Aprendizagem em tempo real habilitada para 5G na agricultura sustentável: Um estudo sobre a beterraba sacarina

Temos o prazer de anunciar a conclusão bem-sucedida do projeto “Redes 5G como facilitadoras da aprendizagem em tempo real na agricultura sustentável”, apoiado por financiamento parcial do Ministério de Assuntos Econômicos, Indústria, Ação Climática e Energia do Estado da Renânia do Norte-Vestfália.

Esta iniciativa representa um avanço significativo na exploração do potencial transformador da tecnologia 5G na agricultura, com o objetivo específico de aprimorar os aspectos ecológicos, econômicos e sustentáveis do cultivo da beterraba sacarina.

A tecnologia aproveitou a baixa latência do 5G para integrar sistemas avançados de tecnologia da informação em tempo real, permitindo respostas imediatas a dados de sensores e de posicionamento dentro de prazos predefinidos.

Foco do projeto e parceria

Em colaboração com parceiros da HSHL e com o apoio da Pfeifer & Langen, o projeto focou no estudo de todo o ciclo de vida do cultivo da beterraba sacarina em campos pertencentes aos parceiros. O objetivo era demonstrar como o 5G poderia servir como um catalisador tecnológico fundamental no setor agrícola da Renânia do Norte-Vestfália, evidenciando seu potencial como facilitador da inovação e da eficiência.

Papel da GeoPard Agricultura

A GeoPard Agriculture desempenhou um papel crucial na definição e implementação de aspectos-chave do projeto, incluindo cenários para detecção de plantas, monitoramento e previsão de produção. Desenvolvemos um protótipo de sistema de IA adaptado ao ambiente agrícola 5G, executamos modelos em uma infraestrutura de nuvem e criamos um aplicativo móvel para interação em tempo real com os modelos baseados em nuvem.

Integração Tecnológica

Métodos de inteligência artificial (IA) foram implementados por meio de uma infraestrutura robusta em nuvem com alta capacidade de processamento. Os algoritmos de IA categorizaram as plantas em tempo real durante cada cruzamento e monitoraram seu crescimento ao longo de todo o seu ciclo de vida, eliminando a necessidade de visitas desnecessárias ao campo apenas para coleta de dados.

Esse avanço possibilitou a aplicação precisa de fertilizantes e produtos fitossanitários, ajustando dinamicamente as taxas de aplicação durante as travessias por meio de algoritmos de aprendizado de máquina.

Implantação de veículos não tripulados

Além disso, o projeto utilizou a latência reduzida do 5G para implantar veículos não tripulados para monitoramento de plantas e coleta de dados. Esses veículos desempenharam um papel crucial na obtenção de informações em tempo real e na otimização das práticas agrícolas.

Resultados do projeto: Aprimorando a produção de beterraba sacarina com a tecnologia 5G

O projeto demonstrou como a tecnologia 5G pode servir como um facilitador transformador no setor agrícola da Renânia do Norte-Vestfália, analisando todo o ciclo de vida do cultivo da beterraba sacarina e destacando melhorias substanciais proporcionadas pela tecnologia 5G. No entanto, para demonstrar os resultados do projeto de forma eficiente, os pesquisadores utilizaram pacotes de trabalho contendo diferentes cenários e infraestruturas.

Definição de cenário considerando a infraestrutura existente de geodados e aprendizado de máquina.

O projeto demonstrou como os processos tradicionais dentro do ciclo de produção da beterraba sacarina podem ser aprimorados por meio da integração da tecnologia 5G. Os principais objetivos incluíam:

• Desenvolvemos cenários prontos para implementação para reconhecimento, monitoramento e previsão de produção em plantas.
• Estabeleceram-se os requisitos técnicos necessários para a implementação bem-sucedida desses cenários.
• Identificamos e avaliamos indicadores ecológicos e econômicos relevantes para mensurar o valor agregado trazido pela rede 5G.

Esta fase reforçou o compromisso do projeto em integrar tecnologia de ponta às práticas agrícolas existentes. Essa arquitetura aproveitou a conectividade de alta velocidade da rede 5G para facilitar a coleta e o processamento de dados em tempo real entre dispositivos de borda e a nuvem. A infraestrutura em nuvem forneceu recursos essenciais para o treinamento e a implantação de modelos de IA em larga escala, enquanto a plataforma de IA ofereceu ferramentas robustas para o desenvolvimento e a implantação de modelos. A camada de aplicação apresentou insights acionáveis derivados de modelos de IA aos usuários finais, aprimorando suas capacidades de tomada de decisão.

Aprendizado de máquina e IA no contexto do 5G

O foco desta etapa foi adaptar os sistemas de aprendizado de máquina e IA existentes para se alinharem aos cenários descritos acima, otimizando-os de acordo. Os principais objetivos incluíam:

• Defina os objetivos do sistema e desenvolva a arquitetura do sistema.
• Coletamos dados de referência para treinar e validar modelos de IA.
• Criou-se e anotou-se uma base de dados adequada, concebida para a identificação e monitorização de plantas.
• Modelos de IA integrados perfeitamente na infraestrutura de rede 5G.

Nesta fase, os dispositivos de borda equipados com SIMs de telefonia móvel que utilizam a tecnologia 5G desempenharam um papel crucial. Os principais indicadores de desempenho (KPIs), como latência ou latência de ponta a ponta (E2E), foram monitorados de perto. As medições incluíram a avaliação da confiabilidade e disponibilidade dos pacotes de dados recebidos com precisão, juntamente com a análise das taxas de dados do usuário e das taxas de dados de pico.

Além disso, foram feitas suposições com base na transmissão de vídeo em resolução UHD no formato MP4, via Protocolo de Controle de Transmissão (TCP). As soluções potenciais exploradas incluíram a otimização com imagens individuais em vez de fluxos de vídeo contínuos, a execução de otimizações básicas diretamente em dispositivos de borda e a implementação de técnicas de quantização de modelos para aumentar a eficiência.

Infraestrutura em nuvem e serviços da AWS

O projeto dependeu fortemente da infraestrutura em nuvem, aproveitando serviços da AWS como Lambda, SageMaker, S3, CloudWatch e RDS, que desempenharam um papel fundamental no fornecimento dos recursos necessários para o treinamento e a implantação de modelos de IA.

O AWS Lambda foi utilizado para o gerenciamento eficiente de instâncias e para o fornecimento de aplicações, enquanto o AWS SageMaker facilitou a construção de pipelines robustos de aprendizado de máquina. Soluções de armazenamento como S3, CloudWatch e RDS foram essenciais para o armazenamento de conjuntos de dados e logs cruciais para a operação de modelos de aprendizado de máquina e redes neurais.

Portanto, essa infraestrutura suportava os recursos de processamento de dados em tempo real possibilitados pela rede 5G.

Latência da rede 5G

As redes 5G foram projetadas para atingir latência ultrabaixa, geralmente variando de 1 a 10 milissegundos. Essa latência refletia o tempo necessário para os dados viajarem entre dispositivos móveis e servidores da AWS por meio da rede 5G. As capacidades de processamento específicas do dispositivo, como a velocidade de captura e processamento de fotos em smartphones com processadores de alto desempenho, também influenciavam a latência.

A velocidade de upload de dados na rede 5G e o tamanho da foto impactaram os tempos de transferência de dados para a AWS. A AWS também contribuiu para a latência com os tempos de processamento para tarefas como detecção e segmentação baseadas em redes neurais, que variaram de acordo com a complexidade do algoritmo e a eficiência do serviço da AWS. Após o processamento, os resultados foram baixados de volta para os dispositivos móveis, influenciados pela velocidade de download do 5G e pelo tamanho dos dados resultantes.

Reconhecimento de plantas usando IA

No campo do reconhecimento de plantas, os processos baseados em IA envolveram a criação de um banco de dados abrangente de imagens de plantas para o treinamento de algoritmos baseados em redes neurais. Esses algoritmos foram treinados para distinguir espécies de beterraba sacarina de outras plantas, reconhecendo características específicas para aquele tipo de planta, como formatos de folhas, cores de flores, etc.

Aqui, por reconhecimento de plantas, entendemos a tarefa de detecção de ervas daninhas e segmentação de plantas de beterraba sacarina.

• Detecção de ervas daninhas

Para a detecção de ervas daninhas, o projeto utilizou o MobileNet-v3, que foi treinado com extensos aumentos de dados e amostragem ponderada. Este modelo alcançou uma precisão impressionante de 0,984 e uma AUC de 0,998.

• Segmentação da beterraba sacarina

Para as tarefas de segmentação, foram utilizados modelos como YOLACT, ResNeSt, SOLO e U-net para delimitar com precisão amostras individuais de beterraba sacarina nas imagens. Em seguida, o modelo mais eficiente foi selecionado com base em diferentes critérios: velocidade, tempo de inferência, etc. Os dados para segmentação foram obtidos a partir de imagens RGB capturadas por drones, que foram redimensionadas e anotadas para fins de treinamento e validação.

As tarefas de segmentação envolviam a criação de máscaras que delineavam com precisão os limites das plantas. Esse método reduziu o esforço de anotação humana e otimizou a eficiência. Ao priorizar a rotulagem de amostras complexas, o desempenho do modelo foi significativamente aprimorado. Estratégias de re-treinamento iterativo e amostragem por incerteza se mostraram eficazes, alcançando taxas de precisão de segmentação superiores a 98% em vários estágios de crescimento.

• Avaliação do modelo

O modelo foi treinado com aumentos de dados rigorosos. O modelo foi avaliado usando diferentes métricas, incluindo Interseção sobre União (IoU). A análise de inferência para o modelo construído, conduzida em um subconjunto do conjunto de dados 'plant seedlings v2', demonstrou uma precisão de 81%. O tempo de inferência foi de aproximadamente 320 milissegundos após um período de inicialização de 7 segundos, necessário apenas uma vez por sessão.

No monitoramento de plantas com inteligência artificial (IA), câmeras e sensores capturam dados vitais das plantas, que são analisados por algoritmos de aprendizado de máquina e IA. Essa análise desempenha um papel crucial na avaliação da saúde das plantas, identificando estresse, doenças ou outros fatores que afetam o crescimento.

As aplicações variam desde a otimização da produtividade agrícola até o monitoramento de ecossistemas naturais, como florestas, auxiliando em esforços de conservação e aprimorando a compreensão dos impactos ambientais.

Detecção de objetos no monitoramento de plantas

A próxima fase após a segmentação das plantas de beterraba sacarina é a detecção de objetos, com o objetivo de compreender as especificidades de cada planta em termos de saúde, crescimento e outros fatores. Para a detecção de objetos no monitoramento de plantas, foram utilizados modelos avançados como YOLOv4, MobileNetV2 e VGG-19 com mecanismos de atenção. Esses modelos analisaram imagens segmentadas de beterraba sacarina para detectar áreas específicas de estresse e doenças, possibilitando intervenções precisas e direcionadas.

O projeto alcançou marcos significativos na detecção de doenças, treinando os modelos ResNet-18 e ResNet-34 pré-treinados no ImageNet. Esses modelos demonstraram uma precisão impressionante de 0,88 na identificação de doenças que afetam plantas de beterraba sacarina, com uma Área Sob a Curva ROC (AUC) de 0,898. Os modelos exibiram alta confiança de previsão, distinguindo com precisão entre plantas doentes e saudáveis.

O projeto empregou uma abordagem sistemática para a detecção de doenças, segmentando imagens em áreas padronizadas. Essas áreas foram meticulosamente anotadas utilizando ferramentas interativas para identificar os locais afetados por doenças. A detecção de objetos aprimorou ainda mais a precisão, delimitando as plantas com caixas delimitadoras e facilitando o monitoramento preciso da saúde vegetal.

Previsão da produção vegetal

No domínio da previsão da produção vegetal, os modelos de IA aproveitaram dados ambientais, como condições meteorológicas e parâmetros do solo, para prever a produtividade das culturas. Foram empregados modelos de regressão como Isolation Forest, Regressão Linear e Regressão Ridge.

Esses modelos integraram características numéricas extraídas de regiões delimitadas por caixas, juntamente com dados do solo, para otimizar a aplicação de fertilizantes.

Considerações sobre a Implantação do Modelo

As estratégias de implantação dos modelos desenvolvidos foram avaliadas tanto para dispositivos de borda quanto para plataformas em nuvem. A implantação dos modelos em dispositivos de borda ofereceu vantagens como custos reduzidos e menor latência.

No entanto, essa abordagem pode comprometer a precisão potencial devido a limitações de hardware. Por outro lado, a implantação em nuvem oferece tempos de inferência mais rápidos usando GPUs de alto desempenho, mas pode acarretar custos adicionais e depende da conectividade com a internet, o que pode introduzir latência de comunicação.

Análise comparativa com a rede 5G

Uma análise comparativa demonstrou que a utilização de uma rede 5G melhorou significativamente a segmentação da beterraba sacarina em comparação com as configurações tradicionais de 4G/Wi-Fi. Essa melhoria foi evidenciada pela redução nos tempos médios de configuração e de rede, destacando os ganhos de eficiência obtidos com a tecnologia 5G.

• Processo de preparação de dados

O processo de preparação dos dados envolveu a coleta de conjuntos de dados de plantas saudáveis e doentes, a detecção de ervas daninhas, a identificação de estágios de crescimento e a extração de imagens de vídeos brutos em 4K. Técnicas como equalização de histograma, filtragem de imagem e transformação do espaço de cores HSV foram utilizadas para preparar os dados para análise.

Foram coletadas amostras de folhas saudáveis de beterraba sacarina e amostras doentes, como folhas de milho com mancha foliar cinzenta. A extração de características da doença envolveu a separação da folha do fundo, redimensionamento, transformação e fusão de imagens para criar amostras realistas para análise.

• Ciclo de Aprendizagem Ativa

Um ciclo de aprendizado ativo foi iniciado com dados não rotulados, utilizados para treinar modelos de detecção. Esses modelos geraram consultas de anotação que foram respondidas por anotadores humanos, refinando continuamente a precisão do modelo por meio de ciclos iterativos de treinamento e anotação.

• Anotação de dados por meio de modelo de fundação multimodal

Para superar o desafio da escassez de dados rotulados, o projeto utilizou modelos robustos de base para gerar anotações de referência. Em particular, o CLIP, um modelo baseado em Transformers desenvolvido pela OpenAI e treinado em um vasto conjunto de dados com mais de 400 milhões de pares de imagem e texto, desempenhou um papel fundamental.

Utilizando Vision Transformers como base, o CLIP alcançou uma notável precisão de 95% em conjuntos de validação, categorizando imagens em classes distintas, como beterraba sacarina e erva daninha, com alta precisão.

• Tecnologia de drones para coleta de dados

Uma das tecnologias essenciais empregadas no projeto foi o uso de drones equipados com câmeras RGB que capturaram vídeos em 4K. Esses drones forneceram imagens detalhadas (resolução de 3840×2160) para análise.

O pré-processamento dessas imagens aumentou significativamente a precisão do modelo, com melhorias notáveis observadas em modelos como VGGNet (+38,52%), ResNet50 (+21,14%), DenseNet121 (+7,53%) e MobileNet (+6,6%).

Técnicas como a equalização de histograma foram utilizadas para melhorar o contraste da imagem, enquanto a transformação para o espaço de cores HSV ajudou a enfatizar as áreas das plantas e destacar características relevantes.

• Geração de Dados Sintéticos

Para lidar com o desafio da quantidade limitada de dados de imagem, conjuntos de dados sintéticos foram gerados por meio de aprendizado de máquina e IA. A coleta de dados foi realizada utilizando drones voando a alturas entre 1m e 4m e velocidades de 2m/s ou mais, com câmeras RGB.

Outros veículos, como tratores, também foram utilizados para a coleta de dados. Essa geração de dados sintéticos mostrou-se particularmente benéfica para a detecção de doenças da beterraba sacarina.

Conclusão

O projeto “Redes 5G como facilitadoras da aprendizagem em tempo real na agricultura sustentável” demonstrou com sucesso como a tecnologia 5G pode aprimorar os aspectos ecológicos, econômicos e sustentáveis do cultivo da beterraba sacarina. Por meio da colaboração com a HSHL e a Pfeifer & Langen, o projeto integrou a coleta de dados em tempo real e a análise orientada por inteligência artificial, aumentando a eficiência e reduzindo visitas desnecessárias ao campo.

Uma rede 5G dedicada no campus permitiu a aplicação precisa de fertilizantes e produtos fitossanitários. A Geopard Agriculture desempenhou um papel crucial no desenvolvimento de cenários de detecção e monitoramento de plantas, além de criar um protótipo de sistema de aprendizado de máquina para o ambiente agrícola 5G. O sucesso do projeto ressaltou a importância das tecnologias avançadas na agricultura sustentável, destacando o potencial do 5G para impulsionar a inovação e a eficiência.