A\u00a0Embrapa Instrumenta\u00e7\u00e3o\u00a0(SP) desenvolveu um m\u00e9todo que utiliza sensores de imagem e intelig\u00eancia artificial para identificar a lagarta-do-cartucho, uma das pragas mais agressivas da cultura do milho. O sistema analisa imagens digitais e identifica a lagarta tanto na folha da planta como na espiga de milho. Dessa forma, \u00e9 poss\u00edvel minimizar a subjetividade de m\u00e9todos tradicionais, que s\u00e3o trabalhosos e dependem da observa\u00e7\u00e3o humana para a realiza\u00e7\u00e3o da mesma tarefa.<\/p>\n
O milho \u00e9 um dos cereais mais cultivados no mundo e a lagarta-do-cartucho (Spodoptera frungiperda) \u00e9 uma das principais pragas da cultura. Esse inseto pode causar perdas capazes de comprometer 70% da produ\u00e7\u00e3o, de acordo com pesquisadores da Embrapa. A lagarta ataca as plantas tanto na fase vegetativa quanto na fase reprodutiva.<\/p>\n
M\u00e9todo alternativo<\/strong><\/h4>\nA metodologia foi publicada na revista\u00a0Eletronicts, no artigo\u00a0Computational Intelligence Approach for Fall Armyworm Control in Maize Crop, de\u00a0Alex Bertolla\u00a0e\u00a0Paulo Cruvinel. Eles contam que o trabalho foi motivado pela discrep\u00e2ncia entre o m\u00e9todo atual de detec\u00e7\u00e3o e o resultado pretendido, isso os levou a pesquisar uma alternativa para a detec\u00e7\u00e3o precoce de pragas em \u00e1reas cultivadas.<\/p>\n
![](\"https:\/\/i0.wp.com\/opresenterural.com.br\/wp-content\/uploads\/2025\/09\/Foto-Joana-Silva.jpg?resize=300%2C214&ssl=1\")
<\/p>\nFoto: Joana Silva<\/p>\n<\/div>\n
Bertolla conta que o estudo focou no reconhecimento e na classifica\u00e7\u00e3o de padr\u00f5es din\u00e2micos da lagarta-do-cartucho, que al\u00e9m do milho, ataca diversas culturas agr\u00edcolas, como a soja e do algod\u00e3o. Ele ressalta que a solu\u00e7\u00e3o obtida pode auxiliar agr\u00f4nomos e laborat\u00f3rios a ter resultados mais precisos.<\/p>\n
Para facilitar a capta\u00e7\u00e3o das imagens, uma c\u00e2mera fotogr\u00e1fica simples pode ser acoplada em implementos agr\u00edcolas, para que possa coletar as imagens das lagartas presentes nas plantas de milho, tanto folhas como espiga, enquanto executa opera\u00e7\u00f5es na lavoura. A c\u00e2mera n\u00e3o precisa ser de alto custo, \u00e9 necess\u00e1rio apenas produzir imagens com boa resolu\u00e7\u00e3o.<\/p>\n
Integra\u00e7\u00e3o de processos<\/strong><\/h4>\nO m\u00e9todo integra processamento digital de imagens e sinais, estat\u00edstica multivariada, t\u00e9cnicas de aprendizado de m\u00e1quina e vis\u00e3o computacional. \u201cO aprendizado de m\u00e1quina descreve a capacidade dos sistemas de aprender a partir de dados personalizados de treinamento de problemas para automatizar e resolver tarefas associadas. Em conjunto com esse conceito, o aprendizado profundo tamb\u00e9m \u00e9 um processo de aprendizado de m\u00e1quina, mas baseado em redes neurais artificiais com um conjunto de camadas de prop\u00f3sito espec\u00edfico\u201d, esclarece Cruvinel.<\/p>\n
Bertolla explica que o algoritmo computacional tem a capacidade de avaliar as imagens digitais de distintos est\u00e1gios de crescimento da lagarta situada nas plantas de milho, assim como seu est\u00e1gio de desenvolvimento e frequ\u00eancia de ocorr\u00eancia na \u00e1rea de cultura. O programa foi desenvolvido em Python, linguagem de programa\u00e7\u00e3o de alto n\u00edvel muito usada em ci\u00eancia de dados e aprendizado de m\u00e1quina.<\/p>\n
O estudo avaliou um total de 2.280 imagens de lagartas-do-cartucho presentes em folhas ou em espigas na \u00e1rea de cultivo do milho, de forma a qualificar cinco distintos est\u00e1gios de desenvolvimento da praga durante o ciclo de produ\u00e7\u00e3o.<\/p>\n
Base para futuros estudos<\/strong><\/h4>\nCruvinel e Bertolla relatam que a qualidade dos resultados confirmou a recomenda\u00e7\u00e3o do uso da estrutura baseada em aprendizado profundo. Os dados passaram por an\u00e1lise de acur\u00e1cia, precis\u00e3o, tempo de processamento e desempenho do hardware para o cen\u00e1rio proposto.<\/p>\n
\u201cO m\u00e9todo tamb\u00e9m apresentou resultado consider\u00e1vel em quesitos referentes ao desempenho de hardware e tempo de processamento, o que pode ser tamb\u00e9m interessante para uma a\u00e7\u00e3o futura relacionada \u00e0 disponibiliza\u00e7\u00e3o dessa tecnologia na vers\u00e3o embarcada, para uso diretamente como parte de implementos agr\u00edcolas\u201d, aponta Cruvinel.<\/p>\n
Eles sugerem, para trabalhos futuros, incluir outras t\u00e9cnicas de intelig\u00eancia artificial dedicada ao controle de pragas para o reconhecimento e classifica\u00e7\u00e3o de padr\u00f5es, tanto de forma n\u00e3o supervisionada como por meio do uso de uma c\u00e2mera multiespectral embarcada em um Ve\u00edculo A\u00e9reo N\u00e3o Tripulado (VANT) para opera\u00e7\u00e3o em tempo real.<\/p>\n<\/div>\n
THE MM Cereais<\/strong> works with the best grains on the market and also keeps you up to date with the latest news and analyses on agribusiness.
\nDon't forget to follow our social networks.<\/em><\/h6>\n
<\/p>\nFoto: Joana Silva<\/p>\n<\/div>\n
Bertolla conta que o estudo focou no reconhecimento e na classifica\u00e7\u00e3o de padr\u00f5es din\u00e2micos da lagarta-do-cartucho, que al\u00e9m do milho, ataca diversas culturas agr\u00edcolas, como a soja e do algod\u00e3o. Ele ressalta que a solu\u00e7\u00e3o obtida pode auxiliar agr\u00f4nomos e laborat\u00f3rios a ter resultados mais precisos.<\/p>\n
Para facilitar a capta\u00e7\u00e3o das imagens, uma c\u00e2mera fotogr\u00e1fica simples pode ser acoplada em implementos agr\u00edcolas, para que possa coletar as imagens das lagartas presentes nas plantas de milho, tanto folhas como espiga, enquanto executa opera\u00e7\u00f5es na lavoura. A c\u00e2mera n\u00e3o precisa ser de alto custo, \u00e9 necess\u00e1rio apenas produzir imagens com boa resolu\u00e7\u00e3o.<\/p>\n
Integra\u00e7\u00e3o de processos<\/strong><\/h4>\nO m\u00e9todo integra processamento digital de imagens e sinais, estat\u00edstica multivariada, t\u00e9cnicas de aprendizado de m\u00e1quina e vis\u00e3o computacional. \u201cO aprendizado de m\u00e1quina descreve a capacidade dos sistemas de aprender a partir de dados personalizados de treinamento de problemas para automatizar e resolver tarefas associadas. Em conjunto com esse conceito, o aprendizado profundo tamb\u00e9m \u00e9 um processo de aprendizado de m\u00e1quina, mas baseado em redes neurais artificiais com um conjunto de camadas de prop\u00f3sito espec\u00edfico\u201d, esclarece Cruvinel.<\/p>\n
Bertolla explica que o algoritmo computacional tem a capacidade de avaliar as imagens digitais de distintos est\u00e1gios de crescimento da lagarta situada nas plantas de milho, assim como seu est\u00e1gio de desenvolvimento e frequ\u00eancia de ocorr\u00eancia na \u00e1rea de cultura. O programa foi desenvolvido em Python, linguagem de programa\u00e7\u00e3o de alto n\u00edvel muito usada em ci\u00eancia de dados e aprendizado de m\u00e1quina.<\/p>\n
O estudo avaliou um total de 2.280 imagens de lagartas-do-cartucho presentes em folhas ou em espigas na \u00e1rea de cultivo do milho, de forma a qualificar cinco distintos est\u00e1gios de desenvolvimento da praga durante o ciclo de produ\u00e7\u00e3o.<\/p>\n
Base para futuros estudos<\/strong><\/h4>\nCruvinel e Bertolla relatam que a qualidade dos resultados confirmou a recomenda\u00e7\u00e3o do uso da estrutura baseada em aprendizado profundo. Os dados passaram por an\u00e1lise de acur\u00e1cia, precis\u00e3o, tempo de processamento e desempenho do hardware para o cen\u00e1rio proposto.<\/p>\n
\u201cO m\u00e9todo tamb\u00e9m apresentou resultado consider\u00e1vel em quesitos referentes ao desempenho de hardware e tempo de processamento, o que pode ser tamb\u00e9m interessante para uma a\u00e7\u00e3o futura relacionada \u00e0 disponibiliza\u00e7\u00e3o dessa tecnologia na vers\u00e3o embarcada, para uso diretamente como parte de implementos agr\u00edcolas\u201d, aponta Cruvinel.<\/p>\n
Eles sugerem, para trabalhos futuros, incluir outras t\u00e9cnicas de intelig\u00eancia artificial dedicada ao controle de pragas para o reconhecimento e classifica\u00e7\u00e3o de padr\u00f5es, tanto de forma n\u00e3o supervisionada como por meio do uso de uma c\u00e2mera multiespectral embarcada em um Ve\u00edculo A\u00e9reo N\u00e3o Tripulado (VANT) para opera\u00e7\u00e3o em tempo real.<\/p>\n<\/div>\n
THE MM Cereais<\/strong> works with the best grains on the market and also keeps you up to date with the latest news and analyses on agribusiness.
\nDon't forget to follow our social networks.<\/em><\/h6>\n
Cruvinel e Bertolla relatam que a qualidade dos resultados confirmou a recomenda\u00e7\u00e3o do uso da estrutura baseada em aprendizado profundo. Os dados passaram por an\u00e1lise de acur\u00e1cia, precis\u00e3o, tempo de processamento e desempenho do hardware para o cen\u00e1rio proposto.<\/p>\n
\u201cO m\u00e9todo tamb\u00e9m apresentou resultado consider\u00e1vel em quesitos referentes ao desempenho de hardware e tempo de processamento, o que pode ser tamb\u00e9m interessante para uma a\u00e7\u00e3o futura relacionada \u00e0 disponibiliza\u00e7\u00e3o dessa tecnologia na vers\u00e3o embarcada, para uso diretamente como parte de implementos agr\u00edcolas\u201d, aponta Cruvinel.<\/p>\n
Eles sugerem, para trabalhos futuros, incluir outras t\u00e9cnicas de intelig\u00eancia artificial dedicada ao controle de pragas para o reconhecimento e classifica\u00e7\u00e3o de padr\u00f5es, tanto de forma n\u00e3o supervisionada como por meio do uso de uma c\u00e2mera multiespectral embarcada em um Ve\u00edculo A\u00e9reo N\u00e3o Tripulado (VANT) para opera\u00e7\u00e3o em tempo real.<\/p>\n<\/div>\n