DETECÇÃO DE TIGUERAS E SOQUEIRAS EM PLANTAÇÕES DE ALGODÃO: COMPARATIVO DE ALGORITMOS PARA PULVERIZAÇÃO SELETIVA
DOI:
https://doi.org/10.56238/arev7n9-141Palavras-chave:
Visão Computacional, Pulverização Seletiva, Haar Cascade, YOLOv5, Ervas Daninhas, AlgodãoResumo
A presença de plantas como tigueras e soqueiras, em plantações de algodão, pode comprometer a produtividade e a qualidade da cultura, demandando estratégias eficientes de controle, visto que o bicudo, uma das maiores pragas do algodoeiro, usam estas plantas para alimento e abrigo. É importante eliminar estas plantas tão logo seja feita a colheita do algodão. Para isto, pode-se usar um sistema que detecta a tiguera e soqueira e joga herbicida diretamente nestas plantas, quando detectadas, e somente nestas plantas, reduzindo a quantidade de herbicida a ser aplicada no local da plantação. Este estudo compara três abordagens computacionais para a detecção dessas ervas daninhas: (1) um método heurístico baseado na detecção de tons de verde, (2) um modelo de reconhecimento de imagem utilizando Haar Cascade, e (3) um modelo baseado em YOLOv5. Os resultados mostraram o bom rendimento do algoritmo Haar Cascade, o qual apresentou a maior taxa de acerto (89%), seguido pelo YOLOv5 (85%). O método heurístico demonstrou uma detecção genérica para tons verdes, com acurácia de 100%.
Downloads
Referências
BRUNNER, P. et al. A review on computer vision and artificial intelligence techniques for weed detection in agriculture. Smart Agriculture, v. 8, n. 4, p. 235-256, 2021.
KAPLAN, R.; SANTOS, J. H. Deep Learning aplicado à agricultura de precisão: detecção de ervas daninhas. Revista Brasileira de Tecnologia Agrícola, v. 12, n. 2, p. 54-67, 2022
REDMON, J.; FARHADI, A. YOLOv5: You Only Look Once. 2020. Disponível em: https://github.com/ultralytics/yolov5. Acessado em: mar, 2025.
SINGH, K.; LILLESAND, T. Machine learning approaches for weed detection. Precision Agriculture, v. 10, n. 3, p. 193-204, 2019.
VIOLA, P.; JONES, M. Robust real-time object detection. International Journal of Computer Vision, v. 57, n. 2, p. 137–154, 2004.
