Neste estudo, foi explorado a aplicação de técnicas de Aprendizado Profundo (Deep Learning) para a classificação de plantações de coqueiro a partir de imagens coletadas por uma aeronave remotamente pilotada (RPA). Foi utilizado Rede Neural Convolucional para criação de um modelo que classifica imagens em duas categorias: coqueiro e não-coqueiro. O modelo obteve a acurácia de 88%, concluindo que técnicas de Deep Learning são ferramentas viáveis para a identificação de plantas em áreas de grande extensão, com potencial para melhorar a gestão de culturas agrícolas.

As pesquisas para visualização 3D através da estereoscopia, como meio desimulação da realidade, ainda desafiam as atuais tecnologias em grau e qualidade da imersão alcançada. Assim, este trabalho propôs manipular fotografias aéreas para gerar anaglifos afim de detectar atividade mineradora e seu processo de urbanização, além de projetar seus impactos ambientais. Os materiais utilizados foram fotos aéreas oriundas de levantamentos aerofotogramétricos realizados em 1940, 1962, 1972, 1978 e 2010 além de softwares específicos para criar anaglifo e georreferenciar anaglifos, além de detectar e calcular as áreas de cava. A análise dos anaglifos multitemporais indicou uma mudança drástica no uso do solo da área da cava de mineração. Em 1972 e 1978 a projeção de impacto ambiental foi respectivamente classes alta e muito alta, o que comprometeria seriamente a continuidade dos trabalhos de lavra pelas distâncias dos locais das explosões às áreas habitadas, dadas as restrições relacionadas aos valores da Carga Máxima de Explosivo (CME) a ser detonada. Consideração que o guia para avaliação dos efeitos provocados pelo uso de explosivos nas minerações em áreas urbanas (NBR 9653), foi criado em 1986, as classes de projeção para os anos de 1940 e 1962 podem ter chegado até muito alta.

Brazil, the world's largest beef exporter, faces challenges in livestock farming due to the presence of noxious weeds in Brachiaria spp. pastures. The use of drones has proven to be an efficient alternative for monitoring these plants, but studies on the automatic identification of these species in aerial images are lacking. This study proposes using convolutional neural networks (CNNs) and model-agnostic meta-learning (MAML) to classify noxious weeds from drone images. Image data were collected in the municipalities of São Miguel dos Campos and Tanque D’Arca (in the state of Alagoas), using data augmentation and embedding extraction techniques to optimize model training. Several optimizers were evaluated in a CNN, with particle swarm optimization (PSO) achieving the highest accuracy (57.7 %) and the shortest processing time, followed by the Bat algorithm (BA) at 55.1 %. In the same way, MAML was tested with the 1-shot performing satisfactorily (53.3 %), while the 6-shot obtained the worst result (31.2 %). The statistical analysis confirmed significant differences among the methods, with PSO emerging as the most effective. Applying machine learning (ML) techniques to identify noxious weeds can contribute to more efficient and sustainable pasture management, reduce pesticide use, and optimize livestock productivity.

Este trabalho propõe um algoritmo de segmentação semântica baseado em Redes Neurais Convolucionais (RNC) para classificar plantas daninhas das famílias Amaranthaceae, Boraginaceae e Plantaginaceae, que são tóxicas para o gado. A identificação precisa dessas plantas é crucial para um controle eficaz. Para o desenvolvimento do algoritmo, foi coletado um conjunto de imagens de ervas daninhas em diversos cenários, como pastagens, plantações de cana-de-açúcar e outras culturas. As imagens foram normalizadas para um tamanho padrão de 704x1056 pixels. O algoritmo utilizou técnicas de meta-aprendizagem, como MAML, e o EfficientNet-B0, um extrator de características pré-treinado, em uma arquitetura de Rede Piramidal de Características (FPN) para segmentação semântica. A métrica Intersection over Union (IoU), também conhecida como mIoU, foi utilizada para avaliar o desempenho do modelo. Durante o treinamento, o modelo alcançou uma perda de 0,007, mIoU de 0,887 e acurácia de 0,998. Na validação, os resultados foram uma perda de 0,034, mIoU de 0,868 e acurácia de 0,988, demonstrando a eficiência e o alto desempenho do algoritmo proposto.