Pais: Brasil

Fecha: 03 de Agosto del 2021

La inteligencia artificial diferencia y cuenta las plantas de macauba y babassu en el campo  por Embrapa, Brasil

- Los datos preliminares del estudio indican que la precisión general fue del 94,3% al diferenciar las palmeras de las dos especies.

- La tecnología permite estimar, a través de imágenes, la cantidad potencial de aceite y frutos en una región determinada.

- La información puede subsidiar la instalación de industrias de procesamiento a medida que migran del extractivismo al cultivo comercial.

- El aprendizaje profundo también se puede aplicar para monitorear y probar la generación de servicios ambientales a cambio de la remuneración de los productores.

- Los investigadores pretenden adaptar la tecnología para reconocer otras especies, como el açaí, y también utilizarla a partir de imágenes de satélite.

La Embrapa Agroenergía (DF) está utilizando la técnica de deep learning para diferenciar y decir macaúba y babassu en la región Barbalha (CE), donde desde 2014 se están desarrollando proyectos para el desarrollo de macaúba. La herramienta tecnológica es capaz de estimar la producción de plantas y se está desarrollando en el marco del proyecto “Fortalecimiento de la cadena productiva de la macaúba en contextos de la región semiárida de Brasil”, liderado por la investigadora Simone Palma Favaro .

“El interés en desarrollar este enfoque nació de la necesidad de estimar la cantidad de fruto y aceite, principal producto de la macaúba, que se podría obtener de la exploración extractiva de manera organizada”, explica el científico. Según ella, conociendo la cantidad de plantas existentes y cruzando esta información con datos biométricos de rendimiento de frutos y contenido de aceite, es posible generar una estimación de un potencial de producción en una región determinada.

Favaro explica que, con estos números, las empresas y organizaciones interesadas en procesar la macaúba pueden instalarse en la localidad y comenzar a procesarla, hasta que los cultivos comerciales comiencen a poner a disposición los frutos, lo que ocurre alrededor de cinco años después de la siembra. “Así, se espera una mayor generación de ingresos para las comunidades extractivas y la oportunidad de migrar simultáneamente a plantaciones organizadas”, agrega.

Otras aplicaciones de tecnología de la aprendizaje profundo involucran el monitoreo de la recuperación de áreas degradadas y la restauración de bosques. “Actualmente, con la posibilidad de Pago por Servicios Ambientales y con la normativa de RenovaBio para la producción de biocombustibles, este tipo de seguimiento será fundamental para la prueba y seguimiento por parte de los organismos certificadores y reguladores”, enfatiza la investigadora.

automático y Aprendizaje aprendizaje profundo

El analista de TI de Embrapa Agroenergy Wellington Rangel dos Santos explica que las máquinas pueden ser enseñadas por el hombre desde la inserción de datos para detectar patrones repetitivos con gran precisión. “Usando algoritmos, las computadoras pueden reconocer patrones ocultos y correlaciones en datos brutos, agruparlos y clasificarlos. Con el tiempo y los equipos modernos, podemos enseñar a las máquinas a aprender y mejorar continuamente ”, explica Wellington.

En el campo de la inteligencia artificial, existen diferentes métodos. Uno de ellos es la técnica de aprendizaje automático , en la que el hombre inserta en la computadora las características que quiere inferir y la máquina aprende mediante la asociación de diferentes datos, que pueden ser imágenes, documentos, números y otros.

Más moderna, la técnica de aprendizaje profundo puede considerarse una evolución de la primera, en la que el aprendizaje automático profundo se realiza en base a un conjunto de algoritmos que modelan abstracciones de datos de alto nivel, utilizando múltiples capas de procesamiento, y en los que la computadora es capaz de tomar decisiones por su cuenta. Su arquitectura se basa en “redes neuronales artificiales”, es decir, nodos interconectados que funcionan como neuronas en el cerebro humano. Este último es el que utiliza la UD para contar palmeras e identificar especies a partir de imágenes aéreas.

“El aprendizaje (aprendizaje profundo profundo) con redes neuronales convolucionales (CNN) requiere menos intervención humana, especialmente en la etapa de extracción de ' características ', por eso lo elegimos para las pruebas de proyectos”, dice el analista de TI. A partir de imágenes aéreas de 10 km² generadas por un dron Phanton 4 en la región de Barbalha (CE), la computadora pudo contar y clasificar macaúbas y babassus. “En total, se analizaron 1.533 imágenes de drones (UAV - vehículos aéreos no tripulados), el 80% de las cuales se utilizaron para entrenamiento de máquinas y el 20% para pruebas de medición de precisión”, explica Santos.

Resultados

Para toda la región estudiada se contabilizaron 3.777 palmas macaúba y 10.081 palmeras babaçu. Los datos preliminares del estudio indican que la precisión general fue del 94,3%. “El resultado se puede considerar positivo, ya que la muestra era de un área pequeña, algunas imágenes tenían baja calidad y también por los límites en la potencia computacional disponible”, explica Santos.

Está prevista una visita situ in para evaluar la precisión de la computadora en función de la verdad sobre el terreno. Además, existe la posibilidad de evolucionar el modelo para diferenciar entre macaúbas y babassus jóvenes y adultos, agregando otras especies de palmeras como el açaí y experimentando con el modelo en otras regiones de Brasil. "También podemos ampliar la técnica para utilizar imágenes de satélite y adaptar el modelo para encontrar diferencias en los individuos a lo largo del tiempo", predice el analista de TI.

Deep learning  na agricultura

Las aplicaciones de la técnica de aprendizaje profundo en agricultura son lo más variadas posible y pueden llevarse a cabo en todas las etapas de producción. Es posible, por ejemplo, clasificar semillas y separar aquellas que contienen impurezas o están enfermas de las sanas; cuente el número de hojas; evaluar la necesidad de replantación; realizar un control automatizado de plagas e incluso detectar el grado de madurez de la fruta en el momento de la cosecha. “La técnica puede convertirse en una poderosa herramienta para identificar y caracterizar nuevos macizos de macauba y nuevas variaciones, datos importantes para el mejoramiento genético de la especie”, dice el investigador de Embrapa Maurício Lopes .

En Embrapa, ya hay varias iniciativas en curso, como la investigación en el área de fenotipado para la reconstrucción de especies vegetales en tres dimensiones , desarrollada por Embrapa Informática Agropecuária ( SP) y Embrapa Instrumentação (SP) en alianza con la Universidad Estatal de Campinas ( Unicamp ).

Más recientemente, Embrapa Instrumentação (SP), en asociación con la Universidad Federal de Mato Grosso do Sul ( UFMS ), la Universidad Oeste Paulista ( Unoeste ), la Universidad Estatal de Santa Catarina ( Udesc ) y la Universidad de Waterloo , en Canadá. , ha desarrollado un sistema que cuenta automáticamente las plantas en el campo utilizando imágenes de drones . En este caso, la propuesta fue desarrollar un método de aprendizaje basado en redes neuronales convolucionales (CNN) para contar y detectar simultáneamente plantas y líneas de siembra con imágenes obtenidas por sensores embebidos en drones.

También está la iniciativa de Embrapa Pecuária Sudeste (SP) en alianza con la Universidad Estatal de Mato Grosso do Sul ( UEMS ), cuyos experimentos con inteligencia artificial permiten la identificación individual de animales en el campo mediante imágenes , una tecnología similar a la de reconocimiento facial.

“En un futuro muy cercano, Embrapa podrá entregar un modelo para que las empresas puedan crear aplicaciones para el usuario final, como modelos que detecten si un alimento está por caducar, que identifiquen plagas y ya envíen orientaciones sobre cómo el productor debe actuar en tiempo real, teledetección de deforestación, extracción automática de malezas, entre otros. El modelo es viable ”, declara Wellington dos Santos.

Traducido del portugués

Ver nota