ter resultados mais precisos.
Para facilitar a captação das imagens, uma câmera fotográfica simples pode ser acoplada em implementos agrícolas, para que possa coletar as imagens das lagartas presentes nas plantas de milho, tanto folhas como espiga, enquanto executa operações na lavoura. A câmera não precisa ser de alto custo, é necessário apenas produzir imagens com boa resolução.
Integração de processos
O método integra processamento digital de imagens e sinais, estatística multivariada, técnicas de aprendizado de máquina e visão computacional. “O aprendizado de máquina descreve a capacidade dos sistemas de aprender a partir de dados personalizados de treinamento de problemas para automatizar e resolver tarefas associadas. Em conjunto com esse conceito, o aprendizado profundo também é um processo de aprendizado de máquina, mas baseado em redes neurais artificiais com um conjunto de camadas de propósito específico”, esclarece Cruvinel.
Bertolla explica que o algoritmo computacional tem a capacidade de avaliar as imagens digitais de distintos estágios de crescimento da lagarta situada nas plantas de milho, assim como seu estágio de desenvolvimento e frequência de ocorrência na área de cultura. O programa foi desenvolvido em Python, linguagem de programação de alto nível muito usada em ciência de dados e aprendizado de máquina.
O estudo avaliou um total de 2.280 imagens de lagartas-do-cartucho presentes em folhas ou em espigas na área de cultivo do milho, de forma a qualificar cinco distintos estágios de desenvolvimento da praga durante o ciclo de produção.
Como foi feito o desenvolvimento
Para classificação dos padrões dinâmicos da lagarta foi elaborado um diagrama de blocos do método, que apresenta em quatro etapas o passo a passo do trabalho realizado. Bertolla relembra que a primeira etapa consistiu na aquisição e pré-processamento das imagens da lagarta, bem como o tratamento, remoção de ruídos e operação de padrão de cor.
O passo seguinte focou no processamento das imagens, na segmentação da imagem da lagarta, que nada mais é que extrair o fundo de forma a explicitar com prioridade apenas a imagem de lagartas que possam estar presentes no ambiente de cultura. Em seguida foi realizada a extração de características dos objetos restantes, de forma a se buscar caracterizar exclusivamente o inseto de interesse. De acordo com Bertolla, informações de cor e textura, bem como características geométricas foram utilizadas para a caracterização e reconhecimento de padrões da lagarta-do-cartucho.
“No último bloco, utilizamos conceitos da inteligência computacional, baseado em aprendizado profundo, em que uma rede neural artificial convolucional (CNN) treinada permite a classificação dos diferentes estágios da lagarta. A CNN é utilizada especificamente para analisar dados visuais. Para fins de comparação de desempenho, apresentamos também um conjunto de cinco classificadores, conhecidos como máquina de suporte de vetores (SVM), com o objetivo de classificar cada estágio da lagarta individualmente”, conta Bertolla. Esse método analisa os dados e reconhece padrões.
Base para futuros estudos
Cruvinel e Bertolla relatam que a qualidade dos resultados confirmou a recomendação do uso da estrutura baseada em aprendizado profundo. Os dados passaram por análise de acurácia, precisão, tempo de processamento e desempenho do hardware para o cenário proposto.
“O método também apresentou resultado considerável em quesitos referentes ao desempenho de hardware e tempo de processamento, o que pode ser também interessante para uma ação futura relacionada à disponibilização dessa tecnologia na versão embarcada, para uso diretamente como parte de implementos agrícolas”, aponta Cruvinel.
Eles sugerem, para trabalhos futuros, incluir outras técnicas de inteligência artificial dedicada ao controle de pragas para o reconhecimento e classificação de padrões, tanto de forma não supervisionada como por meio do uso de uma câmera multiespectral embarcada em um Veículo Aéreo Não Tripulado (VANT) para operação em tempo real.
