Share | 12/13/2021
Os métodos inovadores de aprendizagem automática podem ser utilizados em múltiplas aplicações de deteção remota. Contar e obter uma avaliação exacta de uma área são duas delas.
Quando Nate Krause, o diretor de operações da Swans Trail Farms, nos convidou a fazer alguns voos sobre a sua plantação de abóboras em Snohomish (Washington, EUA) para quantificar e categorizar com precisão todas as abóboras.
No passado, os algoritmos de IA/ML exigiam dados de uma câmara RGB separada. Agora podemos obter simultaneamente imagens compostas RGB de alta resolução e imagens multiespectrais, graças às bandas pancromáticas dos nossos sensores de drone RedEdge-P ou Altum-PT.
Para esta missão, foi selecionado o sensor multiespectral e pancromático RedEdge-P da série MicaSense, com o drone DJI Matrice 300 e o planeador de missão Measure Ground Control. O local de 23 acres / 9 ha foi sobrevoado a 60 m / 196 pés AGL, para atingir 2 cm – 0,7 pol/pixel GSD nos dados pan-sharpened.
Uma vez terminado o voo, era altura de processar os dados e contar e dimensionar as abóboras. Para o processamento e a nitidez dos dados, utilizámos o Agisoft Metashape.
Em seguida, extraímos o Geotiff multiespectral de cinco camadas de 2 cm – 0,7 pol./pixel e introduzimo-lo no QGIS para obter uma visão geral da mancha de abóbora. As abóboras foram classificadas semi-automaticamente utilizando técnicas simples de limiarização multiespectral num pequeno subconjunto do ortomosaico.
Embora esta abordagem baseada em píxeis tenha sido eficaz para a classificação geral, não conseguiu segmentar instâncias individuais de abóboras próximas umas das outras. Para resolver este problema, editámos manualmente todas as detecções agrupadas e criámos um modelo de aprendizagem profunda com o TensorFlow utilizando as detecções semi-automatizadas já geradas como dados de treino de entrada.
O modelo foi alimentado com imagens RGB de 2 cm / 0,7 in pan-sharpened do RedEdge-P juntamente com as nossas detecções de polígonos. Os dados de alta resolução foram essenciais para permitir que o modelo aprendesse efetivamente e tivesse a capacidade de distinguir entre instâncias de abóboras muito próximas mas separadas.
Estávamos interessados em fazer contagens exactas de abóboras e obter uma estimativa do seu tamanho e da área do campo. Isto pode ajudar-nos a gerar previsões sobre potenciais lucros/perdas para a cultura, permitir comparações temporais entre anos, determinar taxas de contagem ao longo do tempo e taxas de germinação.
As técnicas aqui utilizadas são versáteis e facilmente transferíveis para outros sectores.
Por exemplo, poderíamos efetuar este mesmo processo de análise para contagens de povoamentos florestais, detectando milho em fase inicial de emergência ou outras pequenas plantas de interesse. Podemos detetar características, produzir contagens ou estatísticas com base na reflectância das nossas características detectadas. Isto permitir-nos-á monitorizar e gerir as explorações agrícolas, as florestas e os nossos recursos ambientais de forma mais eficiente e eficaz.
Inscreva-se para receber atualizações diretamente em sua caixa de entrada.
