Visão Computacional e Deep Learning em Imagens Aéreas de VANT para Monitoramento Agropecuário Inteligente

Descrição

O agronegócio brasileiro demanda soluções tecnológicas capazes de ampliar a eficiência produtiva, reduzir custos operacionais e apoiar a tomada de decisão no campo. Nesse contexto, os Veículos Aéreos Não Tripulados (VANTs) associados à Visão Computacional e ao Deep Learning (Aprendizado Profundo) têm se destacado como alternativas promissoras para o monitoramento de rebanhos e culturas agrícolas. Este projeto propõe investigar o uso de métodos baseados em aprendizado profundo para análise automática de imagens aéreas RGB obtidas por VANTs, contemplando duas frentes principais: (i) detecção e contagem automática de objetos agropecuários e (ii) estimativa de características morfométricas e peso vivo de bovinos a partir das imagens coletadas. Para isso, pretende-se construir datasets anotados a partir de imagens coletadas em propriedades rurais do estado de Alagoas, considerando diferentes condições ambientais e produtivas. Serão investigadas arquiteturas modernas de Deep Learning, como por exemplo, YOLOv8/v11, Faster R-CNN, Autoencoders Convolucionais Mascarados e modelos CNN-LSTM, buscando analisar desempenho, precisão e aplicabilidade no contexto agropecuário. A partir da detecção de animais e da extração de suas características morfológicas, o projeto também pretende avaliar a viabilidade da estimativa de peso vivo de bovinos obtidas por meio das imagens aéreas. Os modelos desenvolvidos serão avaliados utilizando métricas consolidadas da literatura, como por exemplo, mAP, Precision, Recall, F1-score, RMSE, MAE e AUC-ROC. Espera-se que os resultados obtidos contribuam para ampliar o conhecimento científico sobre aplicações de Inteligência Artificial no agronegócio, além de apoiar futuras pesquisas em agricultura e pecuária de precisão, especialmente no contexto regional do estado de Alagoas.