Busca avançada
Ano de início
Entree

Determinação do status de nitrogênio em pastagens de capim mavuno através de análise de imagens utilizando tecnologia de visão de máquinas

Processo: 20/09425-8
Linha de fomento:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de outubro de 2020
Vigência (Término): 30 de setembro de 2021
Área do conhecimento:Ciências Agrárias - Zootecnia - Pastagens e Forragicultura
Pesquisador responsável:Lilian Elgalise Techio Pereira
Beneficiário:Ilnara Rodrigues Silva
Instituição-sede: Faculdade de Zootecnia e Engenharia de Alimentos (FZEA). Universidade de São Paulo (USP). Pirassununga , SP, Brasil
Assunto(s):Forragicultura   Pastagens   Adubação   Fertilização   Nitrogênio   Análise de imagens   Delineamento experimental

Resumo

O manejo eficiente da fertilização para as pastagens brasileiras é fundamental para a rentabilidade e sustentabilidade dos sistemas de produção animal baseados em pastagens. No entanto, as ferramentas tradicionais para monitorar o conteúdo de N em pastagens, baseadas em análises laboratoriais, são caras e demoradas. Assim, novas ferramentas automatizadas de análise de imagens, a maioria delas baseadas em técnicas de visão de máquina, têm sido estudadas como alternativas rápidas, práticas e de baixo custo às ferramentas tradicionais para o diagnóstico nutricional da planta. O principal objetivo da presente proposta é desenvolver um aplicativo móvel, chamado Leaf Color Chart (LCC), para monitorar o status N em tempo real a partir de imagens obtidas em campo usando uma câmera de smartphone. O LCC é uma ferramenta simples usada como um indicador de cor das folhas, uma proxy medida do teor de nitrogênio da planta, sendo uma tecnologia amplamente usada na China, Paquistão, Tailândia e outros países. Para implementar um LCC, é necessário definir um padrão de cores, que represente classes de status N das plantas de interesse. Como não há LCC desenvolvido para pastagens até agora, primeiro precisamos identificar corretamente quantas cores serão necessárias / adequadas para representar diferentes status de N das plantas. Um experimento de campo foi realizado de fevereiro de 2019 a abril de 2020 usando uma Brachiaria híbrida, conhecida como capim Mavuno. Para gerar gradientes de teor de N nas plantas, quatro doses de nitrogênio foram definidas e aplicadas após cada corte: sem nitrogênio (N0), 15 (N15), 30 (N30) e 45 (N45) kg de N ha-1 usando uréia , e foram distribuídos em delineamento de blocos completos casualizados, com quatro repetições (parcelas de 20 m²). Quando as parcelas atingiram a meta de corte definida (40 cm de pré-corte), todas as medidas e imagens foram feitas. Foram avaliados: massa de forragem, composição morfológica e índice de área foliar. No momento do corte, a folha mais jovem completamente expandida (folha de diagnóstico) de 20 perfilhos escolhidos aleatoriamente, foi coletada e alocada em uma mesa de coleta de imagens com fundo branco opaco, e as imagens foram obtidas. As imagens digitais foram armazenadas como imagens coloridas de 24 bits e salvas no espaço de cores RGB no formato JPEG. As folhas comporão uma amostra na qual será determinado o teor total de N (% Na). A concentração crítica de N (% Nc) será calculada e uma análise de regressão (mensal ou sazonal), considerando as relações entre as taxas de fertilização de N aplicadas no campo, o acúmulo de forragem e o %Na resultante, fornecerão os modelos estimar as doses de N necessárias para atingir o nível crítico e o acúmulo máximo de forragem. Cada imagem será classificada de acordo com suas classes de status N previamente identificadas. Um conjunto de dados correspondente ao status N de cada imagem e seus respectivos valores dos canais vermelho, verde e azul (RGB) além de matiz, saturação e brilho (HSBr) serão submetidos a uma análise de cluster, para detectar quantos grupos de cores podem ser separadas do conjunto de dados. De cada um dos grupos resultantes, as cores serão recriadas. O aplicativo móvel conterá os códigos para aquisição de imagens, escaneamento para determinação de RGB e HSBr e um algoritmo de similaridade (distância euclidiana ou outros a serem testados) será utilizado para classificar as imagens coletadas em campo em relação às cores definidas em o LCC. Com base no padrão LCC identificado, o aplicativo móvel será capaz de recomendar a taxa de fertilização para manter o conteúdo crítico de N e atingir o acúmulo máximo de forragem.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)