Otimização avançada de rotas de drones para a deteção de cachos utilizando algoritmos baseados na inteligência de enxame

No atual panorama da agricultura de precisão, a integração de tecnologias avançadas, como os Veículos Aéreos Não Tripulados, UAV, na sigla em inglês (Fig. 1), também chamados drones, está a revolucionar o modo como se gerem e monitorizam as culturas. Esta evolução tecnológica é especialmente pertinente na viticultura, onde a deteção precisa e eficiente de cachos é essencial para estimar rendimentos, planear colheitas, detetar doenças e gerir recursos de forma ideal (Vélez et al., 2023). No entanto, a tarefa de detetar cachos apresenta desafios únicos, principalmente devido à complexidade do seu ambiente biofísico e à variabilidade na disposição e ocultação dos cachos entre a folhagem.

Neste contexto, a análise detalhada através da aquisição de dados de qualidade é crucial. Tradicionalmente, este processo era manual, trabalhoso e propenso a erros, em grande parte devido à dificuldade de aceder visualmente aos frutos escondidos pelas folhas e à variabilidade ambiental das vinhas. A implementação de UAV na viticultura e a automatização do processamento de imagens (Ariza-Sentís et al., 2023) prometem abordar estes desafios, oferecendo uma plataforma ágil e versátil para a recolha de dados. Neste sentido, a utilização de rotas eficientes através de algoritmos de otimização pode ser fundamental (Mier et al., 2023). No entanto, para maximizar o seu potencial, é essencial desenvolver não só metodologias avançadas de planificação de rotas que otimizem as trajetórias de voo dos UAV, mas que também ter considerem as peculiaridades específicas da cultura e do seu espaço envolvente.

Figura 1. Diferentes drones utilizados neste projeto, também chamados Veículos Aéreos Não Tripulados (UAV, na sigla em inglês).

A nossa investigação centra-se no desenvolvimento de uma metodologia que utiliza o algoritmo de Otimização de Colónias de Formigas (ACO, na sigla em inglês) para melhorar significativamente a deteção de cachos. Esta abordagem inovadora procura otimizar a recolha de dados e imagens a partir de vários ângulos e alturas, assegurando uma cobertura exaustiva e ultrapassando, tanto quanto possível, os problemas de visibilidade provocados pelo ocultação foliar. Ao adaptar a tecnologia UAV às necessidades específicas das vinhas, o nosso estudo tem o potencial de marcar um ponto de viragem na agricultura de precisão, proporcionando aos viticultores ferramentas poderosas para uma gestão mais eficiente e eficaz das suas culturas. Além disso, por se tratar de uma ferramenta adaptável e configurável, é potencialmente extrapolável para outras culturas lenhosas.

O principal propósito desta investigação é desenvolver um modelo avançado para a planificação de rotas de UAV em vinhas, utilizando o algoritmo de Otimização de Colónias de Formigas. O nosso objetivo específico é criar um sistema que responda a dois desafios fundamentais: 1) Melhorar as rotas de voo para as áreas onde potencialmente existem cachos 2) Estabelecer uma série de manobras perto dos pontos de observação para aumentar a probabilidade de identificar cachos, incluindo os que podem estar ocultos sob a folhagem. Deste modo, o sistema permitirá aos UAV navegar eficientemente através dos complexos ambientes das vinhas, bem como obter imagens das videiras (waypoints) desde diferentes ângulos, através da rotação do drone, para assim melhorar a deteção de cachos e evitar, tanto quanto possível, os problemas provocados pela ocultação que a folhagem gera (Fig. 2). Além disso, procuramos avaliar e comparar a eficácia do nosso algoritmo com métodos tradicionais de planificação de rotas, para determinar a sua eficácia na melhoria da eficiência na recolha de dados e na qualidade das informações recolhidas.

Figura 2. Deslocação do drone em cada videira da vinha: (a) Cada localização ou “waypoint” subdivide-se em esquerdo, central e direito, capturando imagens desde os três ângulos. (b) Em caso de interesse agrícola em ambos os lados do dossel, o UAV segue uma sequência esquerda-central-direita para cada lado, rodando a câmara para capturar a partir de múltiplas perspetivas.

Para atingir estes objetivos, desenvolvemos um algoritmo de planificação de rotas baseado em ACO, concebido para adaptar as rotas de voo em tempo real, tendo em conta fatores como a topografia da vinha, a disposição das plantas e a presença de obstáculos naturais, como árvores na parcela ou mesmo bosques ao redor das mesmas. A implementação prática do estudo envolveu a utilização de UAV equipados com sensores para a recolha de dados. Os voos foram realizados seguindo as rotas planificadas pelo nosso algoritmo ACO, centrando-se especialmente na eficácia da recolha de dados em áreas de difícil acesso visual. Os dados obtidos foram analisados para avaliar a melhoria na eficiência da planificação de rotas e na qualidade dos dados recolhidos, em comparação com os métodos tradicionais e outros algoritmos de planificação de rotas.

Por fim, para realizar os testes foram selecionadas duas vinhas com diferentes características. Esta diversidade permitiu-nos avaliar a adaptabilidade e robustez do algoritmo desenvolvido em diferentes cenários. Esta fase foi crucial para garantir que a nossa abordagem não é apenas teoricamente sólida, mas também prática e aplicável no domínio da agricultura de precisão, especialmente no contexto da viticultura.

Fig. 3. Planificação de missões aéreas com ACO-MMAS, utilizando uma ou várias plataformas. Os pontos verdes e vermelhos indicam, respetivamente, o início e o fim da rota. As zonas a branco representam zonas proibidas ou sem interesse agrícola.

Os resultados obtidos com a implementação e adaptação do algoritmo de Otimização de Colónias de Formigas na planificação de rotas de UAV em vinhas foram significativamente positivos. O modelo desenvolvido demonstrou uma melhoria notável na eficiência da navegação dos UAV, reduzindo a distância do caminho das rotas calculadas até 24% em comparação com o algoritmo de base (Fig. 3). Esta otimização resultou numa cobertura mais exaustiva da vinha e numa melhor deteção de cachos, especialmente em áreas onde existia ocultação de cachos.

Além disso, a adaptabilidade do algoritmo a diferentes ambientes de vinha foi um dos pontos fortes mais destacados. O modelo demonstrou uma eficácia consistente tanto em vinhas com disposições simples como naquelas com estruturas de vegetação mais complexas e variadas. Esta flexibilidade é crucial para a aplicação prática do algoritmo na agricultura de precisão, onde as condições das culturas podem variar significativamente.

É importante salientar como a implementação de tecnologias avançadas, como os UAV com planificação de rotas inteligentes, pode revolucionar a agricultura moderna. A abordagem apresentada não só melhora a eficiência operacional, como também contribui para uma gestão mais sustentável das culturas, tanto a nível económico como ambiental, reduzindo a necessidade de intervenções manuais e permitindo uma tomada de decisões mais informada e precisa.

Em conclusão, este estudo demonstra que a utilização do algoritmo ACO para a planificação de rotas de UAV em vinhas oferece uma abordagem promissora para melhorar a eficiência e precisão na deteção de cachos no âmbito da agricultura de precisão. Os resultados obtidos não só validam a eficácia do modelo em diferentes ambientes, como também abrem caminho para futuras investigações e aplicações noutros aspetos da gestão agrícola.

Através desta investigação, pretendemos estabelecer um novo padrão na planificação de rotas para UAV em culturas em latada, potenciando a eficiência e a eficácia na gestão das culturas e marcando um passo significativo no sentido do aproveitamento do potencial das tecnologias avançadas na melhoria das práticas agrícolas, marcando um avanço importante na procura de métodos mais eficientes e sustentáveis.

Agradecimentos

Este trabalho foi realizado no âmbito do projeto H2020 FlexiGroBots, financiado pela Comissão Europeia (número de contrato 101017111, https://flexigrobots-h2020.eu/). Agradecemos a todos os colaboradores do projeto e à “Bodegas Terras Gauda, S.A.” pelas suas valiosas contribuições.

Referências

Ariza-Sentís, M., Vélez, S., & Valente, J. (2023). BBR: An open-source standard workflow based on biophysical crop parameters for automatic Botrytis cinerea assessment in vineyards. SoftwareX, 24, 101542. https://doi.org/10.1016/j.softx.2023.101542

Mier, G., Valente, J., & De Bruin, S. (2023). Fields2Cover: An Open-Source Coverage Path Planning Library for Unmanned Agricultural Vehicles. IEEE Robotics and Automation Letters, 8(4), 2166–2172. https://doi.org/10.1109/LRA.2023.3248439

Vélez, S., Ariza-Sentís, M., & Valente, J. (2023). Mapping the spatial variability of Botrytis bunch rot risk in vineyards using UAV multispectral imagery. European Journal of Agronomy, 142, 126691. https://doi.org/10.1016/j.eja.2022.126691