Uso da TI e Machine Learning para Ajudar no Combate ao Percevejo Marrom
DOI:
https://doi.org/10.29327/2384439.1.1-8Palavras-chave:
Reconhecimento de Imagem, Machine Learning, Inteligência Artificial, Agricultura 4.0, Redes NeuraisResumo
O Brasil é o segundo maior exportador mundial de soja, porém produtores enfrentam desafios nesta cultura, especificamente as pragas que atacam a lavoura. É possível utilizar a Tecnologia da Informação para prover soluções que contribuam no combate ao Percevejo Marrom, dado que este é o inseto que mais causa perda da produção brasileira. A Inteligência Artificial, com Machine Learning e Redes Neurais, permite criar soluções que auxiliam na identificação a partir de imagens in loco do inseto nas plantas. Este artigo busca expender as técnicas disponíveis para a construção de aplicações na Agricultura 4.0 para reconhecimento de insetos, a fim de facilitar a identificação deles nas plantações, através do reconhecimento de padrões das partes aéreas da planta. A natureza desta pesquisa é tecnológica, com objetivo exploratório, abordagem qualitativa e procedimentos bibliográfico e documental. Foram utilizadas fontes como artigos científicos; pesquisa em sites institucionais internacionais e pesquisa de dados em instituições governamentais nacionais que trabalham com a produção, controle e exportação desta commodity. O maior desafio da Agricultura 4.0 é integrar tecnologias que possam contribuir ao agronegócio. Isto se deve ao fato de que os produtores enfrentam dificuldades ao acesso à internet no campo, o que prejudica o uso de dispositivos nas plantações. Este problema também afeta países da Europa, como a Alemanha, que precisa garantir internet com fibra ótica na área rural. Apesar dos desafios encontrados, existem soluções utilizando a Inteligência Artificial na área da agricultura que tem contribuído com o agronegócio brasileiro, porém ainda é uma vertente pouco explorada.
Downloads
Referências
AGROCAMPO. Percevejo-Marrom e seu manejo integrado, 2018. Disponível em: <https://www.revistaagrocampo.com.br/noticia/manejo/percevejo-marrom-e-o-manejo-integrado#>. Acesso em: 2 novembros 2018.
APPOLINÁRIO, F. Dicionário de Metodologia Científica. 2. ed. São Paulo: Atlas S.A, 2011.
ARAÚJO, F. H. D. CARNEIRO, A. C., MEDEIROS, F. N. S., SILVA, R. R. V., USHIZIMA, D. M. Redes Neurais Convolucionais com TensorFlow: Teoria e Prática. Artigo em III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, Piauí: Eripi. 2017.
ABMRA. -. ASSOCIAÇÃO BRASILEIRA DE MARKETING RURAL E AGRONEGÓCIO. 7ª edição da Pesquisa Hábitos do Produtor Rural, 2017. Disponível em: < http://www.abmra.org.br/2016>. Acesso em: 10 novembro 2018.
ASSOCIAÇÃO DE COMÉRCIO EXTERIOR DO BRASIL. Revisão da balança comercial, 2018. Disponível em <http://www.aeb.org.br/notícias.asp?Id=4698>. Acesso em: 07 outubros 2018.
BARBEDO, J. A novel algorithm for semi-automatic segmentation of plant leaf disease symptoms using digital image processing, 2016. Tropical Plant Pathology. 41. 210-224. 10.1007/s40858-016-0090-8.
BARBOSA, Fabio. Inteligência artificial vence dermatologistas no diagnóstico de câncer de pele, 2018. Disponível em: <http://www.cofemac.com.br/noticia/6387/inteligencia-artificial-vence-dermatologistas-nodiagnostico-de-cancer-de-pele>. Acesso em: Acesso em: 30 setembro 2018.
BRAUN, A-T, COLANGELO, E., STECKEL, T. Farming in the Era of Industrie 4.0. Procedia CIRP, v. 72, 2018, p. 979-984, ISSN 2212-8271. Disponível em: <http://www.sciencedirect.com/science/article/ pii/S2212827118303342>. Acesso em: 10 novembro 2018.
BUNGE, M. A. Epistemologia. São Paulo: T. A. Queiróz/EDUSP, 1983.
CARVALHO, de F. L. P. A. -. Redes Neurais Artificiais, 2009. Disponível em: < http://conteudo.icmc.usp.br/pessoas/andre/research/neural/>. Acesso em: 05 outubros 2018.
CASTRO, F. Inteligência Artificial vence dermatologistas no diagnóstico de câncer de pele, 2018. Disponível em <https://saude.estadao.com.br/noticias/geral,inteligencia-artificial-vence-dermatologistas-nodiagnostico-de-cancer-de-pele,70002328295>. Acesso em: 30 setembro 2018.
CONFEDERAÇÃO DA AGRICULTURA E PECUÁRIA DO BRASIL. Projeções do Agronegócio, Brasil 2017/18 a 2027/28, 2018. Disponível em: <http://www.agricultura.gov.br/assuntos/politica-agricola/todaspublicacoes-de-politica-agricola/projecoes-doagronegocio/PROJECOES2018_FINALIZADA_web_05092018.pdf >. Acesso em: 24 outubro 2018.
CONAB. -. Companhia Nacional De Abastecimento. Perspectivas para a agropecuária. v. 6. Brasília: CONAB, 2018.
CONAB. -. Companhia Nacional De Abastecimento. Acompanhamento da Safra Brasileira: grãos (2016/17). v. 4. p. 1-164. Brasília: CONAB, 2016.
DATASCIENCE ACADEMY. O que é o TensorFlow Machine Intelligence Platform?, 2018. Disponível em: <http://datascienceacademy.com.br/blog/o-que-e-o-tensorflow-machine-intelligence-platform/>. Acesso em: 24 outubro 2018.
DBV ASSOCIAÇÃO ALEMÃ DE AGRICULTORES. Agricultura 4.0 - Oportunidades e Desafios, 2016. Disponível em: < https://www.bauernverband.de/landwirtschaft-40>. Acesso em: 13 novembro 2018.
EMBRAPA -. Empresa Brasileira de Pesquisa Agropecuária. Soja Louca II é reconhecida como doença da soja pelo Mapa, 2015. Disponível em: <https://www.embrapa.br/busca-de-noticias/-/noticia/5213621/sojalouca-ii-e-reconhecida-como-nova-doenca-da-soja-pelo-mapa>. Acesso em: 24 outubro 2018.
EMBRAPA. -. Empresa Brasileira de Pesquisa Agropecuária, 2018 p. 1. Disponível em: < https://www.embrapa.br/soja/cultivos/soja1>. Acesso em: 07 outubros 2018.
EMBRAPA. -. Empresa Brasileira de Pesquisa Agropecuária. Aplicativo auxilia na identificação de inimigos naturais de pragas agrícolas, 2018. Disponível em: <https://www.embrapa.br/agencia-de-noticiasembrapa/busca-de-noticias/-/noticia/31597890/aplicativo-auxilia-na-identificacao-de-inimigos-naturais-depragas-agricolas> Acesso em: 02 novembros 2018.
EMBRAPA. -. Empresa Brasileira de Pesquisa Agropecuária. Soja em números (safra 2017/2018), 2018. Disponível em <https://www.embrapa.br/soja/cultivos/soja1/dados-economicos>. Acesso em: 07 outubros 2018.
EUROPEAN COMISSION. Industry 4.0 in agriculture: Focus on IoT aspects. 2017
GIL, A. C. Métodos e Técnicas de Pesquisa Social. 6. ed. São Paulo: Atlas S.A, 2008.
GOOGLE. Get Started with TensorFlow. Disponível em: <https://www.tensorflow.org/tutorials/>. Acesso em: 30 setembro 2018.
GOVERNO DO BRASIL. Soja lidera exportações do agronegócio em maio, 2017. Disponível em: <http://www.brasil.gov.br/economia-e-emprego/2017/06/soja-lidera-exportacoes-do-agronegocio-em-maio>. Acesso em: 24 outubro 2018.
IBGE. -. Instituto Brasileiro De Geografia E Estatística. Censo Agropecuário: Resultados preliminares. v. 7. Rio de Janeiro: IBGE, 2017.
IBGE. -. Instituto Brasileiro De Geografia E Estatística. Indicadores Agropecuários. v. 3. Rio de Janeiro: IBGE, 2004.
KDNUGGETS. Top Data Science and Machine Learning Methods Used in 2017, 2017. <https://www.kdnuggets.com/2017/12/top-data-science-machine-learning-methods.html>. Acesso em: 15 outubro 2018.
KERAS. Keras: A biblioteca do Python Deep Learning, 2018. Disponível em: < https://keras.io/>. Acesso em: 30 setembro 2018.
MARCONI, M. A., LAKATOS, E. M. Fundamentos de Metodologia Científica. (7a ed.). São Paulo: Atlas, 2010.
MASSRUHÁ, S. M. F. S.; LEITE, M. A. de A.; MOURA, M. F. Os novos desafios e oportunidades das tecnologias da informação e da comunicação na agricultura (AgroTIC). In: MASSRUHÁ, S. M. F. S.; LEITE, M. A. de A.; LUCHIARI JUNIOR, A.; ROMANI, L. A. S. (Ed.). Tecnologias da informação e comunicação e suas relações com a agricultura. Brasília, DF: Embrapa, 2014. Cap. 1. p. 23-38
MINISTÉRIO DA AGRICULTURA, PECUÁRIA E ABASTECIMENTO. Estimativa para safra 2017/2018 é de até 227,5 milhões de toneladas, 2017. Disponível em: <http://www.agricultura.gov.br/noticias/estimativapara-safra-2017-2018-e-de-ate-227-5-milhoes-de-toneladas>. Acesso em: 31 outubro 2018.
MOTTA, da G. Fernando et al. Perspectivas para a agropecuária. v. 3. Brasília: CONAB, 2015.
PARRONCHI, P. Os Pioneiros do desenvolvimento e a Nova Agricultura 4.0: desenvolvimento econômico a partir do campo? In: Crise, austeridade e luta de classes: o Brasil num beco sem saída, 2018. Disponível em <https://sep.org.br/anais/>. Acesso em: 13 novembro. 2018.
PILLON, C. N. Dos Pós de Rocha aos Remineralizadores: Passado, Presente e Desafios. Artigo em Anais de Congresso, Rio Grande do Sul: Embrapa. 2016.
PORTAL SYNGENTA. Percevejo-marrom: Um perigo real para os grãos de soja, 2017. Disponível em: <https://www.portalsyngenta.com.br/direto-do-campo/percevejo-marrom-um-perigo-real-para-os-graos-desoja>. Acesso em: 02 novembro 2018.
POPOV, Daniel. Piores pragas da soja. Disponível em: < http://www.projetosojabrasil.com.br/saiba-quaissao-as-10-piores-pragas-da-soja/>. Acesso em: 17 outubro 2018.
RAUPP, F. M.; BEUREN. Metodologia da pesquisa aplicável às ciências sociais. ed. 3. São Paulo: Atlas, 2012.
SANTOS, T. T. -. Detecção Automática de Bagas de Café em Imagens de Campo, 2015. Disponível em <https://www.alice.cnptia.embrapa.br/bitstream/doc/1027251/1/22thiagoteixeirasantos162.pdf>. Acesso em: 05 outubros 2018.
SEVERINO, A. J. Metodologia do Trabalho Científico. 23. ed. São Paulo: Cortez, 2007.
SUTTON, R. S, BARTO A. G. Reinforcement Learning: An introdutivo. ed. 2. Londres: The MIT Press Cambridge, 2017.
TORDIN, Cristina. Projeto realiza o diagnóstico de doenças em plantas com o uso de imagens digitais, 2016. Disponível em: <https://www.grupocultivar.com.br/noticias/projeto-realiza-o-diagnostico-de-doencasem-plantas-com-uso-de-imagens-digitais>. Acesso em: 10 novembro 2018.
TUYTELAARS, T, MIKOLAJCZYK, K. Local Invariant Feature Detectors: A Survey. v. 3. Boston: Now The essence of knowledge, 2007.
UNIVERSIDADE STANFORD. Deep learning algorithm does as well as dermatologists in identifying skin cancer, 2017. Disponível em: <https://news.stanford.edu/2017/01/25/artificial-intelligence-used-identify-skincancer/>. Acesso em: 15 outubro 2018.
VDMA-VERLAG. Industrie 4.0 konkret - Lösungen für die industrielle Praxis, 2018. Disponível em: <https://www.vdmaverlag.com/home/artikel/industrie40%20konkret.html#modal-cookiewarning>. Acesso em: 02 novembro 2018.
WILLEMS, K. Keras Tutorial: Deep Learning in Python,2017. Disponível em: <https://www.datacamp.com/community/tutorials/deep-learning-python>. Acesso em: 30 setembro 2018.
ZIKMUND, W.G., BABIN, B.J., CARR, J.C., GRIFFIN, M.: Business Research Methods, 8 ed. SouthWestern College Pub: 2009.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Tamyris Alves de Souza, Luciano Francisco de Oliveira, Cristina Corrêa de Oliveira
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Política de Direito Autoral
Ao submeter um manuscrito para publicação na Revista Advances in Global Innovation & Technology (@_GIT), os autores concordam, antecipada e irrestritamente, com os seguintes termos:
- Os autores mantêm os direitos autorais e concedem à Revista Advances in Global Innovation & Technology (@_GIT) o direito de primeira publicação do manuscrito, sem nenhum ônus financeiro, e renunciam a qualquer outra remuneração pela sua publicação na Revista Advances in Global Innovation & Technology (@_GIT).
- Ao ser submetido à Revista Advances in Global Innovation & Technology (@_GIT), o manuscrito fica automaticamente licenciado sob a Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e da publicação inicial na Revista Advances in Global Innovation & Technology (@_GIT).
- Os autores têm autorização para assumir contratos adicionais separadamente, paradistribuição não exclusiva da versão do trabalho publicada na Revista Advances in Global Innovation & Technology (@_GIT) (publicar em repositórios ou como capítulo de livro), com reconhecimento da publicação inicial na Revista Advances in Global Innovation & Technology (@_GIT), desde que tal contrato não implique num endosso do conteúdo do manuscrito ou do novo veículo pela Revista Advances in Global Innovation & Technology (@_GIT).
- Os autores têm permissão e são estimulados a publicar e distribuir seu trabalho online, em repositórios institucionais, por exemplo depois de concluído o processo editorial.
- Os autores garantem ter obtido a devida autorização dos seus empregadores para a transferência dos direitos nos termos deste acordo, caso esses empregadores possuam algum direito autoral sobre o manuscrito. Além disso, os autores assumem toda e qualquer responsabilidade sobre possíveis infrações ao direito autoral desses empregadores, isentando a Revista Advances in Global Innovation & Technology (@_GIT) de toda e qualquer responsabilidade neste sentido.
- Os autores assumem toda responsabilidade sobre o conteúdo do trabalho, incluindo as devidas e necessárias autorizações para divulgação de dados. coletados e resultados obtidos, isentando a Revista Advances in Global Innovation & Technology (@_GIT) de toda e qualquer responsabilidade neste sentido.
