ABSTRACT Coffee farmers do not have efficient tools to have sufficient and reliable information on the maturation stage of coffee fruits before harvest. In this study, we propose a computer vision system to detect and classify the Coffea arabica (L.) on tree branches in three classes: unripe (green), ripe (cherry), and overripe (dry). Based on deep learning algorithms, the computer vision model YOLO (You Only Look Once), was trained on 387 images taken from coffee branches using a smartphone. The YOLOv3 and YOLOv4, and their smaller versions (tiny), were assessed for fruit detection. The YOLOv4 and YOLOv4-tiny showed better performance when compared to YOLOv3, especially when smaller network sizes are considered. The mean average precision (mAP) for a network size of 800 × 800 pixels was equal to 81 %, 79 %, 78 %, and 77 % for YOLOv4, YOLOv4-tiny, YOLOv3, and YOLOv3-tiny, respectively. Despite the similar performance, the YOLOv4 feature extractor was more robust when images had greater object densities and for the detection of unripe fruits, which are generally more difficult to detect due to the color similarity to leaves in the background, partial occlusion by leaves and fruits, and lighting effects. This study shows the potential of computer vision systems based on deep learning to guide the decision-making of coffee farmers in more objective ways.

RESUMO As práticas de gestão localizada têm sido possibilitadas devido à ampla variedade de soluções para a aquisição de dados e as intervenções em nível de talhão. Diferentes abordagens devem ser consideradas para a coleta de dados, como os sensores de solo e de planta dedicados ou mesmo associados à capacidade das máquinas agrícolas gerarem dados relevantes que permitam ao agricultor ou ao gerente agrícola inferir a variabilidade espacial dos talhões. No entanto, elevados recursos computacionais são necessários para converter os extensos bancos de dados em informações úteis ao gerenciamento localizado da lavoura. Assim, as tecnologias oriundas da indústria, como a Internet das Coisas e a Inteligência Artificial, aplicadas à produção agrícola, têm direcionado o processo de tomada de decisão das práticas de agricultura de precisão. A interpretação e a integração de informações de diferentes fontes de dados permitem o aprimoramento do manejo agrícola devido à sua capacidade de predizer atributos de planta e de solo por meio de ferramentas avançadas baseadas em dados. Alguns exemplos são o monitoramento de cultivos, aplicações localizadas de insumos, e detecção de doenças por meio de sistemas baseados em nuvem nas plataformas digitais, previamente elaborados para os sistemas de apoio à decisão. Nesta revisão, discutimos as diferentes abordagens e recursos tecnológicos, popularmente denominados como Agricultura 4.0 ou Agricultura Digital, que se inserem no contexto do gerenciamento da variabilidade espacial das lavouras considerando diferentes fontes de dados de planta e de solo.

ABSTRACT Site-specific management practices have been possible due to the wide range of solutions for data acquisition and interventions at the field level. Different approaches have to be considered for data collection, like dedicated soil and plant sensors, or even associated with the capacity of the agricultural machinery to generate valuable data that allows the farmer or the manager to infer the spatial variability of the fields. However, high computational resources are needed to convert extensive databases into useful information for site-specific management. Thus, technologies from industry, such as the Internet of Things and Artificial Intelligence, applied to agricultural production, have supported the decision-making process of precision agriculture practices. The interpretation and the integration of information from different sources of data allow enhancement of agricultural management due to its capacity to predict attributes of the crop and soil using advanced data-driven tools. Some examples are crop monitoring, local applications of inputs, and disease detection using cloud-based systems in digital platforms, previously elaborated for decision-support systems. In this review, we discuss the different approaches and technological resources, popularly named as Agriculture 4.0 or digital farming, inserted in the context of the management of spatial variability of the fields considering different sources of crop and soil data.

RESUMO A importância da estimativa precisa da evapotranspiração está diretamente relacionada ao uso sustentável da água. Uma vez que a agricultura representa 70% do consumo de água no Brasil, a aplicação adequada e eficiente de água reduz os conflitos sobre o uso da água entre os múltiplos usuários. Considerando a importância de uma estimativa precisa da evapotranspiração, o objetivo do presente estudo foi modelar e comparar a evapotranspiração de referência a partir de diferentes metodologias heurísticas. O método padrão Penman-Monteith foi utilizado como referência para evapotranspiração, porém, para avaliar as metodologias heurísticas com dados escassos, avaliou-se o desempenho de métodos difundidos na literatura em relação à Penman-Monteith. Os métodos utilizados para estimar a evapotranspiração a partir de dados escassos foram Priestley-Taylor, Thornthwaite. As técnicas computacionais Regressão Stepwise (SWR), Random Forest (RF), Cubist (CB), Rede Neural com Regularização Bayesiana (BRNN) e Máquinas de Vetor de Suporte (SVM) foram utilizados para estimar a evapotranspiração, tanto com dados meteorológicos escassos, quanto com dados completos. Os resultados mostram a robustez dos métodos de aprendizagem de máquina na predição da evapotranspiração. Os critérios de desempenho desses métodos para dados meteorológicos completos variaram de 0,14 a 0,22 mm d-1 para erro absoluto médio (MAE), de 0,21 a 0,29 mm d-1 para raiz do erro quadrático médio (RMSE) e de 0,95 a 0,99 para o coeficiente de determinação (r²). As técnicas computacionais mostraram desempenho superior em todos os cenários em relação aos métodos estabelecidos na literatura. A BRNN apresentou o melhor desempenho geral.

ABSTRACT The importance of the precise estimation of evapotranspiration is directly related to sustainable water usage. Since agriculture represents 70% of Brazil’s water consumption, adequate and efficient application of water may reduce the conflicts over the use of water among the multiple users. Considering the importance of accurate estimation of evapotranspiration, the objective of the present study was to model and compare the reference evapotranspiration from different heuristic methodologies. The standard Penman-Monteith method was used as reference for evapotranspiration, however, to evaluate the heuristic methodologies with scarce data, two widely known methods had their performances assessed in relation to Penman-Monteith. The methods used to estimate evapotranspiration from scarce data were Priestley-Taylor and Thornthwaite. The computational techniques Stepwise Regression (SWR), Random Forest (RF), Cubist (CB), Bayesian Regularized Neural Network (BRNN) and Support Vector Machines (SVM) were used to estimate evapotranspiration with scarce and full meteorological data. The results show the robustness of the heuristic methods in the prediction of the evapotranspiration. The performance criteria of machine learning methods for full weather data varied from 0.14 to 0.22 mm d-1 for mean absolute error (MAE), from 0.21 to 0.29 mm d-1 for root mean squared error (RMSE) and from 0.95 to 0.99 coefficient of determination (r²). The computational techniques proved superior performance to established methods in literature, even in scenarios of scarce variables. The BRNN presented the best performance overall.