Using IT and Machine Learning to Help Fight the Brown Bug
DOI:
https://doi.org/10.29327/2384439.1.1-8Keywords:
Machine Learning, Artificial Intelligence, Agriculture 4.0, Neural NetworksAbstract
Brazil is the second largest soybean exporter, but producers face challenges with the crop, specifically regarding pests that prey on the crop. It is possible to use Information Technology to provide solutions that contribute to the control of the Percevejo Marrom, since this is the insect that causes most losses on Brazilian production. The Artificial Intelligence, with Machine Learning and Neural Networks, allows to create solutions that help the insect recognition through current local images of the plants. This article seeks to expend the available techniques for applications construction in Agriculture 4.0 for insect identification, helping to identify them in plantations, through the recognition of patterns in the plants top parts. The nature of this research is technological, with an exploratory objective, qualitative approach and bibliographic and documentary procedures. The sources used in the article were scientific articles; research on international institutional sites and data research in national government institutions which work with the production, control and export of this commodity. The biggest challenge of Agriculture 4.0 is to integrate technologies that can contribute to agribusiness, seeing that producers face difficulties with internet access in the field, which hinders the usage of devices in plantations. This issue also affects countries in Europe, such as Germany, that needs to ensure fiber-optic internet in rural areas. Despite these challenges, there are solutions using Artificial Intelligence in agriculture that has contributed to Brazilian agribusiness, although it is still a less explored trend.
Downloads
References
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
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 Tamyris Alves de Souza, Luciano Francisco de Oliveira, Cristina Corrêa de Oliveira
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright Policy
By submitting a manuscript for publication in the journal Advances in Global Innovation & Technology (@_GIT), authors agree, in advance and unrestrictedly, to the following terms:
- The authors retain the copyright and grant to the Journal Advances in Global Innovation & Technology (@_GIT) the right of first publication of the manuscript, without any financial burden, and waive any other remuneration for its publication in the Journal of Advances in Global Innovation & Technology (@_GIT).
- Upon submission to the Journal of Advances in Global Innovation & Technology (@_GIT), the manuscript is automatically licensed under the Creative Commons Attribution License, which allows the sharing of the work with acknowledgment of authorship and initial publication in the Journal Advances in Global Innovation & Technology (@_GIT).
- Authors are authorized to enter into additional contracts separately, for non-exclusive distribution of the version of the work published in the Journal Advances in Global Innovation & Technology (@_GIT) (publish in repositories or as a book chapter), with acknowledgment of the initial publication in the Journal Advances in Global Innovation & Technology (@_GIT), provided that such agreement does not imply an endorsement of the content of the manuscript or the new vehicle by the Journal of Advances in Global Innovation & Technology (@_GIT).
- Authors are allowed and encouraged to publish and distribute their work online, in institutional repositories, for example after the editorial process is completed.
- The authors warrant that they have obtained proper permission from their employers for the transfer of rights under this agreement, if those employers own any copyright in the manuscript. In addition, the authors assume any and all responsibility for possible copyright infringements of these employers, exempting Advances in Global Innovation & Technology (@_GIT) from any and all liability in this regard.
- The authors assume all responsibility for the content of the work, including the due and necessary authorizations for the disclosure of data collected and results obtained, exempting the Journal of Advances in Global Innovation & Technology (@_GIT) from any and all liability in this regard.
