A Inteligência Artificial é uma área da Computação e tem sido aplicada em diferentes áreas e tem seu destaque recente na agricultura com o uso de técnicas avançadas que permitem automatizar processos antes feitos de forma manual. A principal importância da inteligência artificial na agricultura está na análise de grandes conjuntos de dados, aprendendo padrões que possibilitem, por exemplo, identificar a variabilidade no campo ou antecipar a produtividade de uma lavoura e criar alguns processos automatizados.
O aprendizado de padrões pode ser capaz de aprender a reconhecer tudo que se deseja, como de medições de temperatura, dados climáticos, valores espectrais obtidos por imagens, dentre outros. A aplicação de técnicas inteligentes pode indicar, por exemplo, que uma dada sequência de valores de temperatura está dentro da normalidade, que uma cultura está com certa praga, ou que o objeto que está em determinada posição em uma imagem é uma laranja.
A inteligência artificial na agricultura pode ser aplicada em diferentes tipos de dados, desde dados provenientes de sensores obtidos em campo, embarcados, ou não, em máquinas, sensores IoT (Internet das coisas), em robôs terrestres, veículos aéreos e plataformas suborbitais e orbitais (satélites e nanosatélites), dentre os quais tem-se cada vez mais disponíveis para o dia a dia do agricultor. Na Figura 1 podem ser observadas as diferentes escalas de sensores utilizados na agricultura digital e que cada vez mais tem sido parte integrante nas fazendas.
Verifica-se que os veículos com algoritmos para deslocamentos autônomos (terrestres e aéreos), bem como as técnicas de visão computacional já estão entrando na fase de adoção. E a partir destas, várias soluções têm sido propostas para o produtor rural. Por outro lado, as várias técnicas de processamento inteligente ainda estão em evolução, não atingindo ainda sua maturação, e para isto requer mais alguns anos para de fato serem consolidados como ferramentas adotadas e presentes no dia a dia. Não obstante, a cada dia aparecem novas soluções. A partir dos novos sistemas robóticos, aéreos e terrestres, estamos na fase de aquisição de dados com a finalidade de criação de grandes bancos de dados para as diferentes aplicações na agricultura, quantidade de padrões necessários para treinar os sistemas complexos que formam nosso agro, que para tomada de decisões necessita de inúmeras informações, como clima, solo, planta, operações e demandas de mercado.
Figura 1: Diferentes escalas espaciais e temporais, plataformas de captura de imagens e dados utilizados pelos algoritmos de Inteligência Artificial aplicados na Agricultura Digital
O aumento dos sistemas de sensoriamento remoto nas diferentes escalas como apresentado na Figura 1, tem permitido uma ampla coleta de dados na superfície da Terra. Imagens aéreas tornaram-se uma abordagem comum para aquisição de dados com o advento dos Veículos Aéreos Não Tripulados (VANT). Estes também são conhecidos como Aeronaves Remotamente Pilotadas (ARP), ou, como em um termo popular, drones (multi-rotores, asas fixas e híbridos, etc). Esses dispositivos têm crescido em disponibilidade no mercado por seu custo relativamente baixo e alta capacidade operacional para capturar imagens de maneira rápida e fácil.
A alta resolução espacial das imagens baseadas em VANTs e sua capacidade para múltiplas visitas permitiram a criação de grandes e detalhados conjuntos de dados a serem tratados. O mapeamento de superfície com plataformas VANTs apresenta algumas vantagens em relação ao orbital e outros métodos de aquisição de sensoriamento aéreo. A menor interferência atmosférica, a possibilidade de voar em altitudes mais baixas e, principalmente, o baixo custo operacional tornaram esse sistema de aquisição popular tanto em explorações comerciais quanto científicas.
Atualmente, o verdadeiro desafio nas abordagens de uso de robôs ou inteligência artificial na agricultura e no meio ambiente é obter informações automáticas, rápidas e precisas desses tipos de dados. Verificamos que as aplicações, apesar de muitos desafios para uso diário e em larga escala, existem duas grandes vertentes, aquelas que se baseiam em informação espectral, a partir de sensores óticos, RGB, multiespectral e hiperespectral, bem como aqueles que se baseiam em identificação de objetos, como plantas, frutos e animais, etc.
Dependendo do sensor utilizado para monitorar o campo, vários parâmetros como resolução espacial, espectral e radiométrica devem ser bem calibrados e adquiridos de forma padrão para evitar processamento de dados errados gerando modelos errados.
As aplicações em agricultura de precisão foram muito beneficiadas pela integração entre imagens obtidas com VANTs e métodos Inteligência Artificial. A maioria das questões relacionadas a essas abordagens envolve detecção de objetos e extração de recursos para contagem de plantas e detecção de linhas de plantação, reconhecimento de lacunas de plantação, segmentação de espécies de plantas e espécies invasoras como plantas daninhas, fenologia e detecção de fenótipos, entre outros.
Essas aplicações oferecem inúmeras possibilidades para esse tipo de mapeamento, especialmente porque a maioria dessas tarefas é, ainda, conduzida manualmente por inspeção visual humana. Como resultado, eles podem ajudar as práticas de agricultura de precisão, devolvendo previsões com resultados rápidos, imparciais e precisos, influenciando a tomada de decisões para o gerenciamento de sistemas agrícolas.
Independentemente disso, embora os métodos automáticos forneçam informações importantes nesse contexto, eles enfrentam grandes desafios. Algumas delas incluem semelhança entre a planta desejada e as plantas invasoras, plantas difíceis de detectar em ambientes de alta densidade (ou seja, apresentando pequeno espaçamento entre plantas e linhas), linhas de plantação que não seguem um caminho reto, segmentação de borda no mapeamento de copas com conflitos entre sombra e iluminação, e muitos outros. Ainda assim, novas investigações visam alcançar uma capacidade maior para lidar com tais problemas.
As técnicas de IA têm avançado muito e principalmente o uso de Deep Learning em aplicações na Agricultura e no Meio Ambiente, que é o grande destaque dos últimos anos. A aplicação para a área de imagens tem se tornado de grande importância para aplicações na agricultura digital.
As técnicas de IA estão em grande evolução e a cada dia aparecem novas propostas que se beneficiam de uso de GPUs (processadores de alto desempenho) e clusters de processamento, e apresentam como grande tendência para processamento em tempo real usando sistemas embarcados em VANTs, robôs ou máquinas agrícolas.
A chegada dos robôs
Na área de robôs, os agricultores de uma forma geral relatam que não veem a hora destes chegarem ao campo, e eles já estão chegando. Apesar de muitos serem hesitantes na adoção de novas tecnologias, pois dizem que muitas delas não fazem o que prometem.
O desenvolvimento de soluções automatizadas para agricultura é um risco e um desafio, sendo que as expectativas e os requisitos diferem de local para local. De fato, os primeiros robôs produzidos geraram certa frustração antes mesmo de chegarem a ser adotados. Os primeiros sistemas disponíveis não tiveram tanto sucesso na adoção e falharam, mas neste novo momento temos tido já casos de sucesso com grande destaque.
Podemos dizer que os drones são exemplos de robôs aéreos que inicialmente eram questionados quanto a sua efetividade, mas que agora passaram a ser ferramentas fundamentais nas propriedades agrícolas. Por se tratar de um mercado em rápida evolução, existe certa dificuldade dos produtores de encontrar o melhor fornecedor, startups que passem do vale da morte e consigam dar continuidade no suporte aos produtores, bem como o preço caia a ponto de ter um custo-benefício proporcional.
Já existem vários robôs aéreos comerciais ao redor do mundo em diferentes países, chegando ao Brasil com representantes. Também houve uma evolução muito grande na tecnologia nacional. Um grande destaque pode-se dizer é a sua disponibilização como serviço. Ou seja, o produtor não precisa comprar o sistema, apenas utilizar o serviço.
No agro podemos destacar mais de 50 fabricantes com soluções em adoção em todo o mundo, muitos deles advindos de startups recentes, com destaque também para fabricantes renomados de máquinas que resolveram entrar neste mercado. Dependendo do objetivo que se procura, o uso de robôs aéreos ou drones, como na colheita automática, no controle de invasoras, na qualidade de frutas, para pulverização, pode-se dividir as novas tecnologias em:
- sistemas especialistas para uma dada tarefa, como o de inspeção em campo, remoção de plantas daninhas ou pulverização;
- robôs para múltiplos usos, como multitarefas levando diferentes acessórios;
- sistemas robotizados para colheita.
Estes últimos em geral são customizados para tipos específicos de culturas ou frutos. Os modelos em destaque que estão invadindo os nossos campos de produção:
– AgroIntelli Robotti, Exobotic Tech – robôs de multitarefas para agricultura de precisão, podendo levar diferentes sensores e atuadores. Usado principalmente na Europa, com muitas unidades já em operação nas fazendas;
– XAG, AgXeed AgBot, Korechi RoamIO, GUSS – robôs autônomos para pulverização, tomada de dados;
– Aigro Up, AmosPower, CareRobot, Naïo, HSS AgXeed – Controle de plantas daninhas, plantio, pulverização e aparador;
– FarmBot, FarmDroid, Korechi RoamIO, Farmwise Titan – plantio de sementes, controle de daninhas, detecção de pragas com imagem;
– Pixelfarming Robotics, Carré Anatis, H2L Robotics, Kilter AX, Jacto Arbus, Nexus Robotics – Controle de plantas daninhas por imagem;
– Small Robot Co, Solinftec Solix (Brasil), Vitirover – Contagem de plantas, detecção e controle de daninhas, visão computacional;
– AVL Motion Compact S9000 – Colheita seletiva por imagem.
Robôs em campo no Brasil e no mundo
Um levantamento realizado em 2022 mostrou que 965 robôs de múltiplos usos estavam em operação no campo, no mundo, comparado com 593 em 2021, apresentando um aumento de 63%. Foram constatados ainda 490 robôs especializados para tarefas específicas em 2022, comparado com 344 em 2021, ou seja, 42% a mais. Robôs para colheita autônoma: de 8 para 14, representando 75%. Por volta de 1469 robôs para coleta de dados e imagens e pulverização estão sendo utilizados em todo mundo, comparado com 945 em 2021, 55% a mais. Essas pesquisas foram realizadas pela equipe da Future Farming em 2022.
A detecção e remoção de plantas daninhas têm tido eficiência de 55,7% em uma simples passada, segundo a Dutch National FieldLabs (NPPL). Em geral se faz mais de uma passada na lavoura. O sistema mais utilizado é com jato de alta pressão, sendo o destaque para os sistemas mais precisos os que usam descargas elétricas de alta frequência. Independente disso, o sistema de detecção é em geral por inteligência artificial embarcada a partir de imagens. O uso de imagens exige um processamento quase em tempo real e com os novos processadores, máquinas com GPUs têm resolvido esse gargalo.
Além dos robôs terrestres podemos dizer que os drones têm se tornado robôs aéreos, já embarcados com sistemas de navegação e captura de imagens, agora trazem processamento em tempo real para detectar e atuar ao mesmo tempo. Em geral, os drones de pulverização ou aplicação de agentes biológicos vinham sem o sistema de detecção inteligente. Era feito o processo em duas etapas, primeiro se fazia o mapeamento das daninhas ou pragas e, depois, com a missão pré-programada, se passava o drone pulverizador. Os avanços recentes mostram que estão chegando ao campo os drones com inteligência embarcada para tomar decisão de pulverizar ou não em tempo de voo.
Mais acessíveis
O custo dos drones tem se tornado cada vez menor, permitindo assim que mais aplicações sejam realizadas. No entanto, ainda é necessário políticas públicas de incentivo para aquisição da tecnologia, principalmente capacitação e treinamentos. Existem drones de diferentes categorias, que vão desde os mais simples de monitoramento da fazenda com câmeras que simulam o olho humano, até sensores que enxergam além da capacidade humana. Para drones simples, com sensores RGB (imagens no visível), muitas aplicações estão sendo realizadas.
Quando se agrega os sensores de infra-vermelho e sensores com mais resolução, já é possível ver onde existem alterações na planta e, em alguns casos, ainda não visível. Essas imagens aplicadas em sistemas de IA já permitem identificar as alterações na lavoura e muitas vezes fazer a correção ainda na mesma safra. Para isso, estamos presenciando uma avalanche de startups com novas soluções para o produtor, o que torna difícil ainda a escolha do melhor sistema. Muitas delas ainda sem uma recomendação completa, mas já é possível tomar decisões para manejo adequado das lavouras. Assim, para contornar a dificuldade de escolha, recomenda-se o treinamento da equipe.
Os sensores em robôs ou drones, ou mesmo em satélites de alta resolução, têm permitido o monitoramento do campo com grande eficiência. Isso ocorre principalmente nas grandes fazendas, pelo custo e pela capacitação da equipe. No caso de propriedades médias e pequenas, a solução está nas modalidades de drones ou robôs como serviços, em geral prestados por consultorias de agricultura de precisão.
Estamos no momento de uma grande mudança no campo, com apoio de tecnologias avançadas que, por hora, ajudam na tomada de decisão, mas em breve vão ser protagonistas e tomar a decisão automaticamente.
Os celulares vieram e trouxeram grande revolução na comunicação, assim como o GPS, que transformou a forma de monitorar as fazendas. Agora, com as tecnologias de imagens, já se pode diagnosticar até precocemente e tomar decisões mais acertadas. Com os sistemas inteligentes, apesar da agricultura ser um sistema complexo e estarmos exatamente no momento da mudança de certos paradigmas, teremos nos próximos anos a invasão dos robôs aéreos e terrestres, isoladamente, ou em enxames, trabalhando de forma automática e tomando decisões para o produtor.