Remotely piloted aircraft and computer vision applied to coffee growing management

Abstract

Digital and precision agriculture technologies used in coffee farming have gained space and have become necessary in many coffee production stages. Among the emerging technologies, the Remotely Piloted Aircraft (RPA) can be highlighted because their products can be used as data providers for machine learning techniques and automated monitoring forms. This study aimed to apply cartographic and photogrammetric products from RPAs submitted to machine learning techniques and image analysis in digital and precision coffee farming. Three types of research were built: Application of RPA cartographic products for the coffee plant implantation project; Identification and counting of plants in PRA images and Investigations of plants development in renewal areas. (I)The first study evaluated different flight mission composition efficiency and point cloud levels for Digital Terrain Models generation applied in coffee plantations. Flights performed at 120 m Above Ground Land (AGL) and 80 × 80% overlap showed higher assertiveness and efficiency. The 90 m AGL flight showed great terrain detail, causing significant surface differences concerning the topography obtained by Global Navigation Satellite System (GNSS) receivers. Slope ranges up to 20% are considered reliable for precision coffee growing projects. Changes in flight settings and image processing are satisfactory for precision coffee projects. Image overlap reduction significantly lowed the processing time without influencing Digital Terrain Model DTM's quality. (II) The second research aimed to develop an algorithm for automatic counting coffee plants and define the plant's best age to carry the monitoring using RPA images. Plants with four months of development showed 86.5% count assertiveness. The best results were observed in plantations with six months of development, presenting an average of 96.8% of assertiveness in automatically counting plants. This analysis enables an algorithm development for automated counting of coffee plants through RGB images obtained by remotely piloted aircraft and machine learning applications. (III) The objective of the third research was to monitor the coffee plants' development planted on ash from crop residues through vegetative indices in RPA images, analysis of chemical elements presents in the ash and soil analysis. Preliminary results indicate the high presence of aluminum and potassium in the ash, causing significant differences in coffee development beginning. In addition, variations were observed in vegetative indices values in regions with ash presence, highlighting the NGI and NNIRI indices. The research developed by this paper provides essential information for digital agriculture technologies advancement in coffee growing.

O uso de tecnologias de agricultura digital e de precisão tem ganhado espaço, se tornando cada vez mais necessárias em diversas etapas da produção cafeeira. Entre as tecnologias emergentes pode-se destacar o uso de Aeronaves Remotamente Pilotadas (ARPs). Pois seus produtos podem ser utilizados como fornecedores de dados para técnicas de aprendizado de máquinas e formas automatizadas de monitoramento. Neste estudo, objetivou-se aplicar produtos cartográficos e fotogramétricos oriundos de ARPs submetidos a técnicas de aprendizado de máquinas e análises de imagens em cafeicultura digital e de precisão. Foram construídos três tipos de pesquisa: Aplicação de produtos cartográficos provenientes de imagens de ARP para projeto de implantação do cafeeiro; Identificação e contagem de plantas em imagens de ARPs; Investigações acerca do desenvolvimento de plantas em áreas de renovação. (I) No primeiro estudo foram avaliados a eficiência de diferentes composições de missão de voo e níveis de nuvem de pontos para geração de Modelos Digitais de Terreno aplicados em cafeicultura. Voos realizados a 120 m de altura e 80 × 80% de sobreposição apresentaram maior assertividade e eficiência. O voo de 90 m de altura apresentou alto detalhamento do terreno, causando diferenças significativas de superfície em relação à topografia obtida pelo Sistema Global de Navegação por Satélite (GNSS). Faixas de inclinação de até 20% são consideradas confiáveis para projetos de cultivo de café de precisão. Mudanças nas configurações de voo e no processamento de imagens são satisfatórias para projetos de café de precisão. A redução de sobreposição de imagem diminuiu significativamente o tempo de processamento sem influenciar a qualidade do Modelo Digital de Terreno (MDT). (II) Na segunda pesquisa, objetivou-se desenvolver um algoritmo para contagem automática de plantas de café e definir a melhor idade da planta para realizar o monitoramento por meio de imagens ARP. Plantas com três meses de desenvolvimento apresentaram 86,5% de assertividade na contagem. Os melhores resultados foram observados em plantios com seis meses de desenvolvimento, apresentando uma média de 96,8% de assertividade na contagem automática de plantas. Essa análise possibilita o desenvolvimento de um algoritmo para contagem automatizada de plantas de café por meio de imagens RGB obtidas por aeronaves pilotadas remotamente e aplicativos de aprendizado de máquina. (III) O objetivo da terceira pesquisa foi monitorar o desenvolvimento das plantas de café plantadas sobre cinzas de restos culturais por meio índices vegetativos em imagens de ARPs, considerando analises de elementos químicos presentes na cinza e analises de solo. Resultados indicam a presença elevada de alumínio e potássio nas cinzas, provocando diferenças significativas no início do desenvolvimento do cafeeiro. Além disso foram observadas variações nos valores de índices vegetativos em regiões com presença de cinzas, destacando os índices NGI e NNIRI. As pesquisas desenvolvidas nesta tese fornecem informações importantes para o avanço de tecnologias de agricultura digital em cafeicultura.