A proliferação de plantas daninhas representa um dos principais desafios para a agricultura contemporânea. No Cerrado, bioma que abriga uma parte significativa da produção de grãos do Brasil, a expansão do Amaranthus palmeri, conhecido como caruru-palmeri, tem gerado preocupação entre agricultores e pesquisadores devido às perdas financeiras expressivas na produtividade de soja e algodão.
Com o apoio da Fundação de Apoio à Pesquisa do Distrito Federal (FAPDF), o professor Edilson de Souza Bias, do Instituto de Geociências da Universidade de Brasília (UnB), está coordenando o desenvolvimento de uma plataforma de código aberto que integra ferramentas de inteligência artificial (IA) para a identificação automática de plantas invasoras. Essa iniciativa é fruto do edital Agro Learning (2023) e conta com a colaboração do Laboratório de Visão Computacional da Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) e da Universidade do Estado do Rio de Janeiro (UERJ).
Tecnologia e Precisão no Campo
O projeto foi idealizado em 2018, mas ganhou impulso em 2023, quando a Secretaria de Agricultura, Abastecimento e Desenvolvimento Rural do DF (Seagri-DF) alertou sobre o risco da chegada do caruru-palmeri na região. As primeiras análises foram realizadas no município de Sapezal (MT), onde a infestação já causou prejuízos de até US$ 18,5 milhões em plantações de soja e algodão.
A equipe utilizou drones equipados com sensores de alta resolução (GSD de 2,5 cm, ou seja, capazes de registrar detalhes de até 2,5 centímetros por pixel) para desenvolver um modelo de aprendizado profundo (deep learning). Essa técnica de inteligência artificial ensina o sistema a reconhecer padrões visuais a partir de grandes volumes de imagens, alcançando 96% de precisão na identificação das plantas invasoras.
O modelo foi criado a partir de milhares de imagens aéreas coletadas por drones de mapeamento profissional, especialmente um DJI Matrice 300 RTK, que é um equipamento de alto desempenho utilizado em levantamentos topográficos e agrícolas. O drone foi equipado com sensores RGB, multiespectral, térmico e LiDAR (Light Detection and Ranging), que emitem pulsos de laser para medir o tempo de retorno das reflexões, criando modelos tridimensionais da vegetação e do relevo.
Essa combinação de sensores permite a captura de diferentes tipos de informações — como cor, textura, calor e estrutura das plantas. A equipe avaliou a eficácia de cada sensor em campo para determinar quais eram mais eficientes na detecção de Amaranthus palmeri.
Esse sistema tecnológico utiliza o RTK (Real Time Kinematic), que fornece correções em tempo real no posicionamento do drone, assegurando precisão centimétrica — um requisito essencial para diferenciar espécies similares nas lavouras.
Processamento de Imagens
As imagens foram testadas em relação à altura de voo e resolução para encontrar o equilíbrio ideal entre abrangência e detalhe. Com os dados ajustados, a equipe treinou uma rede neural profunda — uma estrutura computacional inspirada no funcionamento do cérebro humano — que aprendeu a distinguir automaticamente as plantas invasoras com base em sutis padrões de cor, textura e formato. Diferentes arquiteturas de redes, como U-Net, ResU-Net e DeepLabv3+, foram testadas para otimizar o desempenho na segmentação das imagens.
Além de Amaranthus palmeri, a equipe também identificou e mapeou o Amaranthus híbrido, uma variante que também é resistente a herbicidas e difícil de controlar nas lavouras. O processo envolveu a participação de bolsistas de graduação e pós-doutorado da UnB, responsáveis pela coleta de dados e pelo treinamento do algoritmo. O resultado é um sistema capaz de processar imagens de diferentes drones e gerar coordenadas geográficas precisas das áreas afetadas.
“A plataforma de código aberto já está finalizada e será implementada no DF como a fase final do projeto. O objetivo é permitir que a Seagri utilize a ferramenta para identificar e mapear rapidamente as áreas afetadas,” explica o professor Edilson Bias.
O projeto conta com a colaboração de bolsistas de graduação e pós-doutorado da UnB e mantém parceria com o Laboratório de Visão Computacional da PUC-Rio, coordenado pelos professores Raul Feitosa e Gilson Alexandre, que são referências nacionais em IA aplicada.
Com informações da FAPDF
-
-
