Visão computacional para veículos agrícolas autônomos
A agricultura de precisão representa uma revolução tecnológica na qual veículos agrícolas autônomos desempenham um papel crucial, visando aumentar a eficiência e segurança no cultivo de monoculturas. Para alcançar esse objetivo, é essencial implementar um sistema que integre uma variedade de sensores, destacando-se as câmeras de vídeo como componentes fundamentais. O propósito deste trabalho reside na aplicação da análise de imagem por meio de sensores instalados em tratores ou caminhões, capazes de identificar distintos tipos de plantas, ambientes e condições. As abordagens mais recentes e eficientes para a classificação de imagens envolvem o uso de redes neurais na análise visual. Aumentar a segurança operacional requer aplicar processos de aprendizado de máquina para treinar redes neurais a reconhecer e detectar objetos, pessoas e animais na área operacional do veículo. O método proposto consiste no desenvolvimento de um sistema de segurança para veículos autônomos baseado em visão computacional e redes neurais. Esse sistema emprega processos de aprendizado de máquina para treinar redes neurais a fim de reconhecer e detectar objetos, pessoas e animais na área operacional do veículo, contribuindo para tornar a operação de colheita e transbordo mais segura e eficiente. No decorrer da pesquisa, foram comparadas diferentes redes pré-treinadas, incluindo Yolo 3, 4, 5 e 8, SSDMobilente V1 e V2, SSDInception V2, sendo que a Yolo 4 apresentou o melhor desempenho ao ser implementada em uma placa AGX Jetson Orin. Esta rede alcançou uma taxa de 5 FPS na biblioteca OpenCV, demonstrando eficácia na execução das tarefas propostas.