Publicação: Validação da plantabilidade em soja com uso de visão computacional
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::CIENCIAS AGRARIAS::AGRONOMIA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Este trabalho apresenta um fluxo de trabalho para aferição de plantabilidade em soja a partir de
imagens pontuais obtidas por aeronave remotamente pilotada, integrando visão computacional,
análise espacial e geoestatística. O estudo foi conduzido na Fazenda Mandaguari (Indianópolis-
MG), pivô central 3-1 (talhão 1), com 14,13 ha. A aquisição de dados, realizada em 30 de
outubro de 2025, seguiu duas etapas: (i) voo a aproximadamente 120 m AGL para geração de
ortomosaico, MDE e MDT; e (ii) voo baixo por pontos, a aproximadamente 4 m AGL, com uma
imagem por ponto no estádio VC. As imagens pontuais foram processadas por um modelo
YOLOv8m de segmentação por instância treinado com tiles de 640 × 640 pixels, com divisão do
conjunto de dados por ponto (foto/ponto). Na validação, foram obtidos mAP50(box)=0,963,
mAP50(mask)=0,960, mAP50–95(box)=0,782, mAP50–95(mask)=0,715,
precision(box)=0,918 e recall(box)=0,938. As máscaras segmentadas foram convertidas em
centroides no QGIS, e um script em Python estimou a direção dominante de plantio, agrupou
fileiras e calculou espaçamentos longitudinais entre plantas, classificando falhas e duplas de
forma relativa ao espaçamento esperado em cada imagem. Como controle de qualidade do
encadeamento entre centroides, pontos com drop_pct ≥ 25% foram tratados como falha severa
de linking e removidos, resultando em n=39 para as análises descritivas e espaciais. Após o
filtro, observaram-se medianas de %CV=65,20%, %duplas=8,93% e %falhas=18,68%. A
krigagem ordinária permitiu gerar mapas temáticos e semivariogramas; entretanto, o I de Moran
não indicou autocorrelação espacial significativa a 5% e a validação cruzada apresentou baixos
R², sugerindo estrutura espacial fraca e capacidade preditiva limitada nas condições avaliadas.
Conclui-se que o método é reprodutível e adequado para quantificar indicadores pontuais de
plantabilidade, enquanto a robustez dos produtos espaciais depende de maior densidade
amostral e/ou incorporação de covariáveis.
Abstract
This study presents a workflow for assessing soybean planting quality from point-based
imagery acquired by a remotely piloted aircraft, integrating computer vision, spatial analysis,
and geostatistics. The study was conducted at Mandaguari Farm (Indianópolis, Minas Gerais,
Brazil), center pivot 3-1 (Field 1), covering 14.13 ha. Data acquisition, performed on October
30, 2025, followed two stages: (i) a flight at approximately 120 m AGL to generate an
orthomosaic and digital elevation and terrain models; and (ii) a low-altitude point-based flight at
approximately 4 m AGL, with one image per sampling point at the VC growth stage. Point
images were processed with a YOLOv8m instance-segmentation model trained on 640 × 640-
pixel tiles using a point-level dataset split. Validation reached mAP50(box)=0.963,
mAP50(mask)=0.960, mAP50–95(box)=0.782, mAP50–95(mask)=0.715,
precision(box)=0.918, and recall(box)=0.938. Segmented masks were converted to centroids in
QGIS, and a Python script estimated the dominant planting direction, grouped crop rows, and
calculated within-row plant spacing, classifying skips and doubles relative to the expected
spacing within each image. As a quality-control criterion for centroid linking, points with
drop_pct ≥ 25% were treated as severe linking failures and removed, yielding n=39 for
descriptive and spatial analyses. After filtering, median values were %CV=65.20%,
%doubles=8.93%, and %skips=18.68%. Ordinary kriging was used to generate thematic maps
and variograms; however, Moran's I did not indicate significant spatial autocorrelation at the
5% level, and cross-validation yielded low R² values, indicating weak spatial structure and
limited predictive performance under the evaluated conditions. The workflow was reproducible
and suitable for quantifying point-level planting-quality indicators, whereas stronger spatial
products will require higher sampling density and/or additional covariates.
Palavras-chave
Agricultura de precisão, Aeronave remotamente pilotada, Geoestatística, Krigagem ordinária, Precision agriculture, Remotely piloted aircraft, Geostatistics, Ordinary kriging
Citação
LEMOS, Arthur Alves. Validação da plantabilidade em soja com uso de visão computacional. 2026. 23 f. Trabalho de Conclusão de Curso (Graduação em Agronomia) - Universidade Federal de Uberlândia, Uberlândia, 2026.
DOI
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto