Detecção e contagem automáticas de Euschistus heros (Percevejo marrom) em lavouras de soja usando imagens e aprendizagem profunda

Abstract

No Brasil, a produção de soja aumentou consideravelmente nas últimas décadas, impulsi onada por tecnologias agrícolas avançadas. No entanto, o uso excessivo de pesticidas, que representa uma parte significativa dos custos, apresenta desafios econômicos e ambien tais. Métodos de detecção e contagem de pragas usando Visão Computacional mostram-se promissores, uma vez que as abordagens tradicionais são trabalhosas e demoradas. Este estudo apresenta um método projetado para identificar e contar insetos em campos de soja, construído sobre um modelo YOLOv8 aprimorado, especificamente desenvolvido para essa missão. Para aprimorar a precisão na detecção de pequenos insetos e reduzir a complexi dade do modelo YOLOv8, conduzimos experimentos de ablação para avaliar o impacto da integração de um nível de recursos mais profundo e um bloco com menor número de filtros na espinha dorsal e no pescoço da estrutura original. Por meio desses experimentos, o novo algoritmo foi treinado e testado usando um conjunto de dados de pesquisa público, composto por amostras de Euschistus Heros (PMN), um percevejo de interesse em lavouras de soja no Brasil, e seu desempenho foi comparado com três configurações em condições idênticas: A) YOLOv8n, B) YOLOv8n com apenas C2f2 e C) YOLOv8n com apenas P2. Nossa avaliação empregou diversas métricas, incluindo precisão, revocação, mAP0.5 e mAP0.5-0.95. Também consideramos a complexidade do modelo como fatores essenciais na avaliação da eficiência dos modelos YOLO para aplicações específicas, comparando parâmetros, FLOPs, Inferência e Tempo. O modelo proposto foi então integrado a um framework capaz de rastrear e contar os PMNs em questão em um stream de vídeo. Este stream foi criado, animando 42 novas imagens, capturadas sob diversas condições de iluminação e fundo para abordar potenciais desafios em aplicações práticas, testando a capacidade de generalização do modelo, bem como o desempenho do modelo em aplicações de vídeo. O modelo demonstra uma medida de acurácia, representada pela métrica de MOTA, satisfatória, com cerca de 62%. Isso indica que a técnica proposta é eficaz em rastrear bem os percevejos ao longo das cenas apresentadas, o que é corroborado pela alta taxa de acerto na contagem final dos PMNs (desvio para cima de 5,3%). Esses resultados apontam para um potencial desse tipo de framework e sinaliza potencial em aplicações futuras de mapeamento de pragas a partir de rastreamentos em tempo real.