Seed quality significantly affects how well crops grow. Traditional methods for checking seed quality, like seeing how many seeds sprout or using a chemical test called tetrazolium testing, require people to look at the seeds closely, which takes a lot of time and effort. Nowadays, computer vision, a technology that helps computers see and understand images, is being used more in farming. Here, we use computer vision with X-ray imaging to assist experts in rapidly and accurately assessing seed quality. We looked at three different sets of seeds using X-ray images and used YOLOv8 to analyze them. YOLOv8 software measures different aspects about seeds, like their size and the area taken up by the part inside, called the endosperm. Based on this information, we put the seeds into four groups depending on how much endosperm they have. Our results show that the YOLOv8 program works well in identifying and separating the endosperm, even with a small amount of data. Our method was able to accurately identify the endosperm about 95.6% of the time. This means that our approach can help determine how effective the seeds are to plant crops.

O sensoriamento remoto de apiários reduz a necessidade de inspeções manuais, desnecessárias e invasivas nas colmeias ao mesmo tempo que propicia aos apicultores, com antecedência, alertas de problemas in loco. O monitoramento da temperatura é uma das diversas prioridades quando se tem interesse em diagnosticar o estado de saúde e bem-estar de uma colônia, posto que as abelhas tem um rigoroso cuidado quanto à sua manutenção do microclima (clima interno à colmeia). Entretanto, eventuais falhas nos sensores podem contaminar os dados com valores anômalos ou simplesmente causar "buracos" nas informações. Neste artigo, propomos um modelo estatístico capaz de contornar problemas locais de outliers ou de dados ausentes em uma série temporal multivariada de dados de temperatura provenientes de uma grade com 36 sensores instalados em uma colmeia de abelhas, com métrica R2 superior a 87% em 35 dos 36 sensores.

Agricultural crops productivity is heavily influenced by the strength of their seeds. Current methods for testing seed vigor, such as the germination rate and tetrazolium test, rely on time-consuming human visual inspections. Computer Vision, a crucial technology in smart production processes, offers an automated alternative and is increasingly applied in digital agriculture processes. Here we propose a method that combines YOLOv8 and morphological analysis of seeds using X-ray images to aid seed quality analysts in classifying seed lots based on their physiological potential. We examined the internal morphology of three seed lots and generated X-ray images to train a YOLOv8-based model with a post-segmentation module. This model assessed various parameters such as the total seed area, area filled by the embryo and endosperm, length, width, and calculated the percentage occupied by the embryo and endosperm in relation to the total seed area. Subsequently, seeds were classified into four categories based on the internal area occupied by the endosperm and embryo. Our findings reveal the robust performance of the YOLOv8 model in segmenting and classifying despite the challenges posed by a relatively small dataset. Notably, the proposed model achieved an impressive accuracy of up to 95.6% in identifying and segmenting the endosperm over 1,500 epochs with just 15 training images. The endosperm/seed area ratio, particularly within the 50-60% range covering over 50% of the samples, emerged as a significant metric for evaluating the viability of seed batches.

A subnutrição infantil continua sendo uma preocupação significativa de saúde pública no Brasil, particularmente no Estado do Ceará. Este artigo apresenta uma análise abrangente dos padrões de subnutrição no Ceará, focando nas suas disparidades regionais e diferenças entre grupos sociais. Utilizando dados do Sistema de Vigilância Alimentar e Nutricional (SISVAN) de 2019 a 2023, examinamos o Déficit de Altura por Idade (DAI) em crianças de 0 a 5 anos em cinco regiões de saúde. Análises estatísticas, incluindo testes qui-quadrado e regressão binomial negativa, sugerem que tanto a localização geográfica quanto a pertença a grupos sociais influenciam significativamente os níveis de subnutrição infantil. Em particular, uma conclusão não óbvia e animadora é que a identidade indígena e a participação em grupos comunitários foram associadas a uma redução nos casos de DAI.

Este artigo aborda a questão da insegurança alimentar no Brasil, com foco no estado do Ceará. Utilizando dados socioeconômicos coletados em nível nacional, aplicamos modelos multiníveis para analisar como diferentes fatores impactam a insegurança alimentar em diversas regiões geográficas, incluindo micro e mesorregiões. Nossa pesquisa identificou que a proporção de indivíduos em domicílios com condições precárias, como piso de terra e uso de combustíveis para iluminação, está associada a um aumento significativo nas chances de deficiências nutricionais em crianças. Este artigo também destaca a importância de considerar variáveis socioeconômicas e demográficas ao elaborar políticas para combater a insegurança alimentar.