A detecção de frutas é uma parte fundamental de várias aplicações em Agricultura de Precisão. O desafio específico para detectar frutas cítricas em árvores surgiu a partir de uma demanda das indústrias brasileiras de suco de frutas cítricas. Uma mudança de paradigma no mercado de sucos cítricos tornou a estimativa da produção de citros mais crítica para essas indústrias que até agora empregam métodos estatísticos baseados na contagem manual para obtê-la. A contagem automatizada de frutos na árvore representa, portanto, uma oportunidade poderosa para melhorar esse processo de estimativa. Não existe uma solução única para automatizá-lo, mas depende de uma detecção de frutas de alta precisão em fundos complexos. Nosso trabalho de pesquisa preliminar sobre a detecção de frutas nos levou a acreditar que as técnicas de aprendizado profundo são a solução que melhor se adapta a esse requisito. Depois disso, a falta de acesso a um servidor GPU de alto desempenho para realizar tarefas de treinamento de aprendizado profundo tornou-se uma limitação para o avanço da pesquisa. A AWS então nos trouxe uma nova perspectiva de pesquisa, além de resolver nossa falta de acesso a servidores GPU de alto desempenho, ela fornece serviços de aprendizado de máquina que reduzem o tempo e a complexidade para treinar modelos de aprendizado profundo para detecção de objetos. Por meio do AWS Educate, obtivemos um crédito inicial para treinar com sucesso nosso primeiro modelo de aprendizado profundo que detecta frutas cítricas. A AWS Research Grants nos deu a oportunidade de continuar este projeto. Começamos configurando um Deep Learning AMI em uma instância do Amazon EC2 P2, hoje já incorporamos os recursos de Verdade e Treinamento do Amazon SageMaker em nossa arquitetura de nuvem. Além disso, a AWS Academy nos ajudou a aprender as práticas recomendadas do AWS VPC e como aplicá-las em nossas implantações. Nosso objetivo é gerar um mapa preciso da produção de citros no nível de uma única fruta que apoie as decisões das partes interessadas no agronegócio cítrico. A precisão do mapa obtido pode ser determinada comparando a contagem de frutos das árvores mapeadas com o processo de contagem manual atual. Um bom sistema de detecção por si só não é suficiente para conseguir isso, é necessário mesclar resultados de detecção de frutas de várias geolocalização. A maneira de resolver isso não é simples e torna este projeto único. No momento, estamos trabalhando no sistema de detecção. Existem alguns algoritmos que gostaríamos de testar que ainda precisam ser inseridos nos contêineres do Docker. Feito isso, poderemos encontrar a solução otimizada para o sistema de detecção com o auxílio da funcionalidade de ajuste de hiperparâmetros do Amazon SageMaker. Paralelamente, estamos aprimorando nossa plataforma robótica que coleta imagens da Fazenda Cítrica. A ideia é que os dados do sensor coletados pela plataforma sejam carregados periodicamente para a AWS e processados automaticamente para atualizar os mapas de produtividade de citros. É um projeto desafiador e ainda há tópicos de pesquisa não resolvidos. Seu sucesso também depende de uma combinação de tecnologias caras para detecção e navegação robótica. Embora possa levar algum tempo para atingir esse objetivo, aprender a usar os recursos da AWS que podem dar suporte a essa integração em um ambiente seguro e escalonável foi muito gratificante e inspirador para expandir essa abordagem para outros aplicativos de agricultura de precisão.
Pesquisador Responsável
