“…pode-se usar técnicas de visão computacional para identificar o agente causador de sintomas observados nas plantas…”
Jayme Barbedo é pesquisador da Embrapa Agricultura Digital, formado em engenharia elétrica pela Universidade Federal do MS, mestre e doutor pela Unicamp.
Jayme Barbedo, pesquisador da Embrapa
AgriBrasilis – O que é Big Data e quais são suas aplicações na agricultura?
Jayme Barbedo – Com a proliferação de diferentes tipos de sensores na agricultura, uma grande quantidade de dados é gerada. Esse fenômeno é frequentemente chamado de “Big Data”. Esses dados normalmente embutem informação que pode ser muito útil no processo de tomada de decisões dos produtores, porém a extração dessa informação nem sempre é trivial, de modo que muitas vezes é necessário o uso de técnicas sofisticadas de processamento de dados.
AgriBrasilis – Quais são as aplicações da visão computacional para a fitossanidade?
Jayme Barbedo – São duas as principais aplicações. Em primeiro lugar, se há uma certa doença de interesse cuja presença se deseja identificar o mais cedo possível, pode-se usar técnicas de visão computacional associadas a câmeras instaladas no campo ou em maquinário agrícola para emitir um aviso quando a doença é detectada. Em segundo lugar, pode-se usar técnicas de visão computacional para identificar o agente causador de sintomas observados nas plantas. Este tipo de tecnologia pode, por exemplo, ser embarcada como um aplicativo de celular.
AgriBrasilis – Como a Inteligência Artificial (IA) pode ser usada para identificação de doenças de plantas? Esta tecnologia já está disponível no mercado?
Jayme Barbedo – A IA ajuda a extrair de maneira eficiente a informação que está presente nas imagens. Com os avanços observados para este tipo de técnica nos últimos anos, quase todos os problemas de identificação e classificação podem ser solucionados por elas. Porém, para que isso seja possível, é necessário que os dados utilizados para treinar os modelos de IA representem todas as variações de condições encontradas para aquele problema.
No caso da agricultura, como há muitos fatores que introduzem variabilidade, a quantidade de imagens necessária é muito grande. Por esse motivo, o número de tecnologias baseadas em IA para agricultura ainda é relativamente pequeno, embora haja casos de sucesso, como a detecção e eliminação automática de ervas daninhas.
AgriBrasilis – O uso da IA pode substituir o profissional no campo?
Jayme Barbedo – Ao menos no curto e médio prazo, o papel do Engenheiro Agrônomo continuará sendo fundamental. Quanto aos trabalhadores rurais, embora haja potencial de que alguns empregos sejam perdidos, é importante destacar que há uma falta grave de mão de obra no campo. Isso é sentido com mais força no caso da fruticultura, onde tem sido muito difícil angariar mão de obra suficiente para fazer a lida e a colheita dos produtos. Portanto, para que a produção de alimentos possa continuar na quantidade e qualidade necessárias, a automação de certos processos vai ser imprescindível.
AgriBrasilis – Quais os projetos da Embrapa Agricultura Digital na área de inteligência artificial?
Jayme Barbedo – Nós temos várias iniciativas na área. Além de detecção e reconhecimento de doenças em plantas, temos iniciativas para o monitoramento de animais utilizando drones, cujo objetivo final é não somente monitorar o número de animais presentes, mas também detectar eventos anômalos que requerem atenção, como animais doentes, roubos ou nascimento de novos animais. Temos trabalhado também com a detecção de frutos e medição de biomassa. Recentemente, começamos a trabalhar também com a IA generativa. O objetivo é criar tecnologias que forneçam informações aos usuários da maneira mais confiável possível.
AgriBrasilis – Quais são as dificuldades para desenvolvimento desse tipo de pesquisa? É possível controlar a variabilidade no campo?
Jayme Barbedo – A variabilidade associada a problemas agrícolas é de fato o maior problema. Pode-se utilizar algumas medidas para controlar algumas das variáveis que afetam as características das imagens, como anteparas ou outras estruturas que controlem a iluminação e outros fatores. Porém, isso aumenta a dificuldade na coleta dos dados, alijando muitos dos potenciais usuários e, como consequência, diminuindo o potencial de aplicação prática dessas tecnologias. A melhor solução, do ponto de vista técnico, é gerar bases de imagens que representem adequadamente essa variabilidade, mas esse não é um objetivo fácil de se atingir, especialmente no caso de imagens.
LEIA MAIS: