@MastersThesis{Lucena:2022:DeDePl,
author = "Lucena, Felipe Rafael de S{\'a} Menezes",
title = "Uso de imagens centim{\'e}tricas e algoritmos de aprendizado de
m{\'a}quina no suporte ao manejo de pomares de laranja:
detec{\c{c}}{\~a}o e delineamento de plantas,
identifica{\c{c}}{\~a}o de linhas, falhas de plantio e de
plantas com greening",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2022",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2022-08-10",
keywords = "citricultura, agricultura de precis{\~a}o, detec{\c{c}}{\~a}o
de copas, identifica{\c{c}}{\~a}o de linhas de plantio,
identifica{\c{c}}{\~a}o de falhas de plantio, citriculture,
precision agriculture, canopy detection, identification of
planting rows, identification of planting gaps.",
abstract = "O cultivo de laranjas {\'e} uma das principais atividades da
citricultura mundial e, nacionalmente, corresponde {\`a} maior
produ{\c{c}}{\~a}o de frutos do pa{\'{\i}}s. Contudo, apesar
da pot{\^e}ncia produtiva do pa{\'{\i}}s, o desenvolvimento de
t{\'e}cnicas adequadas de manejo ainda {\'e} demandado, pois
estas s{\~a}o importantes aliadas para a gest{\~a}o e
condu{\c{c}}{\~a}o dos desafios da agricultura em termos de
produtividade, seguran{\c{c}}a alimentar, impacto ambiental e
sustentabilidade. Neste sentido, este trabalho explorou o uso de
imagens captadas por Ve{\'{\i}}culo A{\'e}reo N{\~a}o
Tripulado para extra{\c{c}}{\~a}o de dados e
informa{\c{c}}{\~o}es a respeito da cultura visando o
desenvolvimento de ferramentas de aux{\'{\i}}lio ao manejo
agr{\'{\i}}cola. Os objetivos principais do estudo foram
divididos em tr{\^e}s principais frentes de atua{\c{c}}{\~a}o:
detec{\c{c}}{\~a}o e delineamento de copas de {\'a}rvores;
identifica{\c{c}}{\~a}o de linhas e falhas de plantio; e
diagn{\'o}stico da situa{\c{c}}{\~a}o fitossanit{\'a}ria da
cultura em rela{\c{c}}{\~a}o {\`a} contamina{\c{c}}{\~a}o
pela doen{\c{c}}a do greening. Na an{\'a}lise de
detec{\c{c}}{\~a}o e delineamento, foi utilizado o modelo de
deep learning baseado em rede neural convolucional (Mask R-CNN)
para compara{\c{c}}{\~a}o do desempenho da atividade entre
imagens RGB com e sem a adi{\c{c}}{\~a}o de uma quarta banda com
o dado de altitude das copas. Al{\'e}m disso, nesta primeira
etapa da pesquisa, foram discutidos e sugeridos m{\'e}todos para
operacionaliza{\c{c}}{\~a}o da atividade. Na segunda etapa, foi
discutida proposi{\c{c}}{\~a}o de um modelo baseado em
an{\'a}lise espacial de padr{\~o}es lineares para
identifica{\c{c}}{\~a}o n{\~a}o supervisionada de linhas e
falhas de plantio a partir de dados de posi{\c{c}}{\~a}o das
copas. Por fim, os dados levantados nas duas primeiras etapas
foram utilizados para avalia{\c{c}}{\~a}o da capacidade de
diagn{\'o}stico preciso da doen{\c{c}}a do greening em uma
{\'a}rea cuja inspe{\c{c}}{\~a}o visual foi realizada. A
metodologia de diagn{\'o}stico proposta fez uso de atributos
espectrais extra{\'{\i}}dos dos segmentos das copas aplicados ao
classificador Random Forest. Os resultados encontrados na primeira
etapa sugerem que o uso do dado de altitude das copas aumenta a
capacidade de detec{\c{c}}{\~a}o do modelo, mas o delineamento
pode ser impactado pela qualidade do dado de entrada. Na segunda
etapa, a metodologia proposta se mostrou vi{\'a}vel para
identifica{\c{c}}{\~a}o automatizada de linhas e falhas de
plantio em talh{\~o}es com at{\'e} 20% de falhas. Al{\'e}m
disso, a presen{\c{c}}a de plantas fora do alinhamento
padr{\~a}o do talh{\~a}o n{\~a}o foi suficiente para
inviabilizar os resultados encontrados. Por {\'u}ltimo, na
terceira etapa, os resultados obtidos indicam o potencial do
m{\'e}todo em identificar a ocorr{\^e}ncia da doen{\c{c}}a a
partir da segmenta{\c{c}}{\~a}o realizada e dos atributos
espectrais adotados, mas sugerem novas abordagens no sentido de
identificar uma solu{\c{c}}{\~a}o operacional para o problema.
Por fim, os processos adotados nesta pesquisa contribuem para o
desenvolvimento de m{\'e}todos pr{\'a}ticos de aux{\'{\i}}lio
{\`a} tomada de decis{\~o}es dos produtores e prestadores de
servi{\c{c}}os. ABSTRACT: The orange cultivation is one of the
main activities of citriculture worldwide and corresponds to the
largest production of fruit nationally. However, despite the
potential production, the development of management techniques is
still required, because they are important tools for conduction of
agriculture challenges in terms of productivity, food safety,
environmental impact and sustainability. In this context, this
work explored the use of images captured by Unmanned Aerial
Vehicle (UAV) to extract useful data about the crop, aiming the
development of tools to help agricultural management. The main
objectives of study were organized in three main areas: detection
and delineation of tree crowns; identification of planting rows
and planting gaps; and diagnosis of the crop health status in
terms of greening disease. In the detection and delineation
analysis, deep learning model based on convolutional neural
network (Mask R- CNN) was used to compare the performance between
RGB images with and without addition of a channel with the canopy
altitude data. Furthermore, in this first stage of our research,
methods for operationalizing the activity were discussed. In the
second stage, we proposed and discused a model based on spatial
analysis of linear patterns for unsupervised identification of
planting lines and planting gaps from crown position. Finally, the
data collected in the first two stages were used to evaluate the
ability to accurately diagnose the greening disease. The proposed
diagnostic methodology used spectral attributes extracted from
canopy areas and applied to the Random Forest classifier. The
results found in the first stage suggest that the use of canopy
altitude data increases the detection capability, but the
delineation may be impacted by the quality of the input data. In
the second stage, the proposed methodology proved feasible for
automated identification of planting rows and planting gaps in
plots with up to 20% gap rate. Furthermore, the presence of plants
outside the alignment of the field was not enough to invalidate
the results. Finally, in the third stage, the results indicated
the potential of the method to identify the occurrence of the
disease based on the segmentation performed and the spectral
attributes chosen, but suggest new approaches in order to identify
an operational solution to the problem. Finally, the processes
adopted in this research contribute to the development of
practical methods to assist the decision making process of the
farmers and service providers.",
committee = "K{\"o}rting, Thales Sehn (presidente) and Kux, Hermann Johann
Heinrich (orientador) and Breunig, F{\'a}bio Marcelo (orientador)
and Sanches, Ieda Del'Arco and Bassanezi, Renato Beozzo",
englishtitle = "Use of centimeter images and machine learning algorithms to
support orange orchard management: detection and delineation of
trees, identification of planting rows, planting gaps and trees
with greening",
language = "pt",
pages = "107",
ibi = "8JMKD3MGP3W34T/47LEFTP",
url = "http://urlib.net/ibi/8JMKD3MGP3W34T/47LEFTP",
targetfile = "publicacao.pdf",
urlaccessdate = "07 maio 2024"
}