2. Identifica\u00e7\u00e3o de ervas daninhas:<\/strong> A detec\u00e7\u00e3o de ervas daninhas em meio \u00e0s planta\u00e7\u00f5es permite que os agricultores pulverizem apenas as plantas indesejadas, economizando herbicida. Por exemplo, um estudo em planta\u00e7\u00f5es de algod\u00e3o utilizou imagens de drones com um detector baseado no YOLOv7 e alcan\u00e7ou uma precis\u00e3o de cerca de 83% na separa\u00e7\u00e3o de ervas daninhas do algod\u00e3o. No entanto, distinguir ervas daninhas e planta\u00e7\u00f5es visualmente semelhantes continua sendo dif\u00edcil em imagens de campo com muita informa\u00e7\u00e3o visual.<\/p>\n 3. Detec\u00e7\u00e3o de pragas e doen\u00e7as:<\/strong> Os drones podem detectar surtos (como gafanhotos, insetos ou pragas f\u00fangicas) mais cedo do que os humanos a p\u00e9. Os drones tamb\u00e9m auxiliam no mapeamento de zonas infestadas por pragas atrav\u00e9s de imagens multiespectrais, o que representa uma melhoria em rela\u00e7\u00e3o ao uso apenas de imagens RGB. A detec\u00e7\u00e3o r\u00e1pida e precisa de pragas \u00e9 fundamental para prevenir a sua dissemina\u00e7\u00e3o.<\/p>\n 4. Estimativa de rendimento:<\/strong> A contagem a\u00e9rea de frutas, espigas de gr\u00e3os ou plantas ajuda a prever os volumes de colheita. Modelos treinados para detectar ma\u00e7\u00e3s, mel\u00f5es ou espigas de trigo em imagens de drones podem acelerar a estimativa de rendimento. Por exemplo, redes neurais em imagens de drones t\u00eam sido usadas para contar planta\u00e7\u00f5es de melancia e mel\u00e3o.<\/p>\n 5. Levantamento topogr\u00e1fico e cartografia:<\/strong> Os drones tamb\u00e9m criam mapas de campo (topografia, diferen\u00e7as de solo) que auxiliam no planejamento do cultivo. Embora n\u00e3o seja estritamente detec\u00e7\u00e3o de objetos, isso faz parte do monitoramento por drones.<\/p>\n Essas tarefas frequentemente exigem infer\u00eancia quase em tempo real: um drone sobrevoando campos pode precisar processar quadros de v\u00eddeo instantaneamente (v\u00e1rios quadros por segundo) para que decis\u00f5es de controle (como ajustar a altitude ou ativar um pulverizador) possam ser tomadas imediatamente. Em outros casos, pequenos atrasos (segundos) podem ser aceit\u00e1veis se os dados forem registrados e analisados ap\u00f3s o pouso.<\/p>\n \u00c9 importante destacar que a vis\u00e3o dos drones deve lidar com a variabilidade ambiental: luz solar intensa, sombras, desfoque de movimento causado pelo vento, oclus\u00e3o por folhas sobrepostas ou mudan\u00e7as de altitude e \u00e2ngulo. Os tamanhos dos objetos variam (ervas daninhas pr\u00f3ximas versus aglomerados de pragas distantes), portanto, os detectores devem gerenciar caracter\u00edsticas em m\u00faltiplas escalas.<\/p>\n Por fim, as miss\u00f5es de drones agr\u00edcolas envolvem compromissos rigorosos entre precis\u00e3o, lat\u00eancia e energia. Alta precis\u00e3o de detec\u00e7\u00e3o \u00e9 necess\u00e1ria para evitar que ervas daninhas ou pragas passem despercebidas, mas executar uma rede neural muito complexa pode consumir a bateria rapidamente. Portanto, um modelo de detec\u00e7\u00e3o deve ser r\u00e1pido e eficiente em termos de energia, sem deixar de ser preciso o suficiente para a tarefa. Esses requisitos rigorosos destacam por que o desenvolvimento de modelos especializados \u00e9 necess\u00e1rio para drones na agricultura.<\/p>\n Detectores de objetos leves s\u00e3o redes neurais projetadas especificamente para serem executadas em hardware com recursos limitados. Frequentemente, utilizam arquiteturas de base pequenas (como MobileNet ou ShuffleNet), larguras de camada reduzidas ou designs de pesco\u00e7o\/cabe\u00e7a simplificados. Por exemplo, os modelos da fam\u00edlia YOLO incluem vers\u00f5es "nano" e "tiny" (como YOLOv8n e YOLOv5s) que possuem menos par\u00e2metros e requerem menos opera\u00e7\u00f5es (FLOPs).<\/p>\n Esses detectores podem operar a dezenas de quadros por segundo em hardware embarcado, como o NVIDIA Jetson Nano ou o Google Coral. Por exemplo, o Ag-YOLO era um detector personalizado baseado em YOLO para planta\u00e7\u00f5es de palmeiras que rodava a 36,5 fps em um Intel Neural Compute Stick 2 (usando apenas 1,5 W) e alcan\u00e7ou alta precis\u00e3o (F1 = 0,9205). Esse modelo utilizou cerca de 12 vezes menos par\u00e2metros que o YOLOv3-Tiny, ao mesmo tempo que dobrou sua velocidade.<\/p>\n Esses exemplos mostram as compensa\u00e7\u00f5es no projeto de modelos: reduzir o tamanho ou a complexidade de um modelo (por exemplo, menos camadas ou canais) normalmente acelera a infer\u00eancia e diminui o consumo de energia, mas pode reduzir a precis\u00e3o. O Ag-YOLO sacrificou parte da capacidade para ganhar velocidade e efici\u00eancia, mas ainda manteve uma alta pontua\u00e7\u00e3o F1 de 0,92 em sua tarefa.<\/p>\n De forma semelhante, tr\u00eas variantes do YOLOv7 foram comparadas para detec\u00e7\u00e3o de ervas daninhas: o YOLOv7 completo alcan\u00e7ou uma precis\u00e3o de 83%, enquanto uma vers\u00e3o reduzida do YOLOv7-w6 apresentou uma precis\u00e3o de 63%. Isso ilustra uma limita\u00e7\u00e3o de detectores gen\u00e9ricos e leves: modelos otimizados para um ambiente ou tipo de objeto podem apresentar desempenho inferior em outro. Um detector simplificado para maior velocidade pode perder pistas sutis (como ervas daninhas pequenas ou camufladas), comprometendo a robustez em diferentes condi\u00e7\u00f5es.<\/p>\n Na agricultura, essas redes gen\u00e9ricas e leves podem n\u00e3o ser ideais sem ajustes adicionais. Por exemplo, um modelo YOLOv7 pr\u00e9-treinado em conjuntos de dados comuns pode n\u00e3o lidar perfeitamente com as texturas e escalas \u00fanicas das imagens de planta\u00e7\u00f5es. Portanto, h\u00e1 necessidade de otimiza\u00e7\u00e3o da arquitetura do modelo espec\u00edfica para cada tarefa e plataforma. O ajuste manual (altera\u00e7\u00e3o de camadas, filtros etc.) para cada novo tipo de drone ou variedade de planta\u00e7\u00e3o \u00e9 trabalhoso. Isso motiva o uso de m\u00e9todos automatizados \u2014 como o NAS com reconhecimento de implanta\u00e7\u00e3o \u2014 para encontrar o melhor equil\u00edbrio entre tamanho, precis\u00e3o e robustez para uma determinada plataforma de UAV e aplica\u00e7\u00e3o agr\u00edcola.<\/p>\n A Busca de Arquitetura Neural (NAS, na sigla em ingl\u00eas) \u00e9 um m\u00e9todo automatizado para projetar arquiteturas de redes neurais. Em vez de definir manualmente o n\u00famero de camadas, filtros e conex\u00f5es, a NAS usa algoritmos (aprendizado por refor\u00e7o, m\u00e9todos evolutivos ou busca baseada em gradiente) para explorar um espa\u00e7o de projetos poss\u00edveis e encontrar aqueles que otimizam um objetivo escolhido (como a precis\u00e3o).<\/p>\n A NAS j\u00e1 foi aplicada na cria\u00e7\u00e3o de redes otimizadas para dispositivos m\u00f3veis. Por exemplo, a MnasNet do Google foi uma NAS pioneira e "sens\u00edvel \u00e0 plataforma" que incluiu diretamente a lat\u00eancia real do dispositivo em seu objetivo. A MnasNet mediu o tempo de infer\u00eancia em um telefone Google Pixel para cada modelo candidato durante a busca e equilibrou a precis\u00e3o com essa lat\u00eancia medida. O resultado foi uma fam\u00edlia de CNNs r\u00e1pidas e precisas em hardware m\u00f3vel, superando os modelos MobileNet e NASNet projetados manualmente no ImageNet.<\/p>\n No entanto, abordagens gen\u00e9ricas de NAS, como o MnasNet, focam em tarefas gerais de vis\u00e3o computacional (classifica\u00e7\u00e3o do ImageNet ou detec\u00e7\u00e3o de COCO) e hardware gen\u00e9rico (como telefones celulares). Para o monitoramento de planta\u00e7\u00f5es por drones, o problema \u00e9 mais espec\u00edfico. Buscamos detectores otimizados para classes de objetos espec\u00edficas (plantas, ervas daninhas, pragas) e adaptados aos sensores e ao perfil de voo do drone. Um NAS padr\u00e3o que otimize apenas a acur\u00e1cia ou a lat\u00eancia gen\u00e9rica pode negligenciar nuances como a detec\u00e7\u00e3o de objetos pequenos ou restri\u00e7\u00f5es de energia.<\/p>\n Al\u00e9m disso, os m\u00e9todos tradicionais de NAS podem ser computacionalmente muito dispendiosos (frequentemente exigindo dias em grandes clusters de GPUs), o que nem sempre \u00e9 pr\u00e1tico para pesquisadores agr\u00edcolas. Portanto, s\u00e3o necess\u00e1rias estruturas de NAS espec\u00edficas para a vis\u00e3o com drones. Estas devem incorporar crit\u00e9rios relevantes para drones e ser o mais eficientes poss\u00edvel.<\/p>\n Em todos os casos, a consci\u00eancia das restri\u00e7\u00f5es \u00e9 crucial: o NAS deve estar ciente das restri\u00e7\u00f5es do dispositivo alvo (semelhante ao MnasNet) e das demandas em tempo real das tarefas de voo do UAV. Se a busca for muito lenta ou ignorar o consumo de energia, o modelo resultante pode n\u00e3o funcionar bem em campo.<\/p>\n Na pr\u00e1tica, o NAS para vis\u00e3o com drones incluiria lat\u00eancia e consumo de energia do hardware diretamente na m\u00e9trica de busca. Por exemplo, seria poss\u00edvel medir a taxa de quadros de um detector candidato no pr\u00f3prio computador do drone (como um NVIDIA Jetson) e usar isso como pontua\u00e7\u00e3o. Isso contrasta com o uso de indicadores simples como FLOPs, que n\u00e3o capturam a velocidade real.<\/p>\n Dessa forma, o NAS pode descobrir arquiteturas que melhor explorem as capacidades do dispositivo. Em resumo, o NAS oferece uma maneira de projetar detectores para UAVs automaticamente, mas precisa ser adaptado para levar em considera\u00e7\u00e3o as tarefas espec\u00edficas dos UAVs e os requisitos de efici\u00eancia.<\/p>\n O NAS com reconhecimento de implanta\u00e7\u00e3o amplia o NAS com reconhecimento de hardware ao incluir o contexto de implanta\u00e7\u00e3o e as restri\u00e7\u00f5es ambientais no processo de projeto. Em outras palavras, ele n\u00e3o considera apenas o hardware do drone (velocidade da CPU\/GPU, limites de mem\u00f3ria, or\u00e7amento de energia), mas tamb\u00e9m o que o UAV realmente encontrar\u00e1 em campo. Isso significa otimizar explicitamente m\u00e9tricas como lat\u00eancia de infer\u00eancia no dispositivo alvo, consumo de energia e uso de mem\u00f3ria, tudo isso buscando alta precis\u00e3o de detec\u00e7\u00e3o.<\/p>\n Por exemplo, durante o NAS, seria poss\u00edvel implantar cada modelo candidato em um Jetson Nano acoplado ao UAV e registrar seu tempo de infer\u00eancia e consumo de energia no mundo real. Esse feedback emp\u00edrico ajuda a direcionar a busca para modelos que realmente atendam aos crit\u00e9rios de implanta\u00e7\u00e3o.<\/p>\n O NAS com reconhecimento de hardware (como o MnasNet) concentra-se em m\u00e9tricas de dispositivos, enquanto o NAS com reconhecimento de implanta\u00e7\u00e3o vai al\u00e9m: ele pode considerar caracter\u00edsticas de entrada de sensores (por exemplo, resolu\u00e7\u00e3o de imagem, canais multiespectrais) e metas de lat\u00eancia de aplicativos (quadros por segundo necess\u00e1rios). Pode at\u00e9 incorporar restri\u00e7\u00f5es de voo, como mem\u00f3ria m\u00e1xima permitida, ou incluir avalia\u00e7\u00f5es sob vibra\u00e7\u00e3o de vento simulada ou desfoque de movimento.<\/p>\n Um NAS (Sistema de Arquitetura de Drones) com foco em implanta\u00e7\u00e3o pode penalizar arquiteturas que excedam, por exemplo, um consumo de energia de 5W ou que necessitem de mais mem\u00f3ria do que o drone possui. Ao fazer isso, a busca naturalmente se inclina para modelos pr\u00e1ticos para a opera\u00e7\u00e3o em campo do UAV (Ve\u00edculo A\u00e9reo N\u00e3o Tripulado). Em ess\u00eancia, um NAS com foco em implanta\u00e7\u00e3o busca fechar o ciclo entre o projeto do modelo e o uso no mundo real. Em vez de escolher uma arquitetura isoladamente e torcer para que funcione, ele inclui sistematicamente testes com dispositivos reais durante a busca.<\/p>\n Por exemplo, Kerec et al. (2026) usaram uma estrutura semelhante para buscar um detector de UAVs: eles partiram de uma base YOLOv8n, mas inclu\u00edram a lat\u00eancia e o consumo de energia do Jetson Nano na busca. O modelo resultante apresentou 37% a menos de GFLOPs e 61% a menos de par\u00e2metros do que o YOLOv8n, com uma queda de apenas 1,96% no mAP. Isso demonstra claramente como as restri\u00e7\u00f5es de implanta\u00e7\u00e3o direcionaram o NAS para uma rede muito mais leve e r\u00e1pida.<\/p>\n Um sistema de busca automatizado (NAS) adaptado ao contexto de implanta\u00e7\u00e3o pode aprimorar significativamente o monitoramento de planta\u00e7\u00f5es por drones, ajustando os detectores \u00e0s condi\u00e7\u00f5es agr\u00edcolas. Por exemplo, uma busca pode priorizar arquiteturas que se destacam na detec\u00e7\u00e3o de objetos pequenos e finos (como ervas daninhas estreitas ou mudas finas de milho) ou na distin\u00e7\u00e3o entre plantas e o solo. O sistema pode ajustar a profundidade da rede e os campos receptivos \u00e0 altitude de voo t\u00edpica: em baixa altitude, os objetos preenchem a imagem e podem exigir detalhes precisos, enquanto em altitudes mais elevadas a rede deve ser eficiente na detec\u00e7\u00e3o em pequena escala. Um NAS adaptado ao contexto de implanta\u00e7\u00e3o pode incorporar esses requisitos em seu espa\u00e7o de busca.<\/p>\n A velocidade \u00e9 crucial em campo. Imagine um drone detectando uma infesta\u00e7\u00e3o de pragas; se o modelo for r\u00e1pido o suficiente para processar v\u00eddeo a, digamos, 30 fps, ele pode alertar o piloto ou acionar uma a\u00e7\u00e3o de tratamento imediata. Em testes, um modelo projetado pela NAS apresentou um desempenho 28% mais r\u00e1pido em um Jetson Nano do que o YOLOv8n padr\u00e3o, gra\u00e7as \u00e0 sua arquitetura otimizada. Ele tamb\u00e9m consumiu 18,5% a menos de energia em modo de execu\u00e7\u00e3o ONNX, o que significa que o drone pode voar por mais tempo com a mesma bateria. Esses ganhos tornam a tomada de decis\u00f5es em voo mais vi\u00e1vel e prolongam a dura\u00e7\u00e3o da miss\u00e3o.<\/p>\n A robustez \u00e9 outro benef\u00edcio. Como o NAS com reconhecimento de implanta\u00e7\u00e3o envolve a avalia\u00e7\u00e3o real do dispositivo, a busca pode incluir testes em diversas condi\u00e7\u00f5es. Por exemplo, pode simular baixa luminosidade ou incluir imagens de treinamento do amanhecer e do entardecer, garantindo que o detector final mantenha a precis\u00e3o sob condi\u00e7\u00f5es reais de clima e ilumina\u00e7\u00e3o. O trabalho demonstrou que o detector derivado do NAS generalizou bem: ele foi testado em dois conjuntos de dados de culturas diferentes (espigas de trigo e pl\u00e2ntulas de algod\u00e3o) e apresentou um desempenho s\u00f3lido em ambos.<\/p>\n Isso sugere que o NAS com reconhecimento de implanta\u00e7\u00e3o ajudou a encontrar caracter\u00edsticas comuns e \u00fateis para a agricultura, melhorando a generaliza\u00e7\u00e3o para novos campos. No geral, o NAS com reconhecimento de implanta\u00e7\u00e3o ajuda a equilibrar a precis\u00e3o com um tempo de voo mais longo. Ao reduzir o processamento computacional, os drones consomem menos energia e podem cobrir uma \u00e1rea maior por carga de bateria, mantendo a detec\u00e7\u00e3o confi\u00e1vel de planta\u00e7\u00f5es e pragas.<\/p>\n Uma parte importante do NAS (Sistema de Rede Aut\u00f4noma) com foco em implanta\u00e7\u00e3o \u00e9 o espa\u00e7o de busca \u2013 o conjunto de poss\u00edveis projetos de rede que ele considera. Para detectores de culturas a\u00e9reos n\u00e3o tripulados (UAVs), o espa\u00e7o de busca pode ser elaborado para incluir arquiteturas promissoras para esse dom\u00ednio. Os principais componentes incluem:<\/p>\n 1. Projeto da estrutura principal:<\/strong> A espinha dorsal \u00e9 o extrator de caracter\u00edsticas. Para UAVs, pode-se incluir blocos de constru\u00e7\u00e3o convolucionais leves, como convolu\u00e7\u00f5es separ\u00e1veis em profundidade (como as usadas no MobileNet) ou blocos residuais invertidos. Res\u00edduos invertidos e gargalos lineares (estilo MobileNetV2) s\u00e3o bem conhecidos por sua efici\u00eancia em dispositivos m\u00f3veis. O espa\u00e7o de busca pode permitir a varia\u00e7\u00e3o da largura (n\u00famero de canais) e da profundidade de cada bloco para se adequar ao or\u00e7amento computacional do UAV. M\u00f3dulos de aten\u00e7\u00e3o ou inspirados em transformadores tamb\u00e9m podem ser inclu\u00eddos, caso o UAV possa suport\u00e1-los com baixo consumo de energia.<\/p>\n 2. Design do pesco\u00e7o:<\/strong> Muitos detectores de objetos usam pir\u00e2mides de caracter\u00edsticas (FPN) ou redes de agrega\u00e7\u00e3o de caminhos para combinar caracter\u00edsticas multiescala. A pesquisa poderia explorar FPNs simplificadas ou agrega\u00e7\u00e3o de caracter\u00edsticas mais leve. Por exemplo, usar um cabe\u00e7alho de escala \u00fanica versus cabe\u00e7alhos multiescala poderia ser uma op\u00e7\u00e3o. O espa\u00e7o de busca poderia permitir camadas de pooling ou conex\u00f5es de salto que ajudam a detectar objetos em diferentes tamanhos.<\/p>\n 3. Design da cabe\u00e7a:<\/strong> A camada de detec\u00e7\u00e3o (classifica\u00e7\u00e3o e regress\u00e3o de caixa) tamb\u00e9m pode ser variada. Para drones que observam campos uniformes, uma camada mais simples pode ser suficiente. Mas para detectar pequenas plantas aqu\u00e1ticas, a busca pode incluir camadas convolucionais adicionais ou diferentes esquemas de ancoragem.<\/p>\n 4. Opera\u00e7\u00f5es leves:<\/strong> O espa\u00e7o de busca pode permitir explicitamente apenas opera\u00e7\u00f5es de baixo custo. Por exemplo, escolher entre uma convolu\u00e7\u00e3o 3\u00d73 e uma convolu\u00e7\u00e3o fatorada 1\u00d73+3\u00d71 mais barata, ou incluir m\u00f3dulos GhostNet. Tamb\u00e9m pode permitir tamanhos de kernel pequenos ou dimens\u00f5es reduzidas para limitar a computa\u00e7\u00e3o. Todas essas escolhas s\u00e3o determinadas pelo hardware. O espa\u00e7o pode proibir qualquer configura\u00e7\u00e3o de camadas que exceda o limite de mem\u00f3ria do drone ou o limite de energia esperado.<\/p>\n Ao projetar cuidadosamente esse espa\u00e7o de busca, o processo NAS \u00e9 guiado para arquiteturas eficazes e eficientes. O resultado pode ser uma combina\u00e7\u00e3o inovadora de blocos n\u00e3o considerada em modelos padr\u00e3o. O melhor detector encontrado utilizou escolhas de blocos personalizadas que reduziram os GFLOPs em 37% e os par\u00e2metros em 61% em compara\u00e7\u00e3o com o YOLOv8n.<\/p>\n Isso foi poss\u00edvel porque o NAS podia combinar elementos de backbone e de cabe\u00e7alho, respeitando as limita\u00e7\u00f5es do UAV. Em resumo, o foco da busca por detectores para UAVs agr\u00edcolas reside em blocos de constru\u00e7\u00e3o escal\u00e1veis e leves, al\u00e9m da capacidade de lidar com m\u00faltiplas escalas, tudo dentro dos limites do hardware embarcado.<\/p>\n Um sistema de detec\u00e7\u00e3o de anomalias (NAS) com foco em implanta\u00e7\u00e3o deve equilibrar m\u00faltiplos objetivos. O objetivo principal geralmente \u00e9 a precis\u00e3o da detec\u00e7\u00e3o (por exemplo, a Precis\u00e3o M\u00e9dia, mAP), medida em conjuntos de dados de monitoramento de culturas. Por exemplo, mAP@50 (precis\u00e3o com 50% de intervalo de confian\u00e7a) \u00e9 uma m\u00e9trica comum. O modelo otimizado para NAS apresentou uma queda de apenas 1,96% em mAP@50 em compara\u00e7\u00e3o com o modelo base YOLOv8n, uma perda muito pequena considerando os ganhos obtidos. Precis\u00e3o e recall (ou pontua\u00e7\u00e3o F1) em classes-chave (ervas daninhas, culturas) tamb\u00e9m s\u00e3o considerados.<\/p>\n Ao mesmo tempo, a lat\u00eancia e o consumo de energia devem ser otimizados. A lat\u00eancia \u00e9 o tempo de infer\u00eancia por imagem; para uma GPU integrada, pode ser de 20 a 50 ms ou mais. Menor lat\u00eancia significa taxas de quadros mais altas. O consumo de energia (joules por quadro) \u00e9 crucial para a autonomia de voo. A quantidade de mem\u00f3ria necess\u00e1ria (n\u00famero de par\u00e2metros, tamanho do modelo) \u00e9 outra restri\u00e7\u00e3o; os modelos devem caber na RAM do dispositivo. Portanto, os sistemas de armazenamento de dados (NAS) geralmente definem uma meta ou penalidade para essas restri\u00e7\u00f5es.<\/p>\n Por exemplo, qualquer modelo mais lento que um determinado limite ou acima de um or\u00e7amento de par\u00e2metros pode ser rebaixado. Isso transforma efetivamente o NAS em um problema de otimiza\u00e7\u00e3o multiobjetivo: maximizar a precis\u00e3o e minimizar a lat\u00eancia, o consumo de energia e o tamanho.<\/p>\n Na pr\u00e1tica, isso poderia ser feito por uma soma ponderada de objetivos ou por restri\u00e7\u00f5es r\u00edgidas. Alguns m\u00e9todos aplicam uma penalidade significativa a qualquer candidato que exceda o limite de pot\u00eancia do UAV. Outros calculam explicitamente uma m\u00e9trica de energia: os modelos foram testados no ambiente de execu\u00e7\u00e3o ONNX para medir a \u201cefici\u00eancia energ\u00e9tica\u201d, e o melhor modelo foi 18,5% mais eficiente em termos de energia do que o YOLOv8n. Este foi um dos objetivos que nortearam a busca.<\/p>\n As compensa\u00e7\u00f5es encontradas podem ser visualizadas em uma fronteira de Pareto: em uma extremidade, modelos pequenos extremamente r\u00e1pidos com menor precis\u00e3o; na outra, modelos grandes e precisos que s\u00e3o muito lentos ou consomem muita energia para um drone. O NAS (Sistema de Navega\u00e7\u00e3o Avan\u00e7ada) com foco em implanta\u00e7\u00e3o busca encontrar um ponto ideal nessa fronteira que corresponda \u00e0s prioridades reais da miss\u00e3o (por exemplo, uma pequena perda de precis\u00e3o para um grande ganho de velocidade). Em resumo, o NAS deve considerar as m\u00e9tricas de precis\u00e3o (mAP, F1) e as restri\u00e7\u00f5es de infer\u00eancia (ms por quadro, joules por quadro, mem\u00f3ria) em conjunto. Essa otimiza\u00e7\u00e3o equilibrada \u00e9 o que torna um modelo verdadeiramente pronto para implanta\u00e7\u00e3o em UAVs (Ve\u00edculos A\u00e9reos N\u00e3o Tripulados).<\/p>\n Para que os detectores encontrados pelo NAS funcionem bem, eles devem ser treinados e testados com dados agr\u00edcolas realistas. Isso significa usar conjuntos de dados que capturem a variabilidade de campos reais: diferentes esp\u00e9cies de culturas, est\u00e1gios de crescimento, esta\u00e7\u00f5es do ano, condi\u00e7\u00f5es de ilumina\u00e7\u00e3o e altitudes. Por exemplo, o treinamento com imagens apenas de brotos jovens de milho pode n\u00e3o generalizar para espigas de trigo maduras. Conjuntos de dados representativos do campo garantem que o modelo aprenda caracter\u00edsticas importantes na fazenda. Aumento de dados (culturas aleat\u00f3rias, mudan\u00e7as de brilho, desfoque de movimento) tamb\u00e9m pode ser aplicado durante o treinamento para simular o movimento e a ilumina\u00e7\u00e3o de drones.<\/p>\n Na avalia\u00e7\u00e3o, \u00e9 importante testar o modelo em condi\u00e7\u00f5es o mais pr\u00f3ximas poss\u00edvel da realidade. Ferramentas de simula\u00e7\u00e3o podem ajudar (por exemplo, voar com um drone virtual sobre campos 3D), mas testes de voo reais s\u00e3o o padr\u00e3o ouro. O benchmarking a bordo \u00e9 realizado executando o modelo no hardware real do UAV. Ap\u00f3s a NAS, eles implantaram o candidato em um Jetson Nano e mediram uma infer\u00eancia 28,1% mais r\u00e1pida (em compara\u00e7\u00e3o com o YOLOv8n de refer\u00eancia) e melhor consumo de energia. Esse tipo de feedback de dispositivo real confirma que a busca produziu um modelo que realmente atende aos requisitos.<\/p>\n A generaliza\u00e7\u00e3o tamb\u00e9m \u00e9 crucial. Um modelo pode ser pesquisado e treinado em uma cultura espec\u00edfica (por exemplo, trigo), mas os agricultores precisam de detectores que funcionem em diferentes campos. O estudo demonstrou uma forte generaliza\u00e7\u00e3o entre culturas: o detector derivado de NAS, treinado em uma tarefa, ainda apresentou bom desempenho em um conjunto de dados de outra cultura (pl\u00e2ntulas de algod\u00e3o) sem necessidade de re-treinamento. Isso sugere que o NAS adaptado ao contexto de implanta\u00e7\u00e3o pode gerar arquiteturas robustas. No entanto, mudan\u00e7as de dom\u00ednio (por exemplo, de planta\u00e7\u00f5es de milho para pomares) ainda podem exigir ajustes finos ou pesquisas adicionais. Recomenda-se tamb\u00e9m a realiza\u00e7\u00e3o de testes entre diferentes esta\u00e7\u00f5es do ano (imagens de ver\u00e3o versus imagens de outono).<\/p>\n Por fim, cada novo modelo deve ser testado em plataformas de drones antes de ser implantado. Isso inclui registrar sua precis\u00e3o e velocidade em drones, garantir que o hardware n\u00e3o superaque\u00e7a e verificar o consumo de energia. Somente assim os agricultores poder\u00e3o confiar nele para o monitoramento de miss\u00f5es cr\u00edticas. Ao combinar treinamento relevante para o campo e avalia\u00e7\u00e3o rigorosa do hardware, o NAS (Sistema de Navega\u00e7\u00e3o Avan\u00e7ada) voltado para a implanta\u00e7\u00e3o produz detectores que n\u00e3o s\u00e3o apenas teoricamente eficientes, mas comprovados em campo.<\/p>\n O NAS com reconhecimento de implanta\u00e7\u00e3o oferece diversas vantagens claras em rela\u00e7\u00e3o aos modelos tradicionais de UAVs projetados manualmente:<\/p>\n 1. Melhores compensa\u00e7\u00f5es de desempenho:<\/strong> Os modelos encontrados pelo NAS tendem a fornecer combina\u00e7\u00f5es de maior precis\u00e3o, velocidade e efici\u00eancia energ\u00e9tica. Por exemplo, o melhor modelo executou 28% mais r\u00e1pido e usou 18,5% a menos de energia no Jetson Nano do que a linha de base YOLOv8n escolhida manualmente, perdendo apenas ~2% no mAP de detec\u00e7\u00e3o. Alcan\u00e7ar esse equil\u00edbrio manualmente seria muito dif\u00edcil.<\/p>\n 2. Generaliza\u00e7\u00e3o aprimorada:<\/strong> Os modelos descobertos pelo NAS podem ser mais adapt\u00e1veis a novas condi\u00e7\u00f5es, uma vez que a busca pode incorporar diversos dados ou objetivos. O detector projetado automaticamente apresentou boa generaliza\u00e7\u00e3o em diferentes tipos de culturas (trigo e algod\u00e3o) e condi\u00e7\u00f5es de ilumina\u00e7\u00e3o. Essa ampla robustez \u00e9 crucial quando os voos encontram cen\u00e1rios inesperados.<\/p>\n 3. Redu\u00e7\u00e3o do esfor\u00e7o de engenharia:<\/strong> O NAS automatiza grande parte do processo de tentativa e erro. Em vez de ajustar manualmente os tamanhos das camadas e testar v\u00e1rias op\u00e7\u00f5es, um NAS com reconhecimento de implanta\u00e7\u00e3o explora iterativamente as alternativas e encontra o melhor design para voc\u00ea. Isso economiza tempo e conhecimento especializado em desenvolvimento, facilitando a atualiza\u00e7\u00e3o dos detectores para novas tarefas ou hardware.<\/p>\n 4. Escalabilidade:<\/strong> Uma vez configurada, a estrutura NAS pode ser usada para diferentes plataformas ou miss\u00f5es de UAVs. Por exemplo, a mesma NAS, adaptada ao contexto de implanta\u00e7\u00e3o, poderia buscar um detector ajustado a uma resolu\u00e7\u00e3o de c\u00e2mera ou modelo de drone diferente, simplesmente alterando as restri\u00e7\u00f5es de entrada. Isso \u00e9 muito mais escal\u00e1vel do que redesenhar redes do zero para cada cen\u00e1rio.<\/p>\n O NAS com reconhecimento de implanta\u00e7\u00e3o \u00e9 poderoso, mas n\u00e3o \u00e9 uma solu\u00e7\u00e3o m\u00e1gica. Deve ser aplicado com cuidado, levando em considera\u00e7\u00e3o suas demandas de recursos e a variabilidade do ambiente de destino. Apesar de promissor, o NAS com reconhecimento de implanta\u00e7\u00e3o apresenta desafios:<\/p>\n 1. Alto custo de pesquisa:<\/strong> A busca em espa\u00e7o de arquiteturas (NAS) pode exigir um poder computacional consider\u00e1vel. Mesmo com algoritmos eficientes, a busca nesse espa\u00e7o pode levar muitas horas de GPU (ou computa\u00e7\u00e3o especializada). Se n\u00e3o for gerenciada com cuidado, a sobrecarga de busca pode ser proibitiva para algumas equipes.<\/p>\n 2. Vi\u00e9s de dados e mudan\u00e7a de dom\u00ednio:<\/strong> A arquitetura de rede neural (NAS) s\u00f3 \u00e9 t\u00e3o boa quanto os dados utilizados. Se as imagens de treinamento n\u00e3o forem representativas das condi\u00e7\u00f5es de campo, a arquitetura encontrada pode apresentar desempenho inferior na realidade. Por exemplo, um modelo ajustado para um tipo de cultura ou regi\u00e3o geogr\u00e1fica espec\u00edfica pode n\u00e3o se adaptar perfeitamente a outra regi\u00e3o sem ajustes adicionais.<\/p>\n 3. Heterogeneidade de hardware:<\/strong> O hardware de drones vem em diversas vers\u00f5es (diferentes GPUs, CPUs e FPGAs embarcados). Um modelo otimizado para uma placa pode n\u00e3o ser ideal para outra. Sistemas de armazenamento de dados (NAS) com reconhecimento de implanta\u00e7\u00e3o precisam executar novas buscas para cada plataforma ou usar restri\u00e7\u00f5es conservadoras que se apliquem a todas \u2013 o que pode limitar o desempenho.<\/p>\n 4. Restri\u00e7\u00f5es pr\u00e1ticas:<\/strong> Implanta\u00e7\u00f5es reais na agricultura envolvem quest\u00f5es como atualiza\u00e7\u00f5es de rede via r\u00e1dio, integra\u00e7\u00e3o do sistema com o controle de voo e certifica\u00e7\u00e3o de seguran\u00e7a. Mesmo o melhor modelo de NAS precisa ser integrado a um sistema completo de drones. Coordenar atualiza\u00e7\u00f5es de modelos, aprova\u00e7\u00f5es regulat\u00f3rias e treinamento de agricultores s\u00e3o obst\u00e1culos n\u00e3o t\u00e9cnicos.<\/p>\n \u00c9 prov\u00e1vel que o futuro testemunhe uma integra\u00e7\u00e3o ainda mais estreita entre o projeto de modelos, a tecnologia de sensores e o controle de drones. O NAS (Sistema de Navega\u00e7\u00e3o A\u00e9rea) com reconhecimento de implanta\u00e7\u00e3o continuar\u00e1 sendo uma ferramenta fundamental nesse processo de co-design. Olhando para o futuro, v\u00e1rias vias promissoras se abrem:<\/p>\n 1. NAS online e adaptativo:<\/strong> Em vez de uma busca offline \u00fanica, os sistemas futuros poder\u00e3o ajustar a rede em tempo real ou entre voos. Por exemplo, um drone poderia come\u00e7ar com um modelo b\u00e1sico e, usando algoritmos NAS leves, se adaptar para lidar com novas condi\u00e7\u00f5es de ilumina\u00e7\u00e3o ou terreno em tempo real. Esse "NAS integrado ao dispositivo" \u00e9 um grande desafio, mas poderia melhorar significativamente a adaptabilidade.<\/p>\n 2. Projeto conjunto de sensores e modelos:<\/strong> Os futuros sistemas de agricultura de precis\u00e3o poder\u00e3o otimizar conjuntamente a escolha da c\u00e2mera (RGB, multiespectral, infravermelha) e da rede neural. Os sistemas de redes neurais (NAS) adaptados \u00e0 implanta\u00e7\u00e3o poder\u00e3o ser expandidos para incluir par\u00e2metros do sensor (como as bandas espectrais utilizadas) em sua busca, encontrando a melhor combina\u00e7\u00e3o de hardware e modelo.<\/p>\n 3. Integra\u00e7\u00e3o multiespectral\/hiperespectral:<\/strong> Como sugere o estudo sobre doen\u00e7as do algod\u00e3o, a integra\u00e7\u00e3o de imagens multiespectrais pode impulsionar a detec\u00e7\u00e3o, especialmente de problemas em est\u00e1gio inicial. Futuros estudos do Sistema Nacional de Aeronaves (NAS) poderiam explorar modelos multiespectrais que combinam canais RGB e infravermelho pr\u00f3ximo para detectar mudan\u00e7as sutis nas plantas de forma mais confi\u00e1vel.<\/p>\n 4. Pipelines de decis\u00e3o aut\u00f4nomos:<\/strong> Em \u00faltima an\u00e1lise, detectores otimizados para NAS podem contribuir para a autonomia completa. Por exemplo, um drone poderia gerar automaticamente um plano de pulveriza\u00e7\u00e3o ou alertar os gestores agr\u00edcolas caso detecte determinadas condi\u00e7\u00f5es. O NAS com reconhecimento de implanta\u00e7\u00e3o poderia ser estendido a fluxos de trabalho de ponta a ponta (modelos de detec\u00e7\u00e3o e a\u00e7\u00e3o), otimizando todo o sistema.<\/p>\n 5. Considera\u00e7\u00f5es \u00e9ticas e ambientais:<\/strong> \u00c0 medida que os drones se tornam mais capazes, devemos considerar a privacidade, a seguran\u00e7a do espa\u00e7o a\u00e9reo e os impactos sobre a m\u00e3o de obra agr\u00edcola (como observado por Agrawal e Arafat). Garantir que os drones otimizados para o Espa\u00e7o A\u00e9reo Nacional sejam usados de forma respons\u00e1vel na agricultura \u00e9 um importante objetivo futuro.<\/p>\n A abordagem NAS (Navega\u00e7\u00e3o N\u00e3o Avan\u00e7ada) com reconhecimento de implanta\u00e7\u00e3o representa uma ferramenta poderosa para adaptar detectores de objetos leves para monitoramento de planta\u00e7\u00f5es com drones. Ao incorporar as restri\u00e7\u00f5es de hardware e miss\u00e3o do drone na busca, ela produz modelos que economizam computa\u00e7\u00e3o e energia sem sacrificar muito a precis\u00e3o. Por exemplo, um trabalho recente mostrou um detector projetado com NAS usando 37% a menos de FLOPs e 61% a menos de par\u00e2metros do que o YOLOv8n de refer\u00eancia, mas seu mAP (Precis\u00e3o M\u00e9dia de Acerto) caiu apenas em ~2%.<\/p>\n Em termos de hardware real de drones, isso significou infer\u00eancia 28% mais r\u00e1pida e 18% melhor efici\u00eancia energ\u00e9tica. Esses ganhos se traduzem em tempos de voo mais longos, an\u00e1lises mais r\u00e1pidas e suporte agr\u00edcola mais \u00e1gil. Comparado a modelos criados manualmente, o NAS com reconhecimento de implanta\u00e7\u00e3o oferece melhor generaliza\u00e7\u00e3o de desempenho, menos esfor\u00e7o de ajuste manual e escalabilidade para novas plataformas de UAVs.<\/p>\n No contexto da agricultura de precis\u00e3o, essas melhorias podem tornar o monitoramento de culturas por drones mais pr\u00e1tico e eficaz. Drones equipados com detectores otimizados para NAS (Sistemas Navegantes A\u00e9reos) podem identificar ervas daninhas, pragas ou estresse com mais confiabilidade, permitindo interven\u00e7\u00f5es oportunas que economizam recursos e aumentam a produtividade. \u00c0 medida que a agricultura continua a adotar drones e IA (Intelig\u00eancia Artificial), os NAS adaptados \u00e0 implanta\u00e7\u00e3o desempenhar\u00e3o um papel central para garantir que os modelos executados nesses drones sejam eficientes, precisos e prontos para uso em campo. Eles preenchem a lacuna entre a pesquisa de ponta em redes neurais e as necessidades pr\u00e1ticas dos agricultores, ajudando a impulsionar o futuro da agricultura de precis\u00e3o orientada por dados.<\/p>","protected":false},"excerpt":{"rendered":" Ve\u00edculos A\u00e9reos N\u00e3o Tripulados (VANTs), ou drones, est\u00e3o transformando a agricultura moderna ao fornecerem imagens a\u00e9reas r\u00e1pidas das planta\u00e7\u00f5es. Eles s\u00e3o usados para inspecionar as planta\u00e7\u00f5es em busca de sinais de sa\u00fade,\u2026<\/p>","protected":false},"author":210157960,"featured_media":12831,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_hide_featured_image":false,"_jetpack_featured_image_duplicate_dismissed":0,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1377],"tags":[],"class_list":["post-12824","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-crop-monitoring"],"acf":[],"yoast_head":"\n![\"Requisitos](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/UAV-Object-Detection-Requirements-in-Crop-Monitoring.jpg?resize=810%2C789&ssl=1\")
<\/p>\nDetectores de objetos leves para plataformas UAV<\/h2>\n
![\"Detectores](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Lightweight-Object-Detectors-for-UAV-Platforms.webp?resize=810%2C810&ssl=1\")
<\/p>\nBusca de arquitetura neural em sistemas de vis\u00e3o baseados em drones<\/h2>\n
NAS com reconhecimento de implanta\u00e7\u00e3o: princ\u00edpios b\u00e1sicos<\/h2>\n
![\"NAS](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Deployment-Aware-NAS-Core-Principles.webp?resize=810%2C810&ssl=1\")
<\/p>\nO papel dos sistemas de navega\u00e7\u00e3o a\u00e9rea (NAS) com reconhecimento de implanta\u00e7\u00e3o no monitoramento da agricultura de precis\u00e3o.<\/h2>\n
![\"O](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Role-of-Deployment-Aware-NAS-in-Precision-Agriculture-Monitoring.webp?resize=810%2C810&ssl=1\")
<\/p>\nProjeto do espa\u00e7o de busca para detectores de drones agr\u00edcolas<\/h2>\n
Objetivos e restri\u00e7\u00f5es de otimiza\u00e7\u00e3o<\/h2>\n
Treinamento e avalia\u00e7\u00e3o em contextos agr\u00edcolas realistas<\/h2>\n
![\"Treinamento](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Training-and-Evaluation-in-Realistic-Agricultural-Settings.webp?resize=810%2C810&ssl=1\")
<\/p>\nVantagens em rela\u00e7\u00e3o aos detectores de UAV projetados manualmente<\/h2>\n
Desafios e limita\u00e7\u00f5es<\/h2>\n
Dire\u00e7\u00f5es Futuras<\/h2>\n
Conclus\u00e3o<\/h2>\n