Título: Em direção a uma abordagem holística para o monitoramento de fazendas de café por meio de inteligência artificial

Título alternativo: TOWARDS A HOLISTIC APPROACH TO COFFEE FARM MONITORING BY ARTIFICIAL INTELLIGENCE APPLICATIONS

Autoria de: Francisco Eron Cordeiro Carvalho

Orientação de: Antonio Chalfun Junior

Coorientação de: Raphael Ricon de Oliveira, Muhammad Noman

Presidente da banca: Antonio Chalfun Junior

Primeiro membro da banca: Raphael Ricon de Oliveira

Segundo membro da banca: Cleverson Carlos Matiolli

Terceiro membro da banca: Pedro Luiz Lima Bertarini

Palavras-chaves: Coffee, precision agriculture, machine learning, artificial intelligence, image-based phenotyping

Data da defesa: 14/07/2023

Semestre letivo da defesa: 2023-1

Data da versão final: 17/07/2023

Data da publicação: 17/07/2023

Referência: Carvalho, F. E. C. Em direção a uma abordagem holística para o monitoramento de fazendas de café por meio de inteligência artificial. 2023. 52 p. Trabalho de Conclusão de Curso (Graduação em Ciências Biológicas Bacharelado)-Universidade Federal de Lavras, Lavras, 2023.

Resumo: Neste trabalho, busca-se utilizar metodologias de inteligência artificial para um monitoramento holístico do cafeeiro, incluindo a quantificação dos frutos e seus estágios de maturação, a detecção de doenças foliares do café e a análise da florada. Estudos anteriores já haviam utilizado a detecção automática de frutos com base em visão computacional para estimar o rendimento do café durante a colheita, porém, há poucas pesquisas sobre a quantificação dos frutos de café na própria planta. Para preencher essa lacuna, o estudo utiliza pela primeira vez a versão mais recente do algoritmo de ponta chamado YOLOv8 (You Only Look Once). O YOLOv8 foi treinado em três conjuntos de dados diferentes frutos de café, doenças foliares do café e detecção de árvores de café. Além disso, foram utilizados modelos de K-means para gerar classes de cores por meio de anotação semi supervisionada, possibilitando a identificação de diferentes estágios de maturação dos frutos de café com base na cor da epiderme. Essa abordagem inovadora de anotação de dados permite um processamento eficiente das imagens e tem potencial para revolucionar a avaliação da maturação dos frutos de café em termos de precisão e escalabilidade. Após o treinamento bem-sucedido dos modelos de detecção de objetos, a saída desses modelos é utilizada como entrada para um modelo de fundação denominado SAM (Segment Anything Model), que extrai informações detalhadas de segmentação de instâncias. Essa segmentação permite a implementação de metodologias de quantificação, possibilitando a obtenção de informações precisas sobre a quantidade e a distribuição dos frutos de café na planta. Além disso, a combinação das saídas dos modelos de detecção de objetos e do SAM é transformada em texto e alimentada em um Large Language Model. Esse modelo de linguagem inteligente atua como um assistente virtual, permitindo a interação e a tomada de decisões informadas no contexto da produção de café. Por meio dessa abordagem, é possível monitorar de forma eficiente os campos de café remotamente e tomar decisões baseadas em informações sobre irrigação, aplicação de fertilizantes e outras medidas de manejo oportuno do campo, promovendo assim a agricultura de precisão. Essa tecnologia baseada em inteligência artificial não se restringe apenas à produção de café, mas também pode ser adaptada para outras culturas de frutas. A integração dessa abordagem com outras ferramentas possibilita um monitoramento mais abrangente e eficiente das plantações, fornecendo informações valiosas para os produtores agrícolas e contribuindo para a otimização da produtividade e da qualidade dos cultivos.

Abstract: In this work, the aim is to use artificial intelligence methodologies for a holistic monitoring of coffee plants, including the quantification of fruits and their maturation stages, detection of coffee leaf diseases, and analysis of flowering. Previous studies have used computer vision-based automatic fruit detection to estimate coffee yield during harvesting, but there is limited research on quantifying coffee fruits directly on the plant. To fill this gap, the study employs the latest version of the state-of-the-art YOLOv8 (You Only Look Once) algorithm. YOLOv8 is trained on three different datasets coffee fruits, coffee leaf diseases, and coffee tree detection. Additionally, K-means models are utilized to generate color classes through semi-supervised annotation, enabling the identification of different maturation stages of coffee fruits based on their epidermis color. This innovative data annotation approach allows for efficient image processing and has the potential to revolutionize the assessment of coffee fruit maturation in terms of accuracy and scalability. After successful training of the object detection models, their output is used as input for a foundational model called SAM (Segment Anything Model), which extracts detailed instance segmentation information. This segmentation facilitates the implementation of quantification methodologies, providing precise information on the quantity and distribution of coffee fruits on the plant. Furthermore, the combination of the object detection and SAM outputs is transformed into text and fed into a Large Language Model. This intelligent language model acts as a virtual assistant, enabling interaction and informed decision-making in the context of coffee production. Through this approach, it is possible to efficiently monitor coffee fields remotely and make data-driven decisions on irrigation, fertilizer application, and other timely field management measures, thus promoting precision agriculture. Importantly, this AI-based technology is not limited to coffee production and can be adapted for other fruit crops. Integration with other tools allows for comprehensive and efficient monitoring of plantations, providing valuable information for agricultural producers and contributing to optimizing productivity and crop quality.

URI: sip.prg.ufla.br/publico/trabalhos_conclusao_curso/acessar_tcc_por_curso/
ciencias_biologicas_bacharelado/20231201910365

URI alternaviva: sem URI do Repositório Institucional da UFLA até o momento.

Curso: G012 - CIÊNCIAS BIOLÓGICAS (BACHARELADO)

Nome da editora: Universidade Federal de Lavras

Sigla da editora: UFLA

País da editora: Brasil

Gênero textual: Trabalho de Conclusão de Curso

Nome da língua do conteúdo: Inglês

Código da língua do conteúdo: eng

Licença de acesso: Acesso aberto

Nome da licença: Licença do Repositório Institucional da Universidade Federal de Lavras

URI da licença: repositorio.ufla.br

Termos da licença: Acesso aos termos da licença em repositorio.ufla.br

Detentores dos direitos autorais: Francisco Eron Cordeiro Carvalho e Universidade Federal de Lavras

Baixar arquivo