Métodos para identificação de plantas daninhas em lavouras de milho com uso de inteligência artificial e processamento de imagens
revisão de literatura
DOI:
https://doi.org/10.14488/1676-1901.v24i2.5249Palavras-chave:
Redes neurais convolucionais, Agricultura inteligente, Processamento de imagens, Controle inteligente de ervas daninhas, Cultura de milhoResumo
As pesquisas baseadas em Inteligência Artificial e Processamento de Imagens com foco em soluções de controle e gerenciamento de pragas na agricultura vêm evoluindo progressivamente ao decorrer dos anos. Identificar e controlar infestações em lavouras é fundamental para o efetivo incremento de produtividade, o que reflete na cadeia de suprimentos da sociedade e na gestão de segurança alimentar. Assim, o objetivo, nesta fase da pesquisa, foi elaborar uma revisão sistemática da literatura, a partir de termos de busca, para identificar métodos e técnicas que vêm sendo utilizadas na identificação de plantas daninhas em lavouras de milho, com a utilização de redes neurais convolucionais. A análise das pesquisas relacionadas ao tema foi realizada de forma quantitativa e qualitativa. Foram selecionados nove trabalhos para um estudo aprofundado, buscando identificar fatores impactantes nos resultados. Também, elaborou-se um comparativo dos trabalhos selecionados com análises e gráficos de correlações entre palavras-chave e autores. Como resultado, os trabalhos encontrados demonstraram bons desempenhos em seus objetivos. Foram destacadas a preocupação em relação à qualidade da base de dados utilizada, bem como a calibração do modelo de rede neural convolucional, conforme especificidade de cada trabalho. Observou-se um avanço significativo na aplicação desses modelos para processamento de imagens em tempo real, permitindo uma resposta ágil e precisa no controle de pragas agrícolas.
Downloads
Referências
CHEN, J.; ZHANG, D.; SUZAUDDOLA, M.; ZEB, A. Identifying crop diseases using attention embedded MobileNet-V2 model. Applied Soft Computing, v. 113, p. 107901, 2021. Disponível em: https://doi.org/10.1016/j.asoc.2021.107901.
COULIBALY, S.; KAMSU-FOGUEM, B.; KAMISSOKO, D.; TRAORE, D. Deep learning for precision agriculture: A bibliometric analysis. Intelligent Systems with Applications, v. 16, p. 200102, 2022. Disponível em: https://doi.org/10.1016/j.iswa.2022.200102.
DIVYANTH, L. G.; AHMAD, A.; SARASWAT, D. A two-stage deep-learning based segmentation model for crop disease quantification based on corn field imagery. Smart Agricultural Technology, v. 3, p. 100108, 2023. Disponível em: https://doi.org/10.1016/j.atech.2022.100108.
FAN, X.; CHAI, X.; ZHOU, J.; SUN, T. Deep learning based weed detection and target spraying robot system at seedling stage of cotton field. Computers and Electronics in Agriculture, v. 214, p. 108317, 2023. Disponível em: https://doi.org/10.1016/j.compag.2023.108317.
FERREIRA, A. S.; FREITAS, D. M.; DA SILVA, G. G.; PISTORI, H.; FOLHES, M. T. Weed detection in soybean crops using ConvNets. Computers and Electronics in Agriculture, v. 143, p. 314-324, 2017. Disponível em: https://doi.org/10.1016/j.compag.2017.10.027.
GARIBALDI-MÁRQUEZ, F.; FLORES, G.; MERCADO-RAVELL, D. A.; RAMÍREZ-PEDRAZA, A.; VALENTÍN-CORONADO, L. M. Weed Classification from Natural Corn Field-Multi-Plant Images Based on Shallow and Deep Learning. Sensors, v. 22, n. 3021, 2022. Disponível em: https://doi.org/10.3390/s22083021.
HAICHEN, J.; QINGRUI, C.; GUANG, L. Z. Weeds and Crops Classification Using Deep Convolutional Neural Network. In: Proceedings of the 3rd International Conference on Control and Computer Vision (ICCCV '20). New York, NY, USA: Association for Computing Machinery, 2021. p. 40–44. Disponível em: https://doi.org/10.1145/3425577.3425585.
HAQ, M. A. CNN Based Automated Weed Detection System Using UAV Imagery. Computer Systems Science & Engineering, v. 42, n. 2, 2021. Disponível em: https://doi.org/10.32604/csse.2022.023016.
HAYKIN, S. Neural Networks and Learning Machines. 3 ed. Pearson Education, 2009.
KLOMPENBURGA, T. V.; KASSAHUNA, A.; CATAL, C. Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture, 2020. Disponível em: https://doi.org/10.1016/j.compag.2020.105709.
CHEN, J.; ZHANG, D.; SUZAUDDOLA, M.; ZEB, A. Identifying crop diseases using attention embedded MobileNet-V2 model. Applied Soft Computing, v. 113, p. 107901, 2021. Disponível em: https://doi.org/10.1016/j.asoc.2021.107901.
COULIBALY, S.; KAMSU-FOGUEM, B.; KAMISSOKO, D.; TRAORE, D. Deep learning for precision agriculture: A bibliometric analysis. Intelligent Systems with Applications, v. 16, p. 200102, 2022. Disponível em: https://doi.org/10.1016/j.iswa.2022.200102.
DIVYANTH, L. G.; AHMAD, A.; SARASWAT, D. A two-stage deep-learning based segmentation model for crop disease quantification based on corn field imagery. Smart Agricultural Technology, v. 3, p. 100108, 2023. Disponível em: https://doi.org/10.1016/j.atech.2022.100108.
FAN, X.; CHAI, X.; ZHOU, J.; SUN, T. Deep learning based weed detection and target spraying robot system at seedling stage of cotton field. Computers and Electronics in Agriculture, v. 214, p. 108317, 2023. Disponível em: https://doi.org/10.1016/j.compag.2023.108317.
FERREIRA, A. S.; FREITAS, D. M.; DA SILVA, G. G.; PISTORI, H.; FOLHES, M. T. Weed detection in soybean crops using ConvNets. Computers and Electronics in Agriculture, v. 143, p. 314-324, 2017. Disponível em: https://doi.org/10.1016/j.compag.2017.10.027.
GARIBALDI-MÁRQUEZ, F.; FLORES, G.; MERCADO-RAVELL, D. A.; RAMÍREZ-PEDRAZA, A.; VALENTÍN-CORONADO, L. M. Weed Classification from Natural Corn Field-Multi-Plant Images Based on Shallow and Deep Learning. Sensors, v. 22, n. 3021, 2022. Disponível em: https://doi.org/10.3390/s22083021.
HAICHEN, J.; QINGRUI, C.; GUANG, L. Z. Weeds and Crops Classification Using Deep Convolutional Neural Network. In: Proceedings of the 3rd International Conference on Control and Computer Vision (ICCCV '20). New York, NY, USA: Association for Computing Machinery, 2021. p. 40–44. Disponível em: https://doi.org/10.1145/3425577.3425585.
HAQ, M. A. CNN Based Automated Weed Detection System Using UAV Imagery. Computer Systems Science & Engineering, v. 42, n. 2, 2021. Disponível em: https://doi.org/10.32604/csse.2022.023016.
HAYKIN, S. Neural Networks and Learning Machines. 3 ed. Pearson Education, 2009.
KLOMPENBURGA, T. V.; KASSAHUNA, A.; CATAL, C. Crop yield prediction using machine learning: A systematic literature review. Computers and Electronics in Agriculture, 2020. Disponível em: https://doi.org/10.1016/j.compag.2020.105709.
LIBERATI, A.; ALTMAN, D. G.; TETZLAFF, J.; MULROW, C.; GØTZSCHE, P. C.; IOANNIDIS, J. P.; CLARKE, M.; DEVEREAUX, P. J.; KLEIJNEN, J.; MOHER, D. The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions: explanation and elaboration. PLoS Med., v. 6, n. 7, p. e1000100, 2009. DOI: https://doi.org/10.1371/journal.pmed.1000100.
LU, Y.; YOUNG, S. A survey of public datasets for computer vision tasks in precision agriculture. Computers and Electronics in Agriculture, v. 178, p. 105760, 2020. Disponível em: https://doi.org/10.1016/j.compag.2020.105760.
PANDEY, A.; JAIN, K. An intelligent system for crop identification and classification from UAV images using conjugated dense convolutional neural network. Computers and Electronics in Agriculture, v. 192, p. 106543, 2022. Disponível em: https://doi.org/10.1016/j.compag.2021.106543.
PETERSEN, K.; FELDT, R.; MUJTABA, S.; MATTSSON, M. Systematic mapping studies in software engineering. In: Proceedings of the 12th International Conference on Evaluation and Assessment in Software Engineering (EASE'08). Swindon, GBR: BCS Learning & Development Ltd., 2008. p. 68–77.
PICON, A.; SAN-EMETERIO, M. G.; BERECIARTUA-PEREZ, A.; KLUKAS, C.; EGGERS, T.; NAVARRA-MESTRE, R. Deep learning-based segmentation of multiple species of weeds and corn crop using synthetic and real image datasets. Computers and Electronics in Agriculture, v. 194, p. 106719, 2022. Disponível em: https://doi.org/10.1016/j.compag.2022.106719.
SANTOS, E. S.; SANTOS, J. D.; VOGADO, L. H. S.; SOUSA, L. P.; SOARES, H. A.; VERAS, R. M. S. Explicando as decisões com IAs: Demonstrando sua aplicação em imagens médicas. In: XXIII SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE - SBCAS 2023.
SCODRO, L.; CORSO, L. L. Previsão de preço de alimentos utilizando o método ARIMA e Inteligência Artificial. Revista Produção Online, v. 23, n. 1, e-4869, 2023. Florianópolis.
SCHÜLER, S.; KIPPER, L. M.; MORAES, J. A. R.; ITURBITE, J. M. P.; LOBO, E. A. Inovação e sustentabilidade na agricultura do continente africano: uma revisão bibliométrica. Revista Produção Online, v. 23, n. 2, e-4910, 2023. Florianópolis.
SHAFI, U.; MUMTAZ, R.; GARCÍA-NIETO, J.; HASSAN, S. A.; ZAIDI, S. A. R.; IQBAL, N. Precision Agriculture Techniques and Practices: From Considerations to Applications. Sensors, v. 19, n. 3796, 2019. Disponível em: https://doi.org/10.3390/s19173796
SISHODIA, R. P.; RAY, R. L.; SINGH, S. K. Applications of Remote Sensing in Precision Agriculture: A Review. Remote Sens., v. 12, p. 3136, 2020. Disponível em: https://doi.org/10.3390/rs12193136.
SOUZA, V.; ARAÚJO, L.; SILVA, L.; SANTOS, A. Análise comparativa de redes neurais convolucionais no reconhecimento de cenas. In: XI COMPUTER ON THE BEACH, Balneário Camburiú, SC, 2020. Disponível em: https://doi.org/10.14210/cotb.v11n1.p419-426.
SUBEESH, A.; BHOLE, S.; SINGH, K.; CHANDEL, N. S.; RAJWADE, Y. A.; RAO, K. V. R.; KUMAR, S. P.; JAT, D. Deep convolutional neural network models for weed detection in polyhouse grown bell peppers. Artificial Intelligence in Agriculture, v. 6, p. 47-54, 2022. ISSN 2589-7217. Disponível em: https://doi.org/10.1016/j.aiia.2022.01.002.
SUH, S.; JHANG, J.; WON, K.; SHIN, S.; SUNG, C. O. Development of vegetation mapping with deep convolutional neural network. In: PROCEEDINGS OF THE 2018 CONFERENCE ON RESEARCH IN ADAPTIVE AND CONVERGENT SYSTEMS (RACS '18). New York, NY, USA: Association for Computing Machinery, 2018. p. 53–58. Disponível em: https://doi.org/10.1145/3264746.3264753
SUNIL G. C.; ZHANG, Y.; KOPARAN, C.; AHMED, M. R.; HOWATT, K.; SUN, X. Weed and crop species classification using computer vision and deep learning technologies in greenhouse conditions. Journal of Agriculture and Food Research, v. 9, 100325, 2022. ISSN 2666-1543. Disponível em: https://doi.org/10.1016/j.jafr.2022.100325.
VEERAGANDHAM, S.; SANTHI, H. Effectiveness of convolutional layers in pre-trained models for classifying common weeds in groundnut and corn crops. Computers and Electrical Engineering, v. 103, 108315, 2022. Disponível em: https://doi.org/10.1016/j.compeleceng.2022.108315.
WESSNER, R. N.; FROZZA, R.; BAGATINI, D. D. S.; MOLZ, R. F. Recognition of weeds in corn crops: System with convolutional neural networks. Journal of Agriculture and Food Research, v. 14, 100669, 2023. Disponível em: https://doi.org/10.1016/j.jafr.2023.100669.
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Revista Produção Online
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
A Revista se reserva no direito de efetuar, no artigo publicado, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores.
A obra publicada é de inteira responsabilidade do(s) autor(es), cabendo à Revista Produção Online apenas a avaliação da obra, na qualidade de veículo de publicação científica. A Revista Produção Online não se responsabiliza por eventuais violações à Lei nº 9.610/1998, Lei de Direito Autoral.
A revista Produção Online permite que o autor detenha o copyright dos artigos aceitos para publicação, sem restrições.
Esta obra está licenciada sob uma Licença Creative Commons.
