Alessandra Marieli Vacari
Doutora em Entomologia, professora e pesquisadora – Universidade de Franca (Unifran)
alessandra.vacari@unifran.edu.br
As perdas econômicas devido à ocorrência de insetos-pragas podem ser elevadas na agricultura. Assim, a identificação antecipada de insetos é crucial para o controle em áreas agrícolas, o que irá contribuir para evitar perdas econômicas e reduzir o uso excessivo de agrotóxicos.
Geralmente, os produtores, ao fazerem o manejo de pragas, usam métodos de inspeção manuais para monitorar populações de insetos. Essa pode ser uma tarefa demorada e pode requerer recursos humanos para lidar eficazmente com áreas agrícolas de grande porte.
Além disso, a escassez de mão de obra é um problema crítico, já que é um trabalho que exige pessoas treinadas para identificar insetos e manusear diversos agrotóxicos. Além disso, esse tipo de trabalho também precisa de conhecimento sólido em biologia de insetos para que o controle de pragas seja conduzido de forma eficaz.
Tecnologias inteligentes
No Brasil, uma empresa de manejo de pragas chegou a uma solução para esse problema que permite conectividade em qualquer região do mundo. Utilizando o conceito de computação de bordo (edge computing), e viabilizado pela aprendizagem de máquina (machine learning), a empresa desenvolveu armadilhas inteligentes que utilizam transmissão de dados via satélite, ajudando, desta forma, a garantir que insumos químicos e/ou biológicos sejam aplicados onde e quando necessário.
Um sistema de monitoramento remoto é uma técnica emergente. Em esquema de monitoramento remoto, a Internet das coisas (IoT) é um método amplamente utilizado para várias aplicações de inspeção, incluindo assistência médica, agricultura moderna, vigilância humana, monitoramento ambiental, rastreamento de objetos em smart cidades etc.
Como funciona
Por meio da IoT, a equipe de controle de insetos pode monitorar armadilhas em qualquer lugar do planeta. Um sistema de monitoramento de armadilha inteligente é baseado em IoT para controlar insetos em culturas agrícolas.
O sistema IoT foi projetado para coletar informações sobre a população de pragas em tempo real, o nível regional e a localização pelo Sistema de Posicionamento Global (GPS). Os dados coletados são enviados para o servidor presente no Sistema de Gerenciamento de Pragas, que auxilia o controle oportuno da população de pragas no campo.
A utilização de rede IoT e o sistema de imagem sem fio podem ser utilizados no sistema de monitoramento remoto de pragas. O sistema de imagem usa cores k-means, algoritmo de agrupamento e contagem de blob para contar automaticamente o número de inseto na armadilha.
O esquema de gerenciamento de campo de fazenda inteligente habilitado para IoT é utilizado para continuamente monitorar o crescimento das plantações, detectar insetos na fazenda e encontrar agrotóxicos adequados para controlar as pragas.
O sistema de imagem remoto automatizado é utilizado para proteção de cultivos onde armadilhas como por exemplo Spensa Z-Trap, vista de armadilha ADAMA e módulo de armadilha para mariposas DPIRD podem ser usadas para monitorar populações de insetos em campo remotamente.
Alvo específico
Também existem armadilhas inteligentes habilitadas para IoT para monitoramento de moscas-das-frutas. Nesse caso, quando a asa do inseto se movimenta o conteúdo espectral é usado para contar o número de insetos na armadilha.
O sensor óptico bimodal é usado em e-trap eletrônica para medir o conteúdo espectral do batimento das asas, e o módulo General Packet Radio Service (GPRS) é adotado para monitoramento de insetos. No entanto, identificar automaticamente os insetos-praga é outro desafio no monitoramento remoto de armadilhas.
A detecção de objetos e a tomada de decisões baseadas em Machine Learning (ML) e Deep Learning (DL) são amplamente aplicado em vários campos, incluindo controle de insetos.
No Manejo Integrado de Pragas (MIP) usando uma técnica de visão computacional é possível usar LOSS V2 e os algoritmos Scales Invariant Feature Transform (SIFT) para detectar diferentes pragas como Diabrotica, pulgões, cigarrinhas, tripes e mosca-branca na imagem.
Precisão
Baseado em imagem, é possível a identificação e classificação automatizadas de insetos de importância agrícola. Por exemplo, o método de reconhecimento de insetos em campo baseado em aprendizagem de máquina e aprendizagem de múltiplos kernels (Multiple Kernel Learning – MKL) foi testado com 24 diferentes insetos e obteve uma média de 97% de precisão de classificação e levou 0,2 segundo para processar uma imagem.
Assim, é possível fazer a detecção automática de mariposas e outras pragas a partir de imagens de armadilhas usando a estrutura de aprendizado para identificar e contar pragas nas imagens de armadilhas.
A IoT e o esquema de monitoramento de insetos baseado em aprendizagem de máquina automatizam o método de identificação de insetos por meio de uma estrutura CNN treinada e superam a eficiência de sistemas monitoramento já utilizados até então no MIP.
