O aprendizado durante a graduação fomenta conhecimentos nas áreas de produção agrícola e animal (biossistemas), dedicadas ao desenvolvimento, gerenciamento e controle de sistemas de apoio à agropecuária, para a produção de alimentos, materiais e energia, e aplicações na agricultura de precisão.
No contexto dessa graduação, foi planejada uma metodologia de ensino teórico-aplicada, em uma das disciplinas que relaciona diretamente sistemas computacionais com uso de processamento de imagens na agropecuária, denominada Captação, Análise e Diagnóstico de Imagens para Fins Agropecuários. De periodicidade semestral, é aplicada ao 9° período da grade curricular e objetiva introduzir os principais métodos de processamento digital de imagens (PDI) e as etapas necessárias de visão computacional, a problemas relacionados à agropecuária.
No final da disciplina, os alunos (divididos em equipes de pesquisa) apresentavam soluções práticas com aplicações de PDI para a agricultura de precisão e segmentos da produção animal, usando os conceitos vistos em sala de aula e em laboratório. Esses projetos fomentaram diretamente problemas do agronegócio e apresentaram soluções robustas quando dedicadas e necessárias ao produtor agrícola ou de biossistemas, motivando interesses e parcerias com órgãos da área, como a Embrapa (Instrumentação e Informática Agropecuária).
Durante as aulas no primeiro semestre do ano passado, foram lecionados temas com base teórica em PDI, sensoriamento óptico remoto, desde a aquisição de imagens, processamento e classificação/reconhecimento de padrões. A prática foi fundamental, em laboratório, com uso de plataformas computacionais de programação, como o MATLAB e Simulink.
Outras duas aulas práticas foram agregadas ao ensino da disciplina, destacando o uso de imagens termográficas (câmeras térmicas) para a produção animal, e o uso de imagens de ultrassonografia (sonares) em bovinos de corte. Ainda, os alunos conheceram as dependências da Embrapa MpS (Monitoramento por Satélite), para conhecimento dos projetos correntes de sensoriamento remoto, que ajudaram em cada metodologia do projeto final da disciplina.
A partir desses conceitos, os alunos iniciaram pesquisas de artigos científicos e técnicos da área, para conhecimento de modelos e propostas existentes no âmbito acadêmico, guiando-os na identificação de áreas necessitadas do agronegócio, em que o uso de tais técnicas, aliadas a recursos de tecnologia de informação e automação, solucionariam problemas na produção animal e vegetal, através de sistemas de visão computacional.
Assim, uma sequência de etapas foi formulada, iniciando-se pelo estudo de casos, a definição de área e objetivos para pesquisa e o desenvolvimento de projeto sob orientação.
Os códigos dos projetos estão sendo compilados para a criação de uma toolbox (caixa de ferramentas computacional) em MATLAB para auxílio aos alunos na prototipagem de funções de programação de processamento de imagens aplicada em agropecuária. Trata-se de um pacote open-source, que pode ser customizável, dependendo da necessidade do pesquisador em trabalhar com imagens de cenas naturais. É parte de um projeto literário na escrita de um livro didático de autoria do referido professor, para ensinar programação de técnicas de processamento de imagens aplicada em problemas do agronegócio.
Ainda, os trabalhos estão sendo organizados para apresentação em forma de tutorial em congressos científicos da área, promovidos pela SBC (Sociedade Brasileira de Computação) e IEEE Computer Society, com uma matéria na revista IEEE Spectrum.
Outras técnicas para as práticas de laboratório foram customizadas ao programa da disciplina para as próximas turmas, juntamente com MATLAB/Simulink, como OpenCV em sistemas embarcados.
Projetos dos alunos:
- Identificação de frutos por filtragem de cores RGB (de cor vermelha)
Os objetivos deste trabalho foram a identificação e classificação de frutos cítricos, que representam aspecto fundamental na agregação de valor ao produto e principalmente como fator técnico ao período de conservação do fruto, até a maturação, por filtragem e morfologia matemática no processamento de imagens.
Figura 1: Aplicação do filtro RGB
Figura 2: Imagem processada, com os objetos
selecionados, e imagem binária, com a rotulação dos objetos
Neste tipo de identificação, são considerados aspectos fundamentais:
– Em relação ao consumidor: transparência na comercialização evidencia a qualidade;
– Em relação ao produto: a classificação e seleção são relevantes no campo e no galpão;
– Em relação à embalagem: a seleção é dedicada à adequação do produto à embalagem;
– Em relação à indústria de alimentos: controle de qualidade e padronização da matéria-prima que gera o produto final. São considerados aspectos como cor, textura, estágio de maturação, dentre outros, para operações posteriores de descascamento, descaroçamento e ajuste de massa para que o controle de qualidade atenda o cliente final.
- Modelagem tridimensional de culturas madeireiras a partir de imagens estereoscópicas
Este trabalho foi realizado nas dependências do campus da FZEA/USP, que tem aproximadamente 6,1 ha de cultura de eucalipto plantado. As imagens aéreas foram adquiridas por um UAS (quadricóptero), que sobrevoou apenas a área delimitada em amarelo (0,9 ha).
Como se trata do manejo da cultura derivada da madeira, a aplicação deste trabalho deu-se pela manutenção direta da cultura, como a recuperação das florestas, cultivo e genética de mudas, plantio, adubação, controle de pragas e doenças, corte e processamento da matéria-prima.
As imagens aéreas, em diferentes altitudes, permitiram a construção da nuvem de pontos, com a autocalibração do algoritmo prototipado simultaneamente com a aerotriangulação. Em seguida, a construção dos ortomosaicos foi gerada utilizando-se os parâmetros de orientação calculados no MATLAB e georreferenciamento das cenas por meio da distribuição de pontos de controle em solo. As altitudes denotam a distribuição heterogênea de algumas regiões dentro da área de plantio, que são significantes no processamento de classificação (variação altimétrica).
Figura 3: Nuvem de pontos, ortomosaicos e variação altimétrica do relevo
a) 50 metros; b) 75 metros; c) 100 metros; d)125 metros
- Classificação de diferentes colorações de farinha de trigo por lógica fuzzy
Este trabalho teve como objetivo classificar várias amostras de trigo (de diferentes qualidades), a partir de lógica fuzzy, no processo de moagem, fundamental na separação e organização dos produtos para estocagem e posterior comercialização.
A cor da farinha de trigo depende de diversos fatores, sendo alguns intrínsecos, relacionados ao tipo de trigo, como teor de pigmentos (carotenoides, proteínas, fibras) e até presença de impurezas no processo de moagem.
A coloração da farinha de trigo pode ser determinada utilizando-se colorímetros cuja função é avaliar características da cor pelo sistema da Comissão Internacional de Iluminação (Cielab), que designa a luminosidade na escala de zero a cem (0 – preta; 100 – branca).
Figura 4: Farinha integral (A1), farinha para massas (A2), farinha para tortas (A3), farinha doméstica (A4), farinha para pães (A5) e farelo de trigo (A6)
Como exemplo, a amostra X é referente à farinha de trigo integral, sua aparência é mais escura com pontos marrons. O histograma da imagem em níveis de cinza apresenta uma maior quantidade de pixels nos tons de cinza- escuro ao preto. O espectro onde se teve um melhor resultado foi o azul, devido à cor ser o complemento do amarelo, e os tons de marrom da farinha se tornam pretos na imagem. O classificador estima as componentes de vermelho, verde e azul da imagem, e assim, consegue identificar qual tipo de farinha está sendo processada.
Figura 5: Exemplo da amostra X identificada como farinha de trigo integral
- Detecção de bordas usando lógica fuzzy para linhas de plantio de culturas forrageiras
A lógica fuzzy foi usada como modelo de segmentação de imagens, ao invés de classificação de padrões, em que, neste trabalho, aumentou-se a eficiência e a rapidez da detecção de bordas em relação a outros métodos mais simples de segmentação, como a identificação manual do limiar ideal de separação entre o branco e o preto.
Esta aplicação é direcionada a problemas envolvendo locomoção de robôs móveis de tamanho em escala reduzida para a análise de plantio de culturas forrageiras, como as gramíneas (trigo, aveia, centeio, cevada, alfafa, entre outras).
Inicialmente calcula-se o gradiente de contorno da imagem nas duas coordenadas bidimensionais. Em seguida, é feita a transformação em tons de cinza, para o cruzamento de regras da lógica fuzzy, e sua segmentação de bordas. O que não estiver considerado na borda é rotulado como área de navegação para o robô móvel agrícola.
Figura 6: Imagem em RGB, gradientes de contorno e segmentação por lógica fuzzy
5- Manejo de bovinos usando análise de imagens aéreas
O trabalho teve como objetivo realizar a contagem de bovinos em ambiente natural, através de um arquivo supervisório gráfico, com cenas aéreas (uso de Unmanned Aerial Systems – Veículos aéreos remotamente guiados ou não tripulados – VARG/VANT), proporcionando assim uma maior facilidade de manejo dos animais.
Várias etapas foram estruturadas no sistema de visão computacional proposto, como algoritmos de filtragem e morfologia matemática e segmentação dos objetos para rotulação dos bovinos. Os alunos conseguiram calibrar/regular os vários parâmetros da etapa de segmentação, para um animal por contagem unitária, nos casos em que o rebanho se mostrava homogêneo.
Figura 7: Etapas de processamento de imagens na quantificação de bovinos
- Identificação de deficiências de nitrogênio por meio de técnicas de processamento de imagens (folhas da cultura do milho)
Este trabalho teve como objetivos aplicar técnicas de processamento digital de imagens e desenvolvimento de um classificador fuzzy, para a qualificação nutricional do milho, através de imagens das folhas desta cultura. Com os histogramas RGB obtidos por meio do pré-processamento digital de imagens e a classificação cognitiva, conseguiu-se correlacioná-los aos padrões considerados saudáveis quanto ao teor de nitrogênio.
As etapas foram: a segmentação, separação dos canais R, G, B, e criação de histogramas para as etapas de processamentos, e a classificação fuzzy.
Índices entre 0 e 2,5 classificaram folhas deficientes, enquanto índices de 0,3 a 0,7 classificaram folhas indefinidas e índices entre 0,7 e 1 classificaram folhas saudáveis. Destacam-se as etapas de aquisição da cena; a delimitação da região da folha, para processamento; os canais R, G e B da mesma cena; e a correspondência do índice com a classificação por lógica fuzzy.
Figura 8: Interface gráfica com os histogramas de cada cor, e equivalência dos índices
