Autoria: PORTO, L.; SIMÕES, M.; FERRAZ, R. P. D.

Resumo: Estima-se que 80% das pastagens cultivadas presentes do Brasil encontram-se em algum nível de degradação. O processo de degradação pode ser identificado quando a produção de forragem diminui, consequentemente, o aumento das áreas descobertas. Há também o surgimento de plantas novas de espécies invasoras, competindo por nutrientes. Este trabalho objetivou avaliar técnicas de segmentação semântica de fotografias para diferenciação de plantas invasoras/daninhas (diversas famílias botânicas), plantas forrageiras (família gramínea), solo exposto e palhada (material seco). Estas técnicas se baseiam em aprendizagem supervisionado por meio do modelo de segmentação semântica DeeplabV3+. Primeiramente com o objetivo de treinar o modelo, foi usado amostras do banco de dados The GrassClover Image Dataset for Semantic and Hierarchical Species Understanding in Agriculture. Para aproximar o modelo para as pastagens brasileiras, um pequeno banco de dados foi construído a partir das fotografias ortogonais, retiradas da plataforma Atlas das Pastagens. Após o processo de treinamento com os dois bancos de imagens, o modelo foi avaliado a partir de diferentes imagens separadas para este propósito. Os resultados demonstraram satisfatórios com valores de MIoU de 87,6% com o primeiro banco de imagens e 75,4% com segundo banco de imagens. Conclui-se que as técnicas de visão computacional, aprendizado de máquina e segmentação semântica de imagens apresentam potencial para subsidiar a classificação da degradação de pastagens.

Ano de publicação: 2025

Tipo de publicação: Artigo em anais e proceedings

Unidade: Embrapa Solos

Palavras-chave: Aprendizado de máquina, Plano ABC, Redes neurais convolucionais, Visão Computacional