A carregar...
Publicação
Applying Deep Learning to Estimate Fruit Yield in Agriculture 4.0 Systems
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 7.25 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Over the last few years, with the advances in Information and Communications Technology
(ICT) and the increasing human needs, industry has been reshaping itself. A new
industrial revolution is emerging, and it is called Industry 4.0. This revolution intends
to digitize the market and make it as intelligent as possible. As the history tells, every
time there is an industry revolution, the agricultural sector benefits from it. Agriculture
4.0 is ongoing, and it is marked by intelligence and data. It aims to make the agricultural
sector more efficient, that is: producing more outputs (such as food, fibers, fuel and other
raw materials) while using less inputs (e.g. water, fertilizers, pesticides). Additionally, it
envisions to promote food security, by reducing food loss and waste during the “Farm to
Fork” journey.
A major challenge in the agricultural sector is forecasting food storage and marketing
activities prior to harvesting. Nowadays, most farmers manually count fruits before
harvesting, in order to estimate the production yield of their fields, as a means to manage
storage and marketing activities. Manually counting fruits in large fields is a laborious,
costly and time-consuming effort, which is often also error prone. A consequence of this
outdated methodology is that it leads to food wastage, which can affect food security.
The developed work along this dissertation is an entry point to a system that is capable
of estimating the production yield of a whole orchard, while being capable of respecting
the required time constraints of each case study. With data taken with a smartphone, the
developed system was able to accurately estimate the number of fruits present in tree
sides, registering accuracies up to 98%. The high accuracy and speed results were possible
due to the combination of state-of-the-art object detection and tracking techniques. To
achieve this, a large model of Scaled YOLOv4 was combined with an online Multiple
Object Tracking (MOT) framework based on Simple Online and Realtime Tracking with a
Deep Association Metric (Deep SORT). Furthermore, this results validated the viability of
implementing a proposed system, capable of estimating the fruit yield of a whole tree and,
consequently, the production yield of the whole orchard, that is both low in complexity,
easy-to-use, fast and reliable.
O avanço das ICTs, juntamente com as necessidades humanas, está a proporcionar uma nova revolução industrial, designada de Indústria 4.0. Esta revolução visa uma digitalização do mercado, assim como torná-lo mais inteligente. Sempre que uma revolução industrial toma lugar, o setor agrícola beneficia disso, herdando as tecnologias que fazem parte de tal revolução. A agricultura 4.0 está em progresso, e é marcada por inteligência e informação. Esta revolução tem como objetivo tornar o setor agrícola mais eficiente, isto é: produzir mais (por exemplo comida, fibras, combustível e outras matérias-primas) com menos (e.g. água, fertilizantes, pesticidas). Adicionalmente, esta revolução visa a promoção da segurança alimentar, através da redução da perda e do desperdício de comida. Um grande problema no setor agrícola reside no planeamento de armazenamento e marketing de alimentos, antes da sua colheita. Na realidade, a maioria dos agricultores realiza o processo de contagem de frutos, do seu campo agrícola, manualmente, a fim de planear o espaço necessário para armazenar os mesmos e planear as suas vendas. A contagem manual de frutos é uma tarefa dispendiosa, que consome uma grande porção de tempo, tediosa, e propícia a erros. Uma consequência desta metodologia de trabalho é o desperdício alimentar, o qual leva ao comprometimento da segurança alimentar. O trabalho desenvolvido ao longo desta dissertação é um ponto de partida para um sistema que é capaz de estimar o rendimento de produção de um pomar inteiro, e ao mesmo tempo capaz de respeitar as restrições temporais de cada caso de estudo. Através de dados adquiridos com um smartphone, o sistema desenvolvido é capaz de estimar o número de frutos presentes em faces de árvores, registando eficácias tão altas como 98%. Os resultados obtidos foram possíveis devido às técnicas implementadas, que contaram com a combinação de metodologias de estado de arte de deteção e rastreamento de objetos. Um modelo da arquitetura Scaled YOLOv4 foi combinado com uma framework baseada em Deep SORT capaz de rastrear múltiplos objetos numa sequência de imagens. Os resultados obtidos validam a viabilidade da implementação de um sistema proposto, que ambiciona ser simples, fácil de usar, rápido e fiável na contagem de frutos de uma árvore inteira e, consequentemente, na estimação do rendimento de produção de um pomar inteiro.
O avanço das ICTs, juntamente com as necessidades humanas, está a proporcionar uma nova revolução industrial, designada de Indústria 4.0. Esta revolução visa uma digitalização do mercado, assim como torná-lo mais inteligente. Sempre que uma revolução industrial toma lugar, o setor agrícola beneficia disso, herdando as tecnologias que fazem parte de tal revolução. A agricultura 4.0 está em progresso, e é marcada por inteligência e informação. Esta revolução tem como objetivo tornar o setor agrícola mais eficiente, isto é: produzir mais (por exemplo comida, fibras, combustível e outras matérias-primas) com menos (e.g. água, fertilizantes, pesticidas). Adicionalmente, esta revolução visa a promoção da segurança alimentar, através da redução da perda e do desperdício de comida. Um grande problema no setor agrícola reside no planeamento de armazenamento e marketing de alimentos, antes da sua colheita. Na realidade, a maioria dos agricultores realiza o processo de contagem de frutos, do seu campo agrícola, manualmente, a fim de planear o espaço necessário para armazenar os mesmos e planear as suas vendas. A contagem manual de frutos é uma tarefa dispendiosa, que consome uma grande porção de tempo, tediosa, e propícia a erros. Uma consequência desta metodologia de trabalho é o desperdício alimentar, o qual leva ao comprometimento da segurança alimentar. O trabalho desenvolvido ao longo desta dissertação é um ponto de partida para um sistema que é capaz de estimar o rendimento de produção de um pomar inteiro, e ao mesmo tempo capaz de respeitar as restrições temporais de cada caso de estudo. Através de dados adquiridos com um smartphone, o sistema desenvolvido é capaz de estimar o número de frutos presentes em faces de árvores, registando eficácias tão altas como 98%. Os resultados obtidos foram possíveis devido às técnicas implementadas, que contaram com a combinação de metodologias de estado de arte de deteção e rastreamento de objetos. Um modelo da arquitetura Scaled YOLOv4 foi combinado com uma framework baseada em Deep SORT capaz de rastrear múltiplos objetos numa sequência de imagens. Os resultados obtidos validam a viabilidade da implementação de um sistema proposto, que ambiciona ser simples, fácil de usar, rápido e fiável na contagem de frutos de uma árvore inteira e, consequentemente, na estimação do rendimento de produção de um pomar inteiro.
Descrição
Palavras-chave
Agriculture 4.0 Fruit Tracking Production Yield