Tirar partido do Ultralytics YOLO11 e da deteção de objectos para o controlo de pragas

Abirami Vina

3 min ler

2 de janeiro de 2025

Saiba como as capacidades de deteção de objectos do YOLO11 permitem aplicações como a deteção e gestão de pragas, transformando a agricultura inteligente para colheitas mais saudáveis.

Para os agricultores, as culturas representam mais do que apenas uma fonte de rendimento - são o resultado de meses de trabalho árduo e dedicação. No entanto, as pragas podem rapidamente transformar esse trabalho árduo em perdas. Os métodos tradicionais de controlo de pragas, como as inspecções manuais e a utilização generalizada de pesticidas, são muitas vezes insuficientes. Isto, por sua vez, leva ao desperdício de tempo, capital e recursos, bem como a culturas danificadas, rendimentos reduzidos e custos crescentes. Com a previsão de que o mercado de controlo de pragas atinja 32,8 mil milhões de dólares até 2028, as melhores soluções são mais importantes do que nunca.

É aí que tecnologias como a inteligência artificial (IA) e a visão por computador podem intervir e ajudar. Os avanços de ponta estão a mudar a forma como os agricultores lidam com as pragas, e os modelos de visão por computador como o Ultralytics YOLO11 estão a liderar o caminho. Utilizando imagens e vídeos, o YOLO11 pode analisar as culturas para detetar pragas precocemente, evitar danos e permitir uma agricultura precisa e eficiente. Essas soluções de agricultura inteligente resultam em economia de tempo, redução de desperdício e rendimentos protegidos.

Neste artigo, vamos explorar como o YOLO11 pode redefinir o controlo de pragas, as suas caraterísticas avançadas e os benefícios que traz para tornar a agricultura mais inteligente e mais eficiente.

Utilização de tarefas de visão computacional como a deteção de objectos para a deteção de pragas

O controlo tradicional de pragas pode parecer uma corrida contra o tempo. As inspecções manuais são lentas, exigem muito trabalho e normalmente só detectam os problemas depois de os danos estarem feitos. Nessa altura, as pragas já se espalharam, causando perdas de colheitas e desperdício de recursos. Estudos mostram que as pragas destroem entre 20% a 40% da produção agrícola mundial todos os anos.

A IA de visão oferece uma nova abordagem para resolver este problema. As câmaras de IA de alta resolução integradas com visão por computador podem ser utilizadas para monitorizar as culturas 24 horas por dia e detetar pragas. A deteção precoce ajuda os agricultores a deter rapidamente as pragas antes que estas possam causar danos significativos.

__wf_reserved_inherit
Fig. 1. Um exemplo de visão por computador que identifica parasitas difíceis de detetar a olho nu.

O YOLO11 suporta tarefas de visão por computador, como a deteção de objectos, que pode ser utilizada para identificar pragas em imagens ou vídeos, e a classificação de imagens, que as categoriza, ajudando os agricultores a monitorizar e a resolver problemas de pragas de forma mais eficaz. Os agricultores podem até treinar o YOLO11 de forma personalizada para reconhecer pragas específicas que ameaçam os seus campos.

Por exemplo, um produtor de arroz no Sudeste Asiático pode ter de lutar contra a cigarrinha-das-pastagens, uma praga importante conhecida por causar danos às culturas de arroz na região. Entretanto, um produtor de trigo na América do Norte pode estar a lutar contra pragas como os pulgões ou as moscas-serra do caule do trigo, que são conhecidas por reduzirem o rendimento do trigo. Esta flexibilidade torna o YOLO11 adaptável aos desafios específicos de diferentes culturas e regiões, oferecendo soluções personalizadas de controlo de pragas.

Compreender as funcionalidades de última geração do YOLO11

Poderá estar a perguntar-se, com tantos modelos de visão por computador disponíveis, o que torna o YOLO11 tão especial? O YOLO11 destaca-se por ser mais eficiente, preciso e versátil do que as versões anteriores do modelo YOLO. Por exemplo, o YOLO11m atinge uma maior precisão média (mAP) - uma medida da exatidão com que o modelo detecta objectos - no conjunto de dados COCO, enquanto utiliza menos 22% de parâmetros. Os parâmetros são essencialmente os blocos de construção que um modelo utiliza para aprender e fazer previsões, pelo que menos parâmetros significam que o modelo é mais rápido e mais leve. Este equilíbrio entre velocidade e precisão é o que faz com que o YOLO11 se destaque.

__wf_reserved_inherit
Fig. 2. O Ultralytics YOLO11 tem um desempenho melhor do que os modelos anteriores.

Além disso, o YOLO11 suporta uma vasta gama de tarefas, incluindo segmentação de instâncias, rastreio de objectos, estimativa de pose e deteção de caixas delimitadoras orientadas - tarefas com as quais os utilizadores do Ultralytics YOLOv8 já estarão familiarizados. Estas capacidades, combinadas com a facilidade de utilização do YOLO11, tornam possível a implementação rápida e eficaz de soluções para identificar, seguir e analisar objectos em várias aplicações, tudo isto sem uma curva de aprendizagem acentuada.

Além disso, o YOLO11 é optimizado para dispositivos de ponta e plataformas de nuvem, garantindo um desempenho perfeito, independentemente das restrições de hardware. Quer seja utilizado em condução autónoma, agricultura ou automação industrial, o YOLO11 fornece resultados rápidos, precisos e fiáveis, tornando-o uma excelente escolha para aplicações de visão computacional em tempo real.

Um olhar mais atento à formação personalizada YOLO11

Então, como é que o treino personalizado YOLO11 funciona realmente? Considere um agricultor que lida com escaravelhos que ameaçam as suas colheitas. Ao treinar o YOLO11 num conjunto de dados de imagens rotuladas que mostram escaravelhos em diferentes cenários, o modelo aprende a reconhecê-los com precisão. Isto permite ao agricultor criar uma solução personalizada para o seu problema específico de pragas. A capacidade do YOLO11 de se adaptar a diferentes pragas e regiões dá aos agricultores uma ferramenta fiável para proteger as suas culturas.

__wf_reserved_inherit
Fig. 3. O YOLO11 pode ser utilizado para detetar com precisão os escaravelhos para um controlo orientado das pragas.

Eis como um agricultor pode treinar o YOLO11 para detetar escaravelhos:

  • Recolher o conjunto de dados: O primeiro passo é recolher dados ou encontrar um conjunto de dados pré-existente, incluindo imagens de escaravelhos em culturas e imagens sem escaravelhos para comparação.
  • Rotular os dados: Para os dados recolhidos, cada imagem pode ser etiquetada utilizando uma ferramenta como o Roboflow, desenhando caixas delimitadoras à volta dos escaravelhos e atribuindo-lhes a etiqueta "beetle". Se for utilizado um conjunto de dados pré-existente, este passo pode ser ignorado, uma vez que as anotações já são normalmente fornecidas.
  • Treinar o modelo: O conjunto de dados rotulados pode então ser utilizado para treinar o YOLO11, afinando o modelo para se concentrar especificamente na deteção de escaravelhos.
  • Testar e validar: O modelo treinado pode ser avaliado utilizando um conjunto de dados de teste e métricas de desempenho como a precisão e o mAP para verificar a exatidão e a fiabilidade.
  • Implementar o modelo: Quando o modelo estiver pronto, pode ser implementado em drones, dispositivos de ponta ou câmaras no campo. Estas ferramentas podem analisar as transmissões de vídeo em tempo real para detetar precocemente os escaravelhos e ajudar o agricultor a tomar medidas específicas.

Ao seguir estes passos, os agricultores podem criar uma solução personalizada de controlo de pragas, reduzindo a utilização de pesticidas, poupando recursos e protegendo as suas culturas de uma forma mais inteligente e sustentável.

Aplicações de deteção de pragas com visão computacional

Agora que já percorremos as funcionalidades do YOLO11 e a forma como pode ser treinado à medida, vamos explorar algumas das aplicações interessantes que permite.

Classificação de doenças das plantas utilizando YOLO11

A classificação das doenças das plantas e a deteção de pragas estão intimamente ligadas, e ambas são fundamentais para manter as culturas saudáveis. O YOLO11 pode ser utilizado para enfrentar ambos os desafios através das suas capacidades avançadas de deteção de objectos e classificação de imagens.

Por exemplo, digamos que um agricultor está a lidar com pulgões e oídio nas suas culturas. O YOLO11 pode ser treinado para detetar pulgões, que podem ser visíveis na parte inferior das folhas, ao mesmo tempo que identifica os primeiros sinais de oídio, uma doença fúngica que causa manchas brancas e pulverulentas nas superfícies das plantas.

__wf_reserved_inherit
Fig. 4. Como os afídeos e o oídio ocorrem em conjunto. Imagem do autor.

Uma vez que as infestações de pulgões enfraquecem frequentemente a planta e criam condições para a doença, a deteção simultânea de ambas permite ao agricultor tomar medidas precisas, tais como a aplicação de tratamentos adequados nas áreas afectadas. 

Seguimento dos movimentos das pragas para evitar a sua propagação

Saber onde estão as pragas é importante, mas compreender como se deslocam pode ser igualmente fundamental. As pragas não ficam num só lugar - espalham-se e muitas vezes causam mais danos pelo caminho. Com o rastreio de objectos, o YOLO11 pode captar mais do que um único momento no tempo. Pode seguir o movimento de pragas em vídeos, ajudando os agricultores a ver como as infestações crescem e se espalham.

Por exemplo, imagine um enxame de gafanhotos a deslocar-se por um campo de trigo. Os drones equipados com YOLO11 podem seguir o movimento do enxame em tempo real, identificando as áreas de maior risco. Com esta informação, os agricultores podem atuar rapidamente, aplicando tratamentos específicos ou criando barreiras para parar o enxame antes que cause demasiados danos. A capacidade de rastreio do YOLO11 dá aos agricultores as informações de que necessitam para evitar que as infestações aumentem.

__wf_reserved_inherit
Fig. 5. Um drone integrado com o YOLO11.

Avaliação da saúde das culturas e deteção de danos causados por pragas

A deteção de pragas e a classificação das doenças das plantas é apenas uma parte da solução. Compreender a extensão dos danos causados por estes factores às culturas é igualmente fundamental. O YOLO11 pode ajudar neste aspeto, fornecendo aos agricultores informações detalhadas sobre a forma como as pragas estão a afetar as suas culturas, utilizando a segmentação de instâncias.

A segmentação de instâncias permite ao YOLO11 delinear exatamente as áreas das culturas que foram danificadas. Isto ajuda os agricultores a ver a extensão total do problema, quer se trate de pequenas manchas nas folhas causadas por doenças ou de secções maiores da planta danificadas por pragas. Com estas informações, os agricultores podem avaliar melhor os danos e tomar decisões mais informadas sobre como lidar com eles.

Benefícios da utilização da IA e do YOLO11 para a deteção de pragas

A deteção e o controlo de pragas não se limitam a parar as infestações; trata-se de adotar uma agricultura inteligente com ferramentas inovadoras como o YOLO11 que vão além dos métodos tradicionais. 

Eis uma breve descrição de alguns dos principais benefícios da utilização do YOLO11 para a deteção de pragas:

  • Sustentabilidade: O controlo de pragas de precisão minimiza o impacto ambiental, evitando aplicações de pesticidas em massa.
  • Informações sobre a saúde das culturas: Para além das pragas, o YOLO11 pode identificar os primeiros sinais de doenças nas plantas, ajudando os agricultores a resolver os problemas de forma proactiva.
  • Implantação escalável: Quer se trate de uma pequena estufa ou de uma quinta em expansão, o YOLO11 pode ser dimensionado para satisfazer as necessidades de diferentes configurações agrícolas.
  • Redução de custos: Ao reduzir o desperdício, a mão de obra e a utilização excessiva de pesticidas, o YOLO11 conduz a reduções de custos significativas a longo prazo.

Como qualquer tecnologia, a IA de visão e as soluções de visão por computador podem ter as suas próprias limitações, tais como lidar com factores ambientais e depender de dados de alta qualidade. O lado positivo disto é que os nossos modelos, como o YOLO11, estão constantemente a ser revistos para proporcionar o melhor desempenho. Com actualizações e melhorias regulares, estão a tornar-se ainda mais fiáveis e adaptáveis para satisfazer as exigências da agricultura moderna.

Colher os benefícios da agricultura inteligente

A gestão de pragas é um desafio, mas a abordagem precoce dos problemas pode fazer toda a diferença. O YOLO11 ajuda os agricultores a identificar rapidamente as pragas e a identificar exatamente onde é necessário agir. Um pequeno problema de pragas pode aumentar rapidamente, mas saber a localização exacta das pragas dá aos agricultores a capacidade de agir com precisão e evitar o desperdício de recursos. 

Em última análise, a IA e a agricultura inteligente estão a tornar a agricultura mais eficiente e sustentável. Ferramentas como a visão computacional e o YOLO11 também podem ajudar os agricultores em tarefas como a monitorização da saúde das plantas e a tomada de melhores decisões com base em dados. Isto significa colheitas mais saudáveis, menos desperdício e práticas agrícolas mais inteligentes - abrindo caminho para um futuro mais resiliente e produtivo na agricultura.

Visite o nosso repositório GitHub para saber mais sobre IA e interagir com a nossa comunidade. Veja como estamos a fazer avançar as inovações em sectores como a IA no fabrico e a visão computacional nos cuidados de saúde.

Vamos construir juntos o futuro
da IA!

Comece a sua viagem com o futuro da aprendizagem automática

Comece gratuitamente
Ligação copiada para a área de transferência