Search results

As culturas frutícolas requerem uma gestão otimizada de todos os fatores de produção para alcançarem níveis elevados de produtividade. O controlo das infestantes é uma prática que visa diminuir a competição que estas exercem com a cultura pelos fatores água e nutrientes, que é realizada por diferentes tipos de manutenção do solo, sendo o mais comum o sistema de aplicação de herbicida na linha e enrelvamento na entrelinha. Contudo, observa-se sempre a presença de algumas infestantes que não são eliminadas na fase inicial. Pretende-se assim desenvolver equipamento robótico para fazer um controlo particularizado destas infestantes evoluindo no sentido de uma agricultura de precisão com uma gestão mais eficaz e sustentável dos meios de produção.

A robótica autónoma destinada a operações de análise e atuação nas culturas agrícolas tem vindo a evoluir, existindo exemplos de monitorização de culturas, de rega automatizada (que integra diferente informação edáfica e meteorológica), de aplicação localizada de fertilizantes e de herbicidas, de colheita automatizada e de manuseamento/transporte de cargas. Este projeto pretendeu conceber um sistema robotizado para previsão da colheita e aplicação particularizada de herbicida para controlo de infestantes. O sistema descrito neste artigo é composto por robôs autónomos, terrestre e aéreo com visão computacional por câmaras RGB e multiespectrais, que possibilitam i) deteção e reconhecimento de infestantes para aplicação precisa de produtos fitofarmacêuticos, ii) deteção e reconhecimento de frutos em árvores e copas destas, para caracterização das plantas e estimativa de produção. O reconhecimento, quer seja de infestantes como de frutos, é realizado através do método de inteligência artificial Faster R-CNN, aplicado aos datasets de imagens recolhidas em campo. No reconhecimento das infestantes é calculado o seu centróide, para onde é deslocado o bico de pulverização, anexo ao braço robótico cartesiano incorporado no robô terrestre autónomo. A função de reconhecimento dos frutos conduz à sua contagem, permitindo uma previsão da produção. Esta deteção é dificultada pela variação da iluminação natural, oclusão de frutos causada por folhas, ramos e outros frutos e múltiplas deteções da mesma fruta em imagens sequenciais. Os resultados experimentais de deteção de infestantes e de frutos em imagem de vídeo indicam uma precisão média de 85%. A estimativa da produção é complementada pela previsão do volume da copa da árvore obtido por aquisição de imagem captada via câmara montada em drone, destinada a suportar modelos empíricos de carga das árvores. A função de pulverização de infestantes é complementada com a capacidade de apanha de frutos caídos no chão. Pretende-se assim contribuir para um sistema de produção mais sustentável através da redução de utilização de produtos fitofarmacêuticos e simultaneamente apoiar o produtor na gestão da carga do pomar com reflexos na gestão da cadeia comercial.

Fruit detection is crucial for yield estimation and fruit picking system performance. Many state-of-the-art methods for fruit detection use convolutional neural networks (CNNs). This paper presents the results for peach detection by applying a faster R-CNN framework in images captured from an outdoor orchard. Although this method has been used in other studies to detect fruits, there is no research on peaches. Since the fruit colors, sizes, shapes, tree branches, fruit bunches, and distributions in trees are particular, the development of a fruit detection procedure is specific. The results show great potential in using this method to detect this type of fruit. A detection accuracy of 0.90 using the metric average precision (AP) was achieved for fruit detection. Precision agriculture applications, such as deep neural networks (DNNs), as proposed in this paper, can help to mitigate climate change, due to horticultural activities by accurate product prediction, leading to improved resource management (e.g., irrigation water, nutrients, herbicides, pesticides), and helping to reduce food loss and waste via improved agricultural activity scheduling.