A parte prática do trabalho de monitoramento do gado incluiu sistemas de integração Lavoura-Pecuária (ILP), na fazenda Canchim (SP), da Embrapa
Imagens oblíquas e tecnologias de aprendizado profundo (deep learning), como as redes neurais computacionais, chamadas convolucionais, têm se revelado promissoras para a detecção e contagem de gado no pasto por meio de drones. É o que indicam resultados preliminares de estudos descritos no artigo Cattle Detection Using Oblique UAV Images (Detecção de gado usando imagens UAV oblíquas), publicado em dezembro pela revista Drones. A sigla em inglês UAV refere-se a veículos aéreos não tripulados (vants). É o primeiro estudo explorando a viabilidade do uso de imagens oblíquas para monitoramento de gado.
A aplicação de algoritmos de inteligência artificial ao processamento digital de imagens e os avanços dessas tecnologias vêm mostrando a viabilidade desse monitoramento por meio das aeronaves não tripuladas. “Entretanto, o uso prático ainda é um desafio, devido às características particulares dessa aplicação, como a necessidade de rastrear alvos móveis e as extensas áreas que precisam ser cobertas na maioria dos casos”, alertam os pesquisadores Jayme Garcia Arnal Barbedo e Luciano Vieira Koenigkan, da Embrapa Informática Agropecuária (SP), e Patrícia Menezes Santos, da Embrapa Pecuária Sudeste (SP), autores do artigo.
Os cientistas investigaram, então, o uso de um ângulo inclinado da câmera do drone para aumentar a área coberta pelas imagens, de forma a minimizar problemas no rastreamento. A captura das imagens sob uma visão oblíqua, ao ampliar a cobertura, reduz o número de voos exigidos para a atividade, especialmente em áreas extensas, e diminui os efeitos prejudiciais do movimento dos animais e das mudanças nas condições ambientais. Estudos que empregam vants para o monitoramento de gado quase sempre usam imagens capturadas na posição perpendicular ao solo.
No processo, os pesquisadores aplicaram uma arquitetura computacional de redes neurais profundas para gerar os modelos aplicados aos experimentos. Foram cobertos aspectos variados, como dimensões ideais das imagens, efeito da distância entre animais e sensor, efeito do erro de classificação no processo geral de detecção e impacto dos obstáculos físicos na precisão do modelo.
Resultados experimentais indicam que imagens oblíquas podem ser usadas com sucesso sob certas condições, mas têm limitações práticas e técnicas que devem ser observadas. Essas limitações referem-se às obstruções de visão, à determinação das bordas exatas da região considerada nas imagens, às distorções geométricas e de cores, entre outras. Investigações futuras devem incluir uma análise de custo-benefício para estimar vantagens potenciais das imagens oblíquas em comparação com as medidas necessárias para reduzir os obstáculos práticos.
Os experimentos foram realizados com o objetivo de detectar animais, uma etapa intermediária para a contagem do rebanho.
| Contagem precisa |
A parte prática do trabalho foi realizada nos sistemas extensivo, intensivo e de integração Lavoura-Pecuária (ILP) na fazenda Canchim, sede da Embrapa Pecuária Sudeste. Para 2020, estava prevista a coleta de dados em áreas com árvores e arbustos, mas a pandemia atrasou os experimentos.
Segundo Patrícia Santos, árvores, arbustos ou até a altura da pastagem podem dificultar a captação de imagens. “O animal fica escondido embaixo da planta, atrapalhando a contagem. Para gerar um modelo que corrija isso, seriam necessárias várias imagens em áreas com árvores e com plantas arbustivas diferentes e de formas heterogêneas. Qualquer coisa que possa cobrir a imagem, até mesmo a altura de um capim, deve ser considerada. Por exemplo, a pastagem muito alta pode esconder um bezerro”, explica. São muitas as variáveis que a máquina precisa aprender para que a contagem do gado seja a mais precisa possível.
A cientista conta que o papel da Embrapa Pecuária Sudeste é ajudar a identificar os gargalos que podem surgir quando o pecuarista aplicar a ferramenta no dia a dia da fazenda. Indicar qual é a real necessidade de um potencial usuário desse produto, além de estimar a margem de erro aceitável. “Um levantamento para fins de inventário não permite erro. Já no caso da contagem de gado para o manejo, pode ser um pouco mais flexível”, destaca Santos.
Os pesquisadores também ressaltam que é fundamental ampliar o conhecimento sobre essas técnicas, para que no futuro a tecnologia seja adotada com sucesso no campo. “Os resultados foram muito bons, mas ainda precisamos de mais avanços para conseguir gerar uma tecnologia apta a ser usada por produtores ou prestadores de serviços. Acredito que estamos no caminho certo”, avalia Barbedo. Ele estima que o monitoramento com drones para contagem automática dos animais ocorra em cerca de dois a três anos.
A metodologia pode ser usada também, no futuro, para o monitoramento voltado à saúde animal, como a detecção de doenças e anomalias e eventos como prenhez. Para esse caso, o horizonte é de cinco anos.
| Modelos computacionais |
As pesquisas voltadas à detecção e contagem de bovinos por meio de imagens capturadas por drones tiveram início em fevereiro de 2019, com vigência de dois anos. Contam com apoio financeiro da Fundação de Amparo à Pesqui
sa do Estado de São Paulo (Fapesp). Os recursos de cerca de R$ 175 mil foram investidos, principalmente, na aquisição de drones e equipamentos para processamento de imagens.
Nos estudos, conduzidos pela Embrapa em parceria com a Universidade Estadual de Campinas (Unicamp) e as Faculdades Metropolitanas Unidas (FMU), a equipe capturou um grande número de imagens aéreas de animais das raças Nelore (Bos indicus) e Canchim – cruzamento entre as raças Charolês (Bos taurus) e Nelore, na fazenda da Embrapa. Em seguida, usou algoritmos para classificá-las e extrair as informações de interesse. No caso de monitoramento de gado, as aplicações incluem detecção e contagem de animais, reconhecimento de espécimes, medição da distância entre a vaca e o bezerro, e determinação do comportamento alimentar.
Essas informações contidas nas imagens são extraídas por meio de modelos computacionais de aprendizado de máquina (machine learning) que utilizam conceitos de segmentação semântica e de instância, detecção de objetos e mapeamento de calor. As técnicas de aprendizado profundo são sem
elhantes àquelas usadas em sites que solicitam ao usuário a identificação das imagens de faixa de pedestres ou de semáforos, por exemplo, antes de acessar informações consideradas de uso restrito. Ou seja, é preciso treinar a rede neural com milhares de exemplos, ensinando o computador a reconhecer os objetos de forma automática.
Dois artigos, publicados na revista Sensors, apresentam os modelos de detecção e contagem desenvolvidos, além dos resultados preliminares já obtidos.
O primeiro, Counting Cattle in UAV Images-Dealing with Clustered Animals and Animal/Background Contrast Changes (Contagem de gado em imagens de UAV – Lidando com animais agrupados e alterações de contraste de animal/fundo), tem autoria de Barbedo, Koenigkan e Patrícia Menezes e da pesquisadora da FMU Andrea Roberto Bueno Ribeiro.
O artigo propõe um algoritmo capaz de fornecer estimativas precisas para a contagem dos animais, mesmo em condições difíceis, como presença de animais agrupados, mudanças no contraste entre estes e antecedentes, o que é comum devido à heterogeneidade das fazendas de gado, e variações de iluminação. Algumas situações se mostraram desafiadoras, especialmente a falta de contraste entre os animais e o fundo, o movimento deles, grandes aglomerados de animais e a presença de bezerros.
Segundo os autores, novas soluções para rastreamento de animais serão investigadas em experimentos futuros. Os esforços também devem ser direcionados para a captura de imagens de outras raças de gado, tornando possível estender a aplicabilidade do algoritmo. Embora o algoritmo descrito no artigo tenha sido desenvolvido em função da contagem de gado, a metodologia pode ser adapta
da a outras aplicações como detecção de navios ou de tendas em campos de refugiados, entre outras.
O segundo artigo da Sensors, A Study on the Detection of Cattle in UAV Images Using Deep Learning (Um estudo sobre a detecção de gado em imagens de UAV usando aprendizado profundo), foi escrito por Barbedo, Koenigkan, Thiago Teixeira Santos, também da Embrapa Informática Agropecuária, e Patrícia Menezes.
Nesse estudo, os experimentos envolveram 1.853 imagens contendo 8.629 amostras de imagens de animais. Com isso, foram treinados 900 modelos de redes neurais convolucionais, permitindo uma análise profunda dos diversos aspectos que impactam a detecção de gado usando imagens aéreas capturadas por drones. Os objetivos foram determinar a maior precisão possível que poderia ser alcançada na detecção de animais da raça Canchim, visualmente semelhante aos Nelore, além da distância ideal da amostra do solo para a detecção de animais e da arquitetura mais precisa.
Fonte: Embrapa
NOVIDADES
10 maio
04 maio
04 maio
04 maio
03 maio
03 maio
02 maio
20 abr
19 abr
14 abr
13 abr
12 abr
09 abr
09 abr
08 abr
05 abr
04 abr
04 abr
30 mar
29 mar
29 mar
29 mar
25 mar
22 mar
22 mar
22 mar
22 mar
21 mar
18 mar
17 mar
16 mar
16 mar
16 mar
11 mar
11 mar
10 mar
08 mar
08 mar
04 mar
04 mar
04 mar
03 mar
03 mar
03 mar
02 mar
02 mar
24 fev
24 fev
24 fev
21 fev
18 fev
16 fev
15 fev
10 fev
09 fev
09 fev
08 fev
07 fev
07 fev
04 fev
04 fev
03 fev
02 fev
31 jan
31 jan
27 jan
26 jan
24 jan
20 jan
20 jan
13 jan
12 jan
11 jan
11 jan
10 jan
06 jan
06 jan
05 jan
31 dez
29 dez
28 dez
27 dez
22 dez
16 dez
15 dez
13 dez
08 dez
07 dez
06 dez
06 dez
01 dez
24 nov
23 nov
23 nov
19 nov
18 nov
17 nov
17 nov
16 nov
11 nov
09 nov
05 nov
03 nov
01 nov
30 out
29 out
28 out
28 out
28 out
26 out
25 out
22 out
20 out
19 out
19 out
15 out
14 out
07 out
06 out
05 out
01 out
01 out
29 set
28 set
24 set
23 set
23 set
22 set
22 set
15 set
14 set
13 set
09 set
06 set
06 set
02 set
01 set
31 ago
31 ago
30 ago
27 ago
26 ago
25 ago
19 ago
19 ago
18 ago
17 ago
16 ago
12 ago
06 ago
06 ago
05 ago
02 ago
30 jul
26 jul
26 jul
22 jul
21 jul
15 jul
15 jul
13 jul
08 jul
06 jul
05 jul
05 jul
01 jul
30 jun
29 jun
29 jun
28 jun
24 jun
24 jun
23 jun
22 jun
18 jun
16 jun
15 jun
14 jun
10 jun
09 jun
08 jun
08 jun
07 jun
07 jun
03 jun
28 maio
27 maio
27 maio
26 maio
26 maio
26 maio
25 maio
24 maio
18 maio
18 maio
17 maio
14 maio
13 maio
12 maio
11 maio
11 maio
10 maio
10 maio
06 maio
05 maio
04 maio
04 maio
04 maio
03 maio
30 abr
30 abr
27 abr
26 abr
26 abr
23 abr
23 abr
21 abr
20 abr
14 abr
12 abr
12 abr
09 abr
08 abr
01 abr
31 mar
30 mar
30 mar
26 mar
23 mar
22 mar
20 mar
19 mar
15 mar
02 mar
26 fev
25 fev
23 fev
16 fev
01 fev
29 jan
24 jan
03 set
