Aumentando a precisão: segmentação semântica de ervas daninhas em plantações de soja baseada em imagens em tempo real
ENHANCING PRECISION: REAL-TIME IMAGE-BASED WEED SEMANTIC SEGMENTATION IN SOY PLANTATIONS
AUTORES/AUTHORS
Raul Steinmetz1; Henrique Liesenfield Krever1; Vinicius Kaster Marini1; Celio Trois1
1 Universidade Federal de Santa Maria, Av. Roraima nº 1000, Cidade Universitária, Bairro
Camobi, Santa Maria – RS, Brasil, CEP: 97105-900, rsteinmetz@inf.ufsm.br, hlkrever@inf.ufsm.br, vinicius.marini@ufsm.br, trois@inf.ufsm.br
RESUMO
O monitoramento cultural desempenha um papel fundamental em plantações onde espécies de ervas daninhas são prevalentes. Ao lado dos esforços iniciais de erradicação, o monitoramento contínuo se mostra indispensável para conter a proliferação das ervas daninhas ao longo do processo de maturação da cultura. O objetivo principal deste estudo é explorar o potencial das redes neurais convolucionais (CNNs) na detecção e mapeamento preciso da presença de ervas daninhas em diversas etapas do crescimento da plantação, utilizando dados de imagens de alta resolução capturadas por uma câmera posicionada um metro acima do chão. Para aprimorar a precisão, o estudo concentra-se na realização da segmentação semântica das ervas daninhas Cynodon dactylon (gramínea) e Amaranthus hybridus (Caruru), bem como das culturas de Glycine max (soja). A investigação foi conduzida na Universidade de Santa Maria, resultando em um sistema de detecção de ervas daninhas altamente robusto em tempo real. Esse sistema demonstrou capacidades rápidas de segmentação (31,7 ms por imagem) e alcançou uma precisão de segmentação semântica com um erro de pixel de 1,0026% (para uma imagem de 600 x 600 pixels). Ele identificou com eficiência tanto as ervas daninhas quanto a soja, discernindo precisamente seu tamanho e configuração, oferecendo assim uma solução prática e eficiente para o monitoramento eficaz de ervas daninhas.
Palavras-chave: Segmentação Semântica em Plantações. Mapeamento de Ervas Daninhas. Visão Computacional.
ABSTRACT
monitoring proves indispensable in restraining weed proliferation throughout the crop's maturation process. The principal objective of this study is to explore the potential of convolutional neural networks (CNNs) in accurately detecting and mapping the presence of weeds at diverse stages of plantation growth, utilizing high-resolution image data captured from a camera positioned approximately 1 meter above the ground. To enhance precision, the study focuses on achieving semantic segmentation of Cynodon dactylon (grassy) and Amaranthus hybridus (Caruru) weeds, as well as Glycine max (soy) crops. The investigation was conducted at Federal University of Santa Maria, yielding a highly robust real-time weed detection system. This system demonstrated swift segmentation capabilities (31.7 ms per image) and achieved a semantic segmentation precision with a pixel error of 1.0026% (for a 600 x 600 pixel image). It proficiently identified both weeds and soy, precisely discerning their size and configuration, thereby offering a pragmatic and efficient solution for effective weed monitoring.
Keywords: Crop Semantic Segmentation. Weed Mapping. Computer Vision.