Experimento com imagens aéreas de soja e algodão indica que poucas amostras identificadas da nova área podem ser suficientes para adaptar modelos de inteligência artificial usados no monitoramento de plantas daninhas
Um novo estudo sobre agricultura digital mostrou que uma inteligência artificial treinada para encontrar invasoras pode ser adaptada a uma nova lavoura utilizando uma quantidade surpreendentemente pequena de informações. Em um dos cenários avaliados pelos pesquisadores, o modelo recebeu somente 25 imagens previamente identificadas do ambiente de destino e apresentou desempenho superior ao obtido com uma técnica de adaptação automática mais complexa.
A pesquisa avaliou justamente um obstáculo que ainda limita a expansão da inteligência artificial no campo: fazer um sistema treinado em determinada propriedade continuar funcionando quando passa a enxergar outra cultura, outro solo e condições visuais diferentes.
Os testes utilizaram imagens de lavouras de soja e algodão obtidas por drones, permitindo medir o quanto do conhecimento adquirido em uma área poderia ser aproveitado em outra.
Poucas imagens ajudaram a IA a encontrar invasoras
Em vez de desenvolver um novo detector para cada lavoura, os pesquisadores partiram de modelos que já haviam aprendido a reconhecer plantas daninhas em outro conjunto de imagens.
Na transferência de conhecimento do algodão para a soja, a simples utilização do modelo original apresentou resultado de 57,8 pontos na métrica mAP@50, indicador bastante usado para avaliar sistemas de detecção de objetos.
A equipe então forneceu pequenas amostras da nova área ao algoritmo.
Com cinco imagens rotuladas da soja, o desempenho alcançou 66,7 pontos. Com dez, avançou para 70,8. Quando o ajuste utilizou 25 exemplos, o resultado chegou a 80,0 mAP@50.
O experimento mostra que, pelo menos quando existe alguma compatibilidade entre os ambientes analisados, uma pequena quantidade de dados locais pode melhorar consideravelmente a capacidade de reconhecimento do sistema.
Estratégia simples superou adaptação automática
Os pesquisadores também compararam o ajuste com exemplos rotulados a métodos de adaptação de domínio que tentam transportar o conhecimento de um conjunto de imagens para outro sem depender de novas marcações manuais.
A melhor configuração não supervisionada testada chegou a 50,3 mAP@50 no cenário de transferência do algodão para a soja, abaixo inclusive do modelo aplicado diretamente sem esse tipo de adaptação.
O contraste chama atenção porque essas técnicas costumam envolver estruturas computacionais mais elaboradas.
No experimento, apresentar algumas imagens corretamente identificadas da nova lavoura foi mais eficiente do que deixar o sistema tentar compensar sozinho as diferenças entre os dois ambientes.
Para aplicações agrícolas, isso pode representar uma vantagem prática. Em vez de criar enormes bancos de dados específicos para cada propriedade, seria possível partir de um modelo já existente e fazer pequenos ajustes antes de colocá-lo em operação.
Resultado muda quando as lavouras são muito diferentes
Os autores, porém, encontraram um limite claro para essa estratégia.
Quando fizeram o caminho inverso e tentaram levar um modelo desenvolvido com imagens da soja para o algodão, o desempenho permaneceu baixo.
Sem ajuste local, o sistema registrou apenas 7,5 mAP@50. Mesmo utilizando 25 imagens do novo ambiente, o indicador chegou a 9,4, enquanto um modelo treinado diretamente com o conjunto de algodão alcançou 37,4.
Essa diferença mostra que não existe uma regra segundo a qual 25 exemplos sejam suficientes para qualquer situação.
A capacidade de transferência depende de características como aparência das plantas, tamanho dos objetos nas fotografias, estágio de desenvolvimento da cultura, condições do terreno e padrão das imagens produzidas pelo drone.
Quanto maior a diferença entre a área usada originalmente no treinamento e aquela onde o modelo será aplicado, maior tende a ser a dificuldade de reaproveitar o conhecimento já adquirido.
Drones ampliam capacidade de encontrar invasoras
O avanço desse tipo de tecnologia interessa especialmente à agricultura de precisão.
Um drone pode percorrer grandes áreas em pouco tempo e gerar imagens detalhadas da lavoura. Depois, algoritmos de visão computacional analisam esse material para localizar plantas que destoam da cultura principal.
A identificação espacial das invasoras permite transformar as imagens em informações úteis para o manejo. Entre as possibilidades estão mapear focos de infestação, direcionar inspeções e apoiar aplicações localizadas de herbicidas.
Essa abordagem ganha importância à medida que aumenta a preocupação com resistência a defensivos, custos de produção e necessidade de utilizar insumos de maneira mais eficiente.
O desafio é fazer os algoritmos continuarem confiáveis quando saem da área onde foram desenvolvidos. Uma invasora fotografada sob determinada iluminação ou altitude pode apresentar características diferentes em outro talhão, mesmo quando pertence à mesma espécie.
Menos rotulagem pode reduzir uma das barreiras da IA agrícola
Criar bancos de dados para visão computacional exige trabalho manual.
Para ensinar um detector, especialistas precisam indicar nas imagens onde estão as plantas que o sistema deve reconhecer. Multiplicada por centenas ou milhares de fotografias, essa etapa pode se tornar uma das partes mais demoradas de um projeto.
É justamente aí que o resultado do novo trabalho pode ter impacto econômico.
Se modelos previamente desenvolvidos puderem ser ajustados a determinadas propriedades utilizando dezenas, em vez de milhares, de novas imagens, projetos de monitoramento com inteligência artificial podem se tornar mais simples de implantar.
Isso não elimina a necessidade de coleta de dados nem transforma um único sistema em uma ferramenta universal. O que o estudo demonstra é que nem sempre uma nova condição de campo exige reconstruir todo o treinamento do início.
A próxima etapa será entender quais características tornam duas lavouras suficientemente semelhantes para permitir esse reaproveitamento.
VEJA MAIS:
ℹ️ Conteúdo publicado pela estagiária Ana Gusmão sob a supervisão do editor-chefe Thiago Pereira
Quer ficar por dentro do agronegócio brasileiro e receber as principais notícias do setor em primeira mão? Para isso é só entrar em nosso grupo do WhatsApp (clique aqui) ou Telegram (clique aqui). Você também pode assinar nosso feed pelo Google Notícias
Não é permitida a cópia integral do conteúdo acima. A reprodução parcial é autorizada apenas na forma de citação e com link para o conteúdo na íntegra. Plágio é crime de acordo com a Lei 9610/98.
