Tecnologia japonesa gera dados automaticamente para robôs agrícolas em ambiente 3D.
Pesquisadores da Universidade Metropolitana de Osaka, no Japão, desenvolveram um método para criar fazendas virtuais de tomate que geram automaticamente dados para treinar sistemas de inteligência artificial agrícola. A tecnologia, publicada no Smart Agricultural Technology, foi desenvolvida para superar um dos principais obstáculos ao uso de robôs na colheita: a dificuldade de treinar os algoritmos que orientam essas máquinas.
Conforme reportado pelo Phys, o trabalho busca resolver um gargalo crítico para os chamados farmbots, robôs agrícolas que já utilizam sistemas de detecção de objetos para localizar frutos e decidir se estão maduros.
O problema está na etapa anterior. Treinar esses sistemas exige grandes volumes de imagens rotuladas, coletadas manualmente em fazendas reais, um processo lento e sujeito a variações de iluminação, formato das plantas e condições de cultivo entre propriedades e estações do ano.
O ambiente virtual (à esquerda) é criado utilizando imagens reais de uma plantação de tomates (à direita), obtidas manualmente a partir de dados de câmeras coletados por robôs agrícolas. Crédito: Universidade Metropolitana de Osaka.
Ambiente virtual e etiquetagem automática
A equipe liderada pelo pesquisador Takuya Fujinaga, da Escola de Pós-Graduação em Engenharia da Universidade Metropolitana de Osaka, construiu um ambiente agrícola virtual que reproduz condições reais com alta fidelidade. Para isso, utilizou imagens obtidas por câmeras de robôs agrícolas em campo, técnicas avançadas de reconstrução tridimensional e o software Unreal Engine 5, combinados com uma técnica emergente chamada 3D Gaussian Splatting.
O resultado é uma simulação capaz de reproduzir sobreposição de folhas, variações constantes de iluminação, caules, sombras e frutos parcialmente ocultos. A partir de informações de posicionamento, o sistema gera automaticamente as etiquetas que indicam onde cada tomate aparece na imagem e qual o seu nível de maturação. Os dados são exportados no formato YOLO, padrão amplamente utilizado em treinamento de sistemas de detecção de objetos por inteligência artificial.
Os modelos de IA treinados com os conjuntos de dados sintéticos demonstraram capacidade de detectar tomates em imagens do mundo real. Os pesquisadores também identificaram quais variáveis influenciam a precisão dos algoritmos.
“Comparando diferenças no formato dos modelos 3D de tomate, nas condições de iluminação e na quantidade de dados, identificamos as condições que afetam a precisão da IA”, afirmou Takuya Fujinaga. Ele acrescentou que “entender como iluminação, formato do tomate e tamanho do conjunto de dados afetam o desempenho de detecção são descobertas importantes para aprimorar o modelo no futuro.”
Aplicação a outras culturas
O método deve ser expandido para além do tomate. “Embora tenhamos estudado tomates, fatores semelhantes são importantes na colheita de uma ampla variedade de produtos agrícolas”, declarou Fujinaga. “Estamos definitivamente animados com o potencial de aplicar esse método a outras culturas além do tomate“, concluiu.
Por: Giz_br
