Vigilância e deteção precoce de agentes patogénicos dos citrinos por reconhecimento de imagens: Projeto DronFruit II

O Grupo Operacional Andaluz 'DronFruit II' foi criado na sequência do GO DronFruit I, que durante três anos trabalhou no desenvolvimento e validação de um sistema de deteção e contagem de laranjas utilizando imagens RGB obtidas por drones em combinação com um modelo de IA baseado em redes neuronais artificiais. As contagens foram utilizadas para efetuar estimativas de medição automática (Figura 1). O modelo desenvolvido superou o técnico em termos de precisão nos três anos avaliados, registando um erro médio de apenas 7,22% em comparação com 13,74% para o técnico.

No setor agroalimentar, estamos a assistir a uma revolução impulsionada pelo avanço de novos processos, tecnologias e competências. Isto levou à criação e imaginação de serviços digitais inovadores, especialmente concebidos para um setor tão caraterístico como o agrícola.

No nosso grupo de investigação, Smart BioSystem Lab (http://smartbiosystemlab.com), estamos firmemente convencidos de que, utilizando todas as ferramentas disponíveis, podemos alcançar uma intensificação sustentável da agricultura que respeite o ambiente e aumente a eficiência.

Figura 1. Fluxo de trabalho do algorítmo. Imagem da entrada do modelo (A), saída do modelo com deteções (B) e detalhe das deteções (C). Note-se como o valor da probabilidade é apresentado e como algumas laranjas não são detetadas devido a um elevado grau de oclusão por outros frutos.

A utilização de câmaras térmicas, RGB e multiespectrais integradas em drones, complementadas por modelos de inteligência artificial, provou ser eficaz tanto na investigação como em aplicações comerciais específicas. Através da iniciativa do projeto GO DronFruit II, pretendemos levar estes avanços um pouco mais longe, facilitando a identificação precoce de agentes patogénicos e de stress nas culturas agrícolas. Este projeto visa a criação de um serviço ligado às principais cooperativas agro-alimentares de citrinos da província de Sevilha, com o objetivo de reforçar a proteção fitossanitária dos citrinos através de tecnologias de precisão.

Os drones podem sobrevoar áreas agrícolas e recolher informações pormenorizadas sobre o estado das culturas de forma rápida e eficiente. Equipados com câmaras multiespectrais, os drones podem captar informações invisíveis ao olho humano, permitindo a deteção de potenciais problemas de patologia das culturas sem a necessidade de detetar sintomas visuais (Deng et al., 2018). Esta capacidade de monitorização remota em tempo real torna os drones uma ferramenta poderosa para os agricultores, permitindo-lhes tomar decisões informadas e rápidas para proteger as suas culturas.

Mas o verdadeiro avanço vem com a inteligência artificial (IA) e, em particular, com a aprendizagem profunda (DL). Termos cunhados nas décadas de 1950 e 1980, respetivamente, e com avanços significativos desde a década de 2000 (McCarthy et al., 2006; Hinton et al., 2006; LeCun et al., 2015). O aumento da capacidade de computação, especialmente com o desenvolvimento de unidades de processamento gráfico (GPU) e de unidades de processamento tensorial (TPU), permitiu o desenvolvimento de novos algoritmos de IA e de técnicas de DL que melhoraram a capacidade de aprendizagem dos computadores, o que favoreceu a adoção desta tecnologia em vários domínios, como a saúde, as finanças, o comércio eletrónico, a educação, entre muitos outros.

No setor agrícola, está a revolucionar a forma como as culturas são monitorizadas e geridas, permitindo a análise e o processamento de grandes quantidades de dados de uma forma rápida e eficiente, fornecendo um apoio essencial à tomada de decisões. As aplicações mais interessantes da IA no setor agrícola incluem a otimização da irrigação e da fertilização, uma vez que tem a capacidade de analisar grandes quantidades de dados de várias fontes e fornecer recomendações para estratégias de irrigação e fertilização (Talaviya et al., 2020).

Estas técnicas permitem igualmente prever o rendimento e a qualidade das culturas, melhorando o planeamento das operações de campo (Apolo-Apolo et al., 2020), ou a deteção precoce de agentes patogénicos e de stress nas culturas. Ao utilizar imagens RGB ou multiespectrais e/ou dados de sensores, a IA permite a deteção e classificação precisas de agentes patogénicos e tensões, impedindo a sua propagação e minimizando os danos (Nguyen et al., 2021).

Em Espanha, a diversidade climática e geográfica deu origem a uma grande variedade de culturas, algumas das mais importantes do ponto de vista económico e cultural. Destacam-se os cultivos de oliveiras, vinhas, cereais, frutas e legumes. No entanto, entre todas elas, a cultura da laranjeira ocupa um lugar de relevo significativo. A indústria dos citrinos em Espanha tem uma longa tradição e representa uma parte importante da economia agrícola do país, com extensas áreas de cultivo distribuídas principalmente em regiões como Valência, Andaluzia e Múrcia. É precisamente devido a esta importância económica e à vulnerabilidade das laranjeiras a vários agentes patogénicos e stressantes que esta linha de trabalho está no centro da investigação.

Atualmente, de acordo com dados do Ministério da Agricultura, Pescas e Alimentação (MAPA), são cultivados em Espanha 150.716 hectares de laranjeiras, o que representa 10,7% da área total de cultivo de laranjeiras na UE. Além disso, em 2022, este país atingiu uma produção de 2895 toneladas, o que representa 35,2 % da produção total da UE. Estes números fazem de Espanha o sexto país com maior produção de laranjas do mundo e realçam a importância económica e cultural desta cultura (MAPA, 2022).

Entre os principais desafios que se colocam à cultura da laranja em Espanha, destacam-se a presença de vários agentes patogénicos, como o cotonet (Planococcus citri), o ácaro vermelho (Panonychus citri), a antracnose (Colletotrichum spp.) ou a podridão aquosa e/ou castanha e do colo (Phytophthora spp.), e os stresses que podem afetar a sua saúde e rendimento, sendo um dos mais significativos o Phytophthora spp. especialmente em plantações jovens. A podridão radicular ou do colo é uma doença fúngica que ataca as raízes e a base do caule ou tronco das laranjeiras, prejudicando a capacidade da planta de absorver nutrientes e água. Este agente patogénico pode provocar a murchidão, a desfoliação e mesmo a morte da árvore. O principal problema reside na dificuldade de deteção precoce da presença de Phytophthora spp. nas plântulas de laranja. A ausência de sintomas óbvios nas fases iniciais da infeção dificulta a identificação precoce, permitindo que a doença se propague silenciosamente e cause danos consideráveis antes de ser detetada.

Perante este problema, o nosso grupo de investigação está a desenvolver um trabalho centrado na deteção precoce de Phytophthora spp. em raízes e caules (Figura 2), utilizando tecnologias avançadas como a visão por computador e a captura de imagens multiespectrais com drones equipados com tecnologia RTK.

Figura 2. a) Sintoma visível de Phytophthora spp. no caule de mudas de laranja; b) Desfolha causada por Phytophthora spp. em estágio intermediário.

Utilizando o Mavic 3 multiespectral (Figura 3), foram obtidas mais de 500 imagens multiespectrais nas bandas NIR, Red Edge, Red, Green e RGB de uma plantação de mudas de laranjeira Navelina com dois anos de idade localizada na província de Sevilha. Após uma primeira análise e processamento dos dados, foi implementado um modelo DL de fase única para efetuar o processamento.

Figura 3. Drone multiespectral Mavic 3.

A Figura 4 ilustra claramente a segmentação e classificação eficazes das copas das árvores. Os dados iniciais indicam um nível de precisão de 94,3% e uma sensibilidade de 87,1%, com um mAP50 de 68,6% para as operações de segmentação e classificação. Estes valores indicam uma boa capacidade do sistema para discriminar, de forma fiável, entre árvores saudáveis e árvores infetadas pelo agente patogénico Phytophthora spp. e reafirmam a eficácia do método para a identificação e monitorização do estado fitossanitário das culturas.

Estamos a ver resultados preliminares no desenvolvimento de um serviço pioneiro a nível cooperativo, concebido para ajudar os técnicos no terreno. Este serviço promete aumentar a precisão na tomada de decisões sobre intervenções fitossanitárias, permitindo uma ação proativa antes de os sintomas da doença serem visivelmente detetáveis nas plantas.

Figura 4. Segmentação e classificação de Phytophthora spp. na faixa do Red Edge.

Agradecimentos

Este trabalho é possível graças ao projeto 'DronFruit 2 - Serviço de monitorização fitossanitária de citrinos utilizando drones e inteligência artificial', ficheiro GOPG-SE-20-0007, financiado pela Medida 16 do Programa de Desenvolvimento Rural da Andaluzia 2014-2020, incluído na operação dos Grupos Operacionais da Parceria Europeia de Inovação (PEI) no domínio da produtividade e sustentabilidade agrícola (operação 16.1.2) cofinanciado pela União Europeia através do fundo FEADER (90%) e pela Junta de Andalucía (10%).

Referências

Apolo-Apolo, O. E., Martínez-Guanter, J., Egea, G., Raja, P., & Pérez-Ruiz, M. (2020). Deep learning techniques for estimation of the yield and size of citrus fruits using a UAV. European Journal of Agronomy, 115, 126030.

Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., & Yan, Y. (2018). UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras. ISPRS journal of photogrammetry and remote sensing, 146, 124-136.

FAO, 2017. El future de la alimentación y la agricultura: Tendencias y desafíos. https://www.fao.org/3/i6583e/i6583e.pdf

Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast-learning algorithm for deep belief nets. Neural computation, 18(7), 1527-1554.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.

MAPA, 2022. Encuesta sobre Superficies y Rendimientos Cultivos (ESYRCE). Encuesta de Marco de Áreas de España. https://www.mapa.gob.es/es/estadistica/temas/estadisticas-agrarias/agricultura/esyrce/

McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (2006). A proposal for the dartmouth summer research project on artificial intelligence, august 31, 1955. AI magazine, 27(4), 12-12.

Nguyen, C., Sagan, V., Maimaitiyiming, M., Maimaitijiang, M., Bhadra, S., & Kwasniewski, M. T. (2021). Early detection of plant viral disease using hyperspectral imaging and deep learning. Sensors, 21(3), 742.

ONU, 2023. Informe de los Objetivos de Desarrollo Sostenible 2023: Edición especial. https://www.un.org/sustainabledevelopment/es/

Talaviya, T., Shah, D., Patel, N., Yagnik, H., & Shah, M. (2020). Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture, 4, 58-73