Aplicabilidade de técnicas de Inteligência Artificial na análise automática de imagens agrícolas aéreas

Abstract

Técnicas de Inteligência Artificial têm alavancado o desempenho do setor agrícola, principalmente devido à introdução de tecnologias como mapeamento via drone, detecção de pestes e no auxílio às tomadas de decisão. Nesse sentido, o presente trabalho tem como objetivo aplicar técnicas de Deep Learning em um dataset de lavouras de sorgo, tendo como meta detectar as linhas de plantio, calcular o percentual do solo cultivado e identificar falhas na plantação. Técnicas de Data Augmentation e Synthetic Data foram utilizadas de modo a aumentar e diversificar o dataset na tentativa de gerar um modelo final mais robusto e generalista. Outrossim, foi realizado um comparativo entre três arquiteturas de detecção de objetos de alto desempenho (Faster R-CNN, RetinaNet e YOLO) e suas respectivas variações. Além disso, para a arquitetura vencedora YOLOv8, foram testadas várias profundidades com o objetivo de verificar uma possível correlação entre a precisão média e o tamanho da rede, a qual foi constatada pelo melhor desempenho da YOLOv8 Extra Large. Na sequência, testamos também variações de hiperparâmetros como batch size, learning rate e o otimizador, de onde foi possível obter o melhor conjunto: batch size de 16, learning rate de 0.001 e SGD como otimizador, aumentando a precisão média da rede para 89.2%, superando em 4% o modelo não otimizado. Algoritmos heurísticos foram desenvolvidos em Python de modo a identificar as falhas e calcular o aproveitamento do solo. Por fim, constatou-se que a inclusão dos dados sintéticos no conjunto de dados de treinamento piorou a performance do modelo otimizado em 4% no que diz respeito à precisão média.