POR MIKKEL GRUM

O monitoramento de pragas e doenças é um processo trabalhoso, o que requer que os olheiros avaliem com precisão a saúde da planta e da colheita à medida que se movem pela estufa, campo ou fazenda. A análise de imagem baseada em IA visa ajudar a automatizar a vigilância de safras

[email protected]

Os avanços tecnológicos na pesquisa de pragas e doenças estão transformando um setor de mão-de-obra intensiva em um mais eficiente e baseado em dados. Como a inteligência artificial (IA) é desenvolvida para auxiliar na produção de safras, os produtores devem ser mais críticos do que nunca na avaliação dos benefícios dessas soluções de estágio inicial.

Dr. Mikkel Grum, Um diretor de pesquisa e desenvolvimento da empresa global de pragas e especialistas em mapeamento de doenças Scarab Solutions, diz que os administradores de fazendas e defensivos agrícolas devem continuar a se concentrar nas tecnologias que aumentam o trabalho humano, em vez de esperar pela promessa de IA.

A Organização das Nações Unidas para Alimentação e Agricultura (FAO) estima que entre 20 e 40 por cento da produção agrícola global é perdida anualmente para pragas e doenças, custando à economia global US $ 220 bilhões. Pragas como tripes, pulgões, mineiros de folhas, ácaros, moscas brancas e lagartas, doenças como pragas, mofo, botrytis e podridões de caules e raízes são comuns em todas as zonas climáticas.

É verdade que para se tornar ainda mais eficaz, o manejo da safra exigirá técnicas e tecnologias aprimoradas. Muitos acreditam que a IA possui a resposta.

AI dá seus primeiros passos na horticultura

O monitoramento de pragas e doenças é um processo trabalhoso, o que requer que os olheiros avaliem com precisão a saúde da planta e da colheita à medida que se movem pela estufa, campo ou fazenda. A análise de imagem baseada em IA visa ajudar a automatizar a vigilância de safras.

Na horticultura, desenvolvimentos recentes incluem um ‘robô explorador’ equipado com câmeras de imagem no infravermelho próximo para detectar oídio e análise de imagem para prever a produção de botões e flores, e o IRIS Scout Robot. Existe um sistema de monitoramento remoto de pragas, usando aprendizado de máquina (ML) para realizar uma análise de imagem de armadilhas de feromônio, e um grande número propondo drones e imagens de satélite, como base para a gestão futura da cultura.

Uso mais generalizado de aplicativos de smartphone para escanear fotos em busca de sinais de pragas e doenças, frequentemente apresentado como pronto, ou quase pronto para uso no horário nobre.

Muitos ouviram que a análise de imagens do Google agora é melhor do que humanos para reconhecer cães e gatos em imagens, ou que na pesquisa do câncer de mama, a análise de imagem AI agora detecta câncer em mamografias com mais eficiência e precisão do que radiologistas especialistas. Então, certamente, usar a análise de imagens para identificar pragas e doenças nas colheitas em fotos tiradas com um smartphone não pode estar tão longe. Não tão rápido.

A realidade pinta um quadro menos róseo

Os esforços para usar a tecnologia de reconhecimento de imagem em smartphones ficam aquém da promessa de fornecer uma visão granular e uma visão geral acionável de fazendas e estufas.

Conforme destacado em um recente Artigo da Scientific American , as estatísticas usadas para apresentar o quão bem a análise de imagens funciona são freqüentemente enganosas. O ‘teste de emparelhamento’ mais comum, que testa a capacidade de comparar duas imagens e indicar qual das duas tem alguma praga ou doença, fornece porcentagens muito mais altas de precisão do que uma análise de várias imagens, sem saber se alguma das culturas tem a praga ou doença.

O uso de resultados imprecisos ou distorcidos obtidos da IA ​​como base para o controle de pesticidas pode causar mais danos do que benefícios, conforme ilustrado pela questão dos falsos positivos.

Vamos imaginar um sistema de imagem dando um falso positivo para praga em apenas cinco por cento das vezes, uma figura muito conservadora, mesmo pelas alegações de precisão de qualquer aplicativo atual. Em um campo cheio de praga, isso não seria um problema, mas agora vamos pegar um campo que não tenha nenhuma ocorrência da doença. Se você pegou 2, 000 imagens nesse campo você obteria 100 resultados positivos!

O fazendeiro age sobre este resultado, ou inspecione os 100 locais “positivos” para verificar se eles realmente têm esse problema? Multiplique isso por outras pragas e doenças que o sistema de análise de imagem também está verificando e talvez tenha taxas de falso-positivo ainda mais altas para, e você tem o funcionamento de um pesadelo prático. Quanto maior o número de falsos positivos, mais recursos são necessários para conduzir a verificação independente dos resultados - o que significa que todos os ganhos da automação são perdidos.

Máquina versus humano

Essa abordagem também precisa ser contextualizada. Estudos comparando situações em que existe IA ou nenhuma tecnologia de reconhecimento de plantações não apresentam um quadro realista, porque em alguns casos já existe um sistema em vigor, o que ajuda a registrar e analisar dados coletados por batedores humanos.

No caso de pesquisa do câncer de mama, como os tumores não são visíveis ao olho humano, os médicos e a IA estão olhando para a mesma imagem. Em uma estufa, Contudo, a análise de imagens é muito menos eficaz do que a atenção humana aos detalhes. Um batedor pode mover a cabeça e virar as folhas para ver um problema de vários ângulos e com uma lupa

Aumentando as habilidades humanas com a tecnologia móvel - smartphones tornar as pessoas mais espertas

Fazendas e estufas ainda precisam de gente para andar, abra o dossel da colheita, vire as folhas e use uma lupa quando necessário. Isso requer tecnologias que permitem que os olheiros façam seus trabalhos com mais precisão, mais rápido e com um resultado maior.

Os smartphones continuarão a ser a chave - mas não principalmente como uma ferramenta de IA. Um uso mais realista e comprovado de aplicativos móveis é para coleta e mapeamento de dados. Em vez de usar smartphones para tirar fotos para análise de IA, os gerentes de proteção de safras devem capacitar os olheiros para usar suas habilidades de inspeção e registrar os resultados à medida que avançam.

O treinamento desempenha um papel importante. Identificação correta e eliminação de pragas e doenças, conhecimento profundo do protocolo de amostragem e da técnica para acelerar o processo, são necessários para harmonizar o desempenho e a precisão dos batedores em toda a fazenda. Essa é a chave para o sucesso.

A IA pode ajudar a orientar os batedores a identificar corretamente pragas ou doenças desconhecidas, mas a maior parte do scouting consiste em manter o controle da distribuição de um conjunto bem conhecido de pragas e doenças.

Mapeamento digital e tecnologias de reconhecimento permitem que os humanos colham novos insights

Se juntarmos os dados registrados por olheiros com informações geográficas, os resultados criam conjuntos de dados, fornecendo uma trilha de auditoria clara para rastreabilidade e opções de visualização de dados, como mapas digitais, tabelas e gráficos - e outra ajuda adicional para identificar facilmente problemas e padrões únicos e recorrentes e quaisquer falsos positivos.

O mapeamento digital é onde a tecnologia de detecção de pragas e doenças encontra a experiência humana para otimizar os resultados. Na Scarab Solutions, vemos isso todos os dias. Os clientes usam soluções de mapeamento e reconhecimento de pragas e doenças da colheita do Scarab Precision para fornecer uma base sólida para localizar pontos críticos de infestação, determine o uso correto de pesticida ou agente de controle biológico e reduza as perdas da safra por meio de um gerenciamento melhorado da fazenda.

Conforme os conjuntos de dados crescem, os gerentes de proteção de safras podem, em alguns casos, comparar os números de pragas e doenças em sua região, usando dados anônimos de outras fazendas.

Ainda não é hora de a IA brilhar, mas sempre precisaremos do toque humano

Embora a análise de imagens baseada em IA continue a ser um ponto de discussão na indústria, a tecnologia tem um longo caminho a percorrer antes de produzir produtos confiáveis, casos de uso precisos e acionáveis. Hoje, Rastreamento por GPS, As ferramentas móveis de coleta e interpretação de dados são as soluções de tecnologia mais eficazes e lucrativas para o manejo de pragas e doenças nas lavouras.

À medida que a horticultura passa por uma transformação tecnológica, a inteligência artificial não deve ser vista como um substituto para os processos existentes, mas como uma extensão da inteligência humana. A análise de imagem baseada em IA virá com drones e robôs em alguns ambientes, mas essa é uma história para outro dia.