Algoritmo baseado em CNN para identificar e diferenciar famílias de erva da daninha em áreas de pastagem a partir de imagens de RPA
O algoritmo serve para detectar, a partir de imagens de RPA (Aeronave Remotamente Pilotada), uma família específica de erva daninha tóxica ao gado e caso seja ingerida pode levar o animal à óbito.
O algoritmo é baseado em técnicas de Aprendizagem Profunda (Deep Learning), mais especifcamente Redes Neurais Convolucionais (CNN) que são utlizadas para aprender a detectar diferentes famílias e espécies de ervas daninhas em áreas de pastagem, através de ortomosaicos de RPA. O foco deste algoritmo está na detecção e localização espacial de família de erva daninha tóxica ao gado.
Número do Pedido: BR 51 2023 001208 4
Área / Categoria: Ciências Agrárias
Problema Resolvido: O algoritmo resolve a dificuldade em identificar, de forma rápida e precisa, a presença de uma família específica de erva daninha tóxica ao gado em grandes áreas de pastagem. A detecção manual é lenta, exige presença física no campo, está sujeita a erros humanos e muitas vezes não consegue abranger toda a área de risco. Como a ingestão dessa planta pode levar o animal à morte, a identificação precoce é essencial. O algoritmo automatiza esse processo utilizando imagens aéreas de RPA, permitindo localizar focos da planta de maneira eficiente e confiável.
Aplicações / Vantagens:
O algoritmo pode ser aplicado em propriedades rurais, projetos de manejo de pastagens, monitoramento ambiental e sistemas de pecuária de médio e grande porte. Utiliza técnicas de Aprendizagem Profunda, especialmente Redes Neurais Convolucionais (CNN), para analisar ortomosaicos gerados por RPA e detectar a erva daninha tóxica com alta precisão. Entre as vantagens estão: redução do risco de intoxicação do gado, monitoramento rápido de áreas extensas, diminuição de custos com inspeções manuais, identificação precisa da localização da planta para tomada de decisão, aumento da segurança no manejo, prevenção de perdas econômicas e melhora na eficiência das ações de controle.
Data de Concessão: 09/05/2023
Data de depósito do pedido: 02/05/2023