BR112019006453A2 - método, produto de programa de computador e sistema - Google Patents
método, produto de programa de computador e sistema Download PDFInfo
- Publication number
- BR112019006453A2 BR112019006453A2 BR112019006453A BR112019006453A BR112019006453A2 BR 112019006453 A2 BR112019006453 A2 BR 112019006453A2 BR 112019006453 A BR112019006453 A BR 112019006453A BR 112019006453 A BR112019006453 A BR 112019006453A BR 112019006453 A2 BR112019006453 A2 BR 112019006453A2
- Authority
- BR
- Brazil
- Prior art keywords
- species
- sensor
- detected
- detection
- fact
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 26
- 238000004590 computer program Methods 0.000 title claims description 13
- 241000894007 species Species 0.000 claims abstract description 155
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 244000038559 crop plants Species 0.000 claims abstract description 11
- 241000607479 Yersinia pestis Species 0.000 claims description 15
- 244000052769 pathogen Species 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001717 pathogenic effect Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000003936 working memory Effects 0.000 claims description 3
- 241001465754 Metazoa Species 0.000 claims description 2
- 230000005670 electromagnetic radiation Effects 0.000 claims description 2
- 241000238631 Hexapoda Species 0.000 abstract description 19
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 241000196324 Embryophyta Species 0.000 description 51
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 16
- 201000010099 disease Diseases 0.000 description 15
- 206010061217 Infestation Diseases 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 6
- 238000010191 image analysis Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 description 3
- 240000002791 Brassica napus Species 0.000 description 3
- 241000255925 Diptera Species 0.000 description 3
- 235000021536 Sugar beet Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 241000256837 Apidae Species 0.000 description 2
- 235000006008 Brassica napus var napus Nutrition 0.000 description 2
- 241000233866 Fungi Species 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 230000004397 blinking Effects 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002845 discoloration Methods 0.000 description 2
- 238000000799 fluorescence microscopy Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 239000011814 protection agent Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000003296 saliva Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 241001621841 Alopecurus myosuroides Species 0.000 description 1
- 240000001592 Amaranthus caudatus Species 0.000 description 1
- 235000009328 Amaranthus caudatus Nutrition 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 235000004977 Brassica sinapistrum Nutrition 0.000 description 1
- 241000233685 Bremia lactucae Species 0.000 description 1
- 241000254173 Coleoptera Species 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 241001237728 Precis Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 230000036579 abiotic stress Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000005667 attractant Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004181 pedogenesis Methods 0.000 description 1
- 244000000003 plant pathogen Species 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
- 230000000476 thermogenic effect Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M1/00—Stationary means for catching or killing insects
- A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
- A01M1/026—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects combined with devices for monitoring insect presence, e.g. termites
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Pest Control & Pesticides (AREA)
- Engineering & Computer Science (AREA)
- Wood Science & Technology (AREA)
- Environmental Sciences (AREA)
- Zoology (AREA)
- Insects & Arthropods (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Radar, Positioning & Navigation (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Catching Or Destruction (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
a presente invenção refere-se à identificação de insetos benéficos e/ ou organismos prejudiciais em um campo para plantas de cultivo. a presença de uma espécie no campo é capturada por um ou mais sensores. uma ou uma pluralidade de sugestões é/ são geradas quanto a qual espécie poderia ser. com base em um ou mais modelos, a probabilidade de que as espécies detectadas possam ser uma espécie proposta é calculada em cada caso. o local em que a espécie é detectada, o momento de detecção e, de preferência, outros parâmetros que afetam a presença da espécie proposta no campo são incluídos em um modelo. a capacidade expressiva do sensor ou sensores é aumentada por meio da modelagem.
Description
“MÉTODO, PRODUTO DE PROGRAMA DE COMPUTADOR E SISTEMA” [001] A presente invenção refere-se à identificação de insetos benéficos e/ ou organismos prejudiciais em um campo para plantas cultivadas.
[002] Na agricultura moderna, a detecção automática e reconhecimento de insetos benéficos e/ ou organismos nocivos dentro de áreas agricolamente utilizadas tem um papel cada vez mais importante. Por exemplo, uma tarefa importante é distinguir doadores de pólen úteis de insetos nocivos.
[003] Uma tarefa adicional importante é a de reconhecer se um limiar de danos foi excedido na presença de um organismo prejudicial no campo. O limiar de dano refere-se à densidade de infestação por organismos prejudiciais em que o controle se torna economicamente viável. Antes que esse valor seja alcançado, a despesa econômica adicional de controle é maior do que o déficit da safra. Se a densidade de infestação exceder esse valor, os custos de controle são, no mínimo, compensados pelo rendimento adicional esperado.
[004] Dependendo da natureza de uma praga, o limiar de dano pode variar muito. No caso de pragas que só podem ser controladas com grande despesa e efeitos negativos concomitantes na produção adicional, o limiar de dano pode ser extremamente alto. No entanto, nos casos em que até mesmo uma pequena infestação pode se tornar a fonte de um grande surto, o limiar de dano pode ser extremamente baixo.
[005] Deve-se notar que, para muitas pragas, o ponto no tempo em que o limiar de dano é excedido não corresponde exatamente ao ponto ótimo no tempo para medidas de controle. O limiar de controle está frequentemente abaixo do limiar de dano econômico, já que um certo período de tempo deve transcorrer antes que um agente de proteção de planta aplicado possa exercer seu efeito.
Petição 870190030684, de 29/03/2019, pág. 41/65
2/20 [006] O pré-requisito mais importante que permite o reconhecimento do limiar de dano e/ ou de controle é o controle eficiente da infestação.
[007] Para o controle da infestação de insetos nocivos, por exemplo, painéis de pintura colados ou conchas de captura amarelas são usados. Muitas pragas, como pragas de colza, são atraídas pela cor amarela da concha ou do painel. A célula de aprisionamento amarela é preenchida com água à qual um agente tensoativo foi adicionado a fim de reduzir a tensão superficial, para que as pragas atraídas se afoguem. No caso dos painéis colados, as pragas ficam presas na cola.
[008] No entanto, a colocação manual e o controle de armadilhas é trabalhoso e demorado.
[009] O documento WO 2014/035993 A A2 divulga um sistema automatizado por meio do qual os mosquitos são atraídos de forma que amostras de saliva possam ser tomadas. As amostras de saliva são analisadas para identificar as espécies de mosquitos. O sistema é relativamente caro. Além disso, o uso de atrativos é desvantajoso na medida em que os organismos atraídos são influenciados, e não está claro se os organismos teriam sido atraídos para a área da armadilha por si mesmos. A determinação de densidades de infestação é dificultada pelo uso de atrativos, porque a influência do atrativo deve ser determinada.
[0010] Por meio do LiDAR (detecção e alcance de luz), os insetos voadores em seu ambiente natural podem ser detectados e identificados. As batidas das asas dos insetos causam modulação da luz a laser de retroespalhamento, de modo que um inseto pode ser identificado, por exemplo, por suas batidas de asa características.
[0011] Mikkel Brydegaard et al. descreve um sistema LiDAR para a identificação de insetos voadores baseado no chamado princípio Scheimpflug
Petição 870190030684, de 29/03/2019, pág. 42/65
3/20 (Super Resolution Laser Radar with Blinking Atmospheric Particles — Application to Interacting Flying Insects, Progress In Eletromagnetics Research, vol. 147, 141-151, 2014). David S. Hoffmann et al. descrevem um sistema LIDAR para o reconhecimento de abelhas (Range-resolved optical detection of honeybees by use of wing-beat modulation of scattered light for locating land mines, APPLIED OTICS, Vol. 46, No. 15, 2007).
[0012] Embora a tecnologia esteja melhorando continuamente (Carsten Kirkeby et al., Observations of movement dynamics of flying insects using high resolution lidar, Scientific Reports | 6: 29083 | DOI: 10.1038/srep29083), a identificação de espécies individuais no ambiente natural não é ainda suficientemente precisa no presente.
[0013] Além da identificação de insetos nocivos, existem também outros organismos prejudiciais, como fungos e patógenos, que devem ser detectados automaticamente e para os quais a densidade de infestação deve ser determinada. Os sensores hiperespectrais podem ser usados para derivar descobertas das propriedades de refletância das formações de vegetação e solo. Anne-Kat r em Mahlein et al. usaram sensores hiperespectrais para detectar doenças da beterraba sacarina (Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases·, Plant Methods 2012, 8: 3; doi: 10.1186/ 1746-4811-8-3).
[0014] No artigo Plant Disease Detection by Imaging Sensor Parallels and Specific Demands for Precision Agriculture and Plant Phenotyping, Doença Vegetal, fevereiro de 2016, vol. 100, nQ 2 pp. 241-251; http://dx.doi.org/10.1094/PDIS-03-15-0340-F), outros métodos que permitem a detecção de doenças de plantas são resumidos.
[0015] No entanto, uma desvantagem de todas as tecnologias de detecção conhecidas é que elas são inexatas na prática. Em casos frequentes, as pragas individuais não podem ser suficientemente especificadas. Embora a
Petição 870190030684, de 29/03/2019, pág. 43/65
4/20 detecção de pragas em números muito baixos ou em uma fase muito precoce do desenvolvimento forneça informação sobre a sua presença, a diferenciação não é alcançada na medida do necessário para determinar os limiares de dano, selecionando agentes de proteção das plantas, ou de outras medidas.
[0016] Há, portanto, a necessidade de aumentar a capacidade expressiva dos sensores para a identificação de organismos prejudiciais.
[0017] De acordo com a invenção, este objetivo é conseguido por meio da matéria objeto das reivindicações independentes 1, 13 e 14. Formas de realização preferidas são encontradas nas reivindicações dependentes e na presente descrição.
[0018] Um primeiro objeto da presente invenção é assim um método que compreende as etapas de:
detectar uma espécie a ser identificada com um sensor em um campo no qual as plantas cultivadas são cultivadas, gerar pelo menos uma sugestão de espécie para identificar as espécies detectadas, determinar a localização do sensor e/ ou a espécie detectada a ser identificada, calcular a probabilidade de ocorrência da pelo menos uma sugestão de espécie no campo usando um modelo em que a localização do sensor e/ ou a espécie detectada a ser identificada e o momento de detecção são incluídos.
[0019] Um outro objeto da presente invenção é um produto de programa de computador que compreende um veículo de dados no qual um programa de computador é armazenado, que pode ser carregado na memória de trabalho de um computador e faz com que o sistema de computador execute as seguintes etapas:
receber pelo menos uma sugestão para identificar uma
Petição 870190030684, de 29/03/2019, pág. 44/65
5/20 espécie cuja presença foi detectada por pelo menos um sensor em um campo para plantas de cultura, receber a localização do pelo menos um sensor e/ ou o local em que a espécie detectada estava localizada no momento da detecção, calcular a probabilidade das espécies detectadas serem as espécies sugeridas, em que um modelo é utilizado para calcular a probabilidade em que a localização do sensor e/ ou das espécies detectadas e o momento de detecção são incluídos.
[0020] Um outro objeto da presente invenção é um sistema que compreende:
pelo menos um sensor para detectar a presença de uma espécie a ser identificada em um campo para plantas de cultura, meios para gerar uma sugestão para as espécies detectadas por o pelo menos um sensor, meios para determinar a localização de pelo menos um sensor e/ ou o local em que uma espécie estava localizada no momento da detecção por o pelo menos um sensor, um sistema de computador configurado para calcular uma probabilidade de que a espécie detectada é a espécie sugerida, em que um modelo é utilizado para calcular a probabilidade em que a localização do sensor e/ ou das espécies detectadas e o momento de detecção estão incluídos.
[0021] A invenção é explicada em mais pormenor a seguir, sem distinção entre os objetos da invenção (método, sistema, produto de programa de computador). Em vez disso, as explicações seguintes destinam-se a aplicar de modo análogo a todos os objeto da presente invenção, independentemente do contexto (método, sistema, produto de programa de computador em que eles ocorrem).
Petição 870190030684, de 29/03/2019, pág. 45/65
6/20 [0022] Em uma primeira etapa do método de acordo com a invenção, uma espécie a ser identificada em um campo no qual as plantas de cultivo são cultivadas é detectada por um sensor ou por uma pluralidade de sensores.
[0023] O termo “planta de cultivo” é entendido como referindo-se a uma planta que é cultivada por intervenção humana de uma maneira direcionada como uma planta útil ou ornamental.
[0024] O termo “campo” é entendido como referindo-se a uma área espacialmente delimitável da superfície da Terra que é usada na agricultura em que as plantas de cultivo são cultivadas, providas com nutrientes e colhidas em tal campo.
[0025] O termo “espécie a ser identificada” é entendido como referindo-se a uma espécie que ainda não foi especificada com precisão suficiente para permitir uma declaração sobre se esta espécie é útil, prejudicial ou insignificante para as plantas de cultivo e/ ou se medidas devem ser tomadas para aumentar ou diminuir o número de espécies no campo.
[0026] O termo “detecção de uma espécie” é entendido como referindo a detecção da presença da espécie. A detecção da espécie é uma primeira etapa na sua identificação.
[0027] O termo “espécie” é entendido como referindo-se a um organismo que pode aparecer no cultivo de plantas de cultivo em um campo. A espécie pode ser um organismo útil. Um exemplo de um organismo útil é um doador de pólen (polinizador). No entanto, a espécie também pode ser um organismo prejudicial.
[0028] O termo “organismo prejudicial”, ou em suma, ’’pragas”, é entendido como referindo-se a um organismo que aparece no cultivo de plantas de cultivo e pode danificar a planta de cultivo, afetar negativamente a colheita da planta de cultivo ou competem com a planta de cultivo por recursos
Petição 870190030684, de 29/03/2019, pág. 46/65
7/20 naturais. Exemplos de tais organismos prejudiciais são ervas daninhas, gramas daninhas, pragas animais, como, por exemplo, besouros, lagartas e vermes, fungos e patógenos (por exemplo, bactérias e vírus). Embora os vírus não sejam considerados organismos do ponto de vista biológico, eles devem ser incluídos no presente caso sob o termo organismo prejudicial.
[0029] O termo “sensor” é entendido como referindo-se a um dispositivo com o qual a presença da espécie a ser identificada no campo para plantas de cultivo pode ser registrada. Este sensor também é referido, a seguir, como um “sensor de espécie ”.
[0030] O sensor detecta a presença de uma espécie com base em um ou vários sinais característicos. Os sinais podem ser emitidos diretamente pela própria espécie. Um exemplo de tal sinal emitido diretamente é, por exemplo, o ruído produzido pelas batidas das asas de muitos insetos voadores durante o voo. O sensor também pode emitir um sinal que é modificado de maneira característica pela espécie a ser identificada e depois enviada de volta. Um exemplo de tal sinal modificado, enviado de volta, é a modulação de um feixe de laser pelos movimentos de asa característicos de um objeto voador. Um sensor ordinariamente detecta sinais eletromagnéticos e/ ou acústicos e/ ou químicos e/ ou elétricos e/ ou outros sinais que indicam a presença de uma espécie.
[0031] O sensor pode ser um sensor que detecta direta ou indiretamente a espécie a ser identificada. Na detecção direta, a presença da espécie resulta em um sinal registrado pelo sensor; na detecção indireta, a presença da espécie provoca uma mudança no ambiente da espécie que é registrada pelo sensor. Como exemplo de detecção direta, pode-se mencionar um inseto voador que se move dentro e/ ou sobre o campo e cuja presença é registrada por um sensor. Como um exemplo de detecção indireta, pode-se mencionar uma doença que causa mudanças na planta como, por exemplo,
Petição 870190030684, de 29/03/2019, pág. 47/65
8/20 descoloração das folhas. A descoloração das folhas é registrada por meio de um sensor e, portanto, indica indiretamente a presença de um patógeno.
[0032] Em uma forma de realização, o sensor funciona automaticamente, isto é, a intervenção humana não é necessária para que a presença da espécie seja registada pelo sensor.
[0033] Em uma forma de realização alternativa, o sensor é operado por um usuário.
[0034] O sensor pode fazer parte de um dispositivo estacionário que está posicionado em, sobre e/ ou acima do campo e monitora uma parte do campo ou todo o campo.
[0035] Também é concebível que o sensor faça parte de um dispositivo móvel que pode ser transportado pelo usuário no campo. É também concebível que o sensor seja ligado a uma máquina agrícola e receba sinais quando a máquina agrícola se move no campo. O uso de uma aeronave tripulada ou não tripulada à qual o sensor está ligado e que recebe sinais quando a aeronave se move sobre o campo também é concebível.
[0036] O sensor pode detectar continuamente sinais em uma área de detecção. No entanto, também é concebível que o sensor registre sinais em horários definíveis e/ ou durante períodos de tempo definíveis. É ainda concebível que o sensor seja obrigado a detectar sinais por meio de um gatilho. Por exemplo, esse gatilho pode fazer com que o sensor detecte sinais quando um determinado evento pré-definido tiver ocorrido, como, por exemplo, a ocorrência de movimento nas proximidades do sensor, a ocorrência de certo grau de brilho (ou escuridão), o início de precipitação, uma certa umidade ou temperatura, ou semelhante. No entanto, também é concebível que um usuário acione o sensor.
[0037] Também é concebível que haja uma pluralidade de sensores. Os sensores podem ser do mesmo tipo, mas o uso de sensores de
Petição 870190030684, de 29/03/2019, pág. 48/65
9/20 diferentes tipos, também é concebível.
[0038] Vários tipos de sensores preferidos são descritos a seguir.
[0039] Em uma forma de realização preferida, o sensor é um sensor óptico, isto é, os sinais detectados pelo sensor são sinais ópticos, isto é, radiação eletromagnética na faixa de luz visível e/ ou ultravioleta e/ ou infravermelha. Exemplos de sensores ópticos são sensores RGB, sensores LiDAR, sensores hiperespectrais e sensores termográficos.
[0040] O sensor pode, por exemplo, ser um sensor de imagem digital para luz visível, por meio do qual, por exemplo, imagens RGB de uma parte do campo podem ser gravadas. Fotografias digitais de plantas e/ ou partes de plantas já foram usadas no passado para a detecção e quantificação de doenças (Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging, Crit. Rev. Plant Sci. 2010, 29: 59-107; M. Neumann et al.: Erosion band features for cell phone image based plant disease classification, Proceedings of the 22nd International Conference on Pattern Recognition (ICPR), Estocolmo, Suécia, 24-28 de agosto de 2014, pp. 3315-3320).
[0041] Em vez de imagens RGB, também é possível gerar imagens digitais que usam espaços de cores diferentes do espaço de cores RGB (CIELUV, CIELAB, YUV, HSV, etc.).
[0042] Em uma forma de realização preferida, o sensor de imagem faz parte de um dispositivo móvel que é transportado por um usuário no campo. Por exemplo, o dispositivo móvel pode ser um smartphone, um computador tablet ou uma câmera digital, por meio do qual o usuário captura imagens digitais de espécies a serem identificadas e/ ou partes de plantas.
[0043] O sensor também pode ser um sensor hiperespectral de imagem. Isto detecta, por exemplo, a planta de cultivo e pode reconhecer a infestação com um organismo prejudicial com base nas alterações no espectro
Petição 870190030684, de 29/03/2019, pág. 49/65
10/20 refletido da planta de cultivo em comparação com uma planta de cultivo saudável. (A.-K. Mahlein et al.: Recent advances in sensing plant diseases for precision crop protection, Eur. J. Plant Pathol. 133 (2012) 197-209; T. Mewes et al.: Spectral requirements on airborne hyperspectral remote sensing data for wheat disease detection, Precis. Agric. 12 (2011) 795-812; E.-C. Oerke et al.: Proximal sensing of plant diseases, Detection of Plant Pathogens, Plant Pathology in the 21st Century, editado por ML Gullino et al., Springer Science and Business Media, Dordrecht (NL) 2014, pp. 55-68).
[0044] O sensor também pode ser um sensor termográfico de imagem. A termografia permite, por exemplo, a visualização de diferenças na temperatura da superfície das partes da planta. A temperatura das partes da planta (em particular das folhas) é determinada por fatores ambientais e resfriamento resultante da transpiração. Algumas plantas são capazes de elevar sua temperatura acima da temperatura ambiente (plantas termogênicas). Plantas infestadas com espécies nocivas podem apresentar desvios na temperatura da superfície em comparação com plantas saudáveis (E.-C. Oerke et al.: Thermal imaging of cucumber leaves affected by mildew and environmental conditions, J. Exp. Bet. 57 (2006) 2121-2132; E.-C. Oerke et al.: Thermographic assessment of scab disease on apple leaves, Prec. Agric. 12 (2011) 699-715). A presença de um patógeno pode, assim, ser indiretamente detectada por um sensor termográfico.
[0045] O sensor também pode ser um sensor de fluorescência de imagem. Usando este tipo de sensor, é possível, por exemplo, fazer alterações na atividade fotossintética de plantas visíveis (E. Bauriegel et al.: Chlorophyll fluorescence imaging to facilitate breeding of Bremia lactucae-resistant lettuce cultivars, Comput. Electron. Agric. 105 (2014) 74-82; S. Konanz et al.: Advanced multi-color fluorescence imaging system for detection of biotic and abiotic stresses in leaves, Agriculture 4 (2014) 79-95). Diferenças na atividade
Petição 870190030684, de 29/03/2019, pág. 50/65
11/20 fotossintética podem indicar a presença de um patógeno.
[0046] O sensor também pode ser um sensor LiDAR. Neste caso, são emitidos sinais ópticos que são espalhados pelos objetos. A presença de uma espécie pode ser detectada usando os sinais de retroespalhamento. LiDAR é adequado em particular para a detecção de insetos voadores (Mikkel Brydegaard et al.: Resolution Laser Radar with Blinking Atmospheric Particles Application to Interacting Flying Insects, Progress Eletromagnetics Research Vol 147, 141-151, 2014; David S. Hoffmann et al.: Range-resolved optical detection of honeybees by use of wing-beat modulation of scattered light for locating land mines, APPLIED OTICS, Vol. 46, No. 15, 2007; Carsten Kirkeby et al., Observations of movement dynamics of flying insects using high resolution lidar, Scientific Reports | 6: 29083 | DOI: 10.1038/srep29083).
[0047] O sensor também pode ser um microfone. O microfone detecta ruídos e/ ou sons produzidos pela espécie. A presença das espécies pode ser detectada usando os ruídos e/ ou sons (Detecting Insect Flight Sounds in the Field: Implications for Acoustical Counting of Mosquitoes, Transactions of ASABE, 2007, Vol. 50 (4): 1481-1485).
[0048] O sensor também pode ser um sensor para substâncias químicas no ar, como por exemplo, um cromatógrafo a gás (GC) ou um espectrômetro de massa (MS) ou uma combinação de GC/ MS. Estes podem ser usados para detectar substâncias emitidas pelas plantas como uma reação à infestação com um organismo prejudicial (G. Witzany: Plant Communication from Biosemiotic Perspective, Plant Signal Behav. 2006 Jul-Aug; 1 (4): 169178; Signaling and Communication in Plants, Série Ed.: C. Garcia-Mata, Springer ISSN: 1867-9048).
[0049] O uso de uma pluralidade dos sensores acima mencionados ou outros próximos um ao outro e/ ou o uso de sensores nos quais uma pluralidade de tecnologias de detecção é combinada, como por
Petição 870190030684, de 29/03/2019, pág. 51/65
12/20 exemplo um sensor Raman LiDAR ou um sensor LiDAR de fluorescência (WO 2013017860 A1), também é concebível.
[0050] Em uma outra etapa do método de acordo com a invenção, pelo menos uma sugestão de espécie é gerada para as espécies detectadas a serem identificadas.
[0051] Isso normalmente ocorre após a análise do sinal que o sensor havia detectado como resultado da presença da espécie. Para este propósito, o sensor pode ser conectado a um sistema de computador que analisa o sinal detectado pelo sensor, a fim de gerar pelo menos uma sugestão, baseada em características do sinal, quanto a qual espécie a espécie a ser identificada podería ser.
[0052] Por exemplo, se o sensor é um sensor de imagem que produziu uma imagem digital da espécie a ser identificada, a imagem digital pode ser submetida à análise de imagem no sistema de computador. O reconhecimento direto de espécies por meio de análise de imagens pertence ao estado da técnica (cf. por exemplo, US 20130011011 A1, J. Wang et al.: A new automatic identification system of insect images at the order level, Knowledge-Based Systems, Vol. 33, 2012, 102-110). O mesmo se aplica ao reconhecimento indireto da espécie; imagens de sintomas de doenças de uma planta também podem ser submetidas à análise de imagens para detectar patógenos (S.J. Pethybridge et al., Leaf doctor: a new portable application for quantifying plant disease severity, Plant Dis 99 (2015) 1310-1316).
[0053] Como discutido acima, os sinais detectados pelo sensor normalmente não são suficientemente claros para permitir que uma espécie seja inequivocamente classificada com base em um sinal. Normalmente, várias espécies são possíveis. Assim, várias sugestões são geradas quanto a qual espécie podería ser. No entanto, é também concebível que uma suposição das espécies presentes seja confirmada por meio da presente invenção; nesse
Petição 870190030684, de 29/03/2019, pág. 52/65
13/20 caso, apenas uma sugestão é gerada, que deve ser confirmada como correta ou incorreta.
[0054] Pelo menos uma sugestão é, portanto, gerada quanto a qual espécie é a espécie detectada (direta ou indiretamente) pelo sensor.
[0055] Em um outro etapa do método de acordo com a invenção, calcula-se a probabilidade da espécie detectada ser pelo menos uma espécie sugerida. Se várias sugestões foram geradas, a probabilidade correspondente é calculada para cada sugestão individual.
[0056] A pelo menos uma espécie sugerida é incluída neste cálculo. Além disso, informações são incluídas em relação a onde a espécie detectada foi detectada. Para este propósito, a localização do sensor ou o local no qual a espécie estava localizada no momento da detecção pode ser usada. Como regra, as duas localizações acima mencionadas não estarão longe umas das outras, de modo que, para a presente invenção, normalmente não será importante qual das localizações acima mencionadas é incluída no cálculo. No entanto, pode fazer diferença no caso de sensores de alcance relativamente longo, como o LiDAR.
[0057] Se puder fazer a diferença, o local em que a espécie a ser identificada estava localizada no momento de sua detecção deve ser utilizado, pois o que é importante no cálculo da probabilidade é determinar quão provável é, em geral, que as espécies sugeridas ocorrerão no momento da detecção e no local de detecção.
[0058] A determinação do local é normalmente realizada por um sensor GPS ou por um sensor comparável. Normalmente, um sensor GPS está localizado nas imediações do sensor para detectar a presença de uma espécie a ser detectada (sensor de espécie). De preferência, o sensor de espécie e o sensor de GPS são componentes do mesmo dispositivo. É concebível, por exemplo, que seja utilizado um smartphone que, além de um sensor de
Petição 870190030684, de 29/03/2019, pág. 53/65
14/20 imagem para tirar imagens digitais, também compreenda um sensor de GPS.
[0059] No entanto, é também concebível que a localização não tenha que ser especialmente determinada, mas que já seja conhecida, por exemplo, porque o sensor é um sensor estacionário que foi configurado em uma posição conhecida. Também é concebível que o sensor tenha um número de identificação que transmita a um sistema de computador externo durante a transmissão de dados. Neste caso, o número de identificação transmitido também pode ser usado, por exemplo, para determinar a localização do sensor a partir de um banco de dados.
[0060] O momento de detecção da espécie a ser identificada é incluído no cálculo da probabilidade. Pode fazer diferença para a presença de uma espécie, seja primavera, verão, outono ou inverno, já que certas espécies ocorrem apenas em certas estações. Pode fazer a diferença se é noite ou dia, como certas espécies ocorrem em determinadas horas do dia ou da noite. Por esta razão, o momento de detecção é preferencialmente determinado pelo menos até a hora exata, incluindo a data, e usado para o cálculo.
[0061] Se uma espécie a ser identificada foi detectada por pelo menos um sensor, a localização do pelo menos um sensor e/ ou a localização da espécie a ser identificada no momento da detecção foi detectada, o momento de detecção foi detectado e pelo menos uma sugestão foi gerada sobre quais espécies a espécie a ser identificada poderia ser, a probabilidade de que a espécie detectada seja a pelo menos uma espécie sugerida é calculada em uma etapa adicional do método de acordo com a invenção.
[0062] A probabilidade de ocorrência de tal espécie sugerida no momento da detecção e no local de detecção é calculada.
[0063] Um modelo é usado para cálculo de probabilidade. Tais modelos são descritos no estado da técnica e estão comercialmente disponíveis (Newe M., Meier H., Johnen A., Volk T.: proPlant expert.com-an
Petição 870190030684, de 29/03/2019, pág. 54/65
15/20 online consultation system on crop protection in cereals, rape, potatoes and sugarbeet. Boletim EPPO 2003, 33, 443-449, Johnen A., Williams IH, Nilsson C., Klukowski Z., Luik A., Ulber B.: The proPlant Decision Support System: Phenological Models for the Major Pests of Oilseed Rape and Their Key Parasitoids in Europe, Biocontrol-Based Integrated Management of Oilseed Rape Pests (2010) Ed.: Ingrid H. Williams, Tartu 51014, Estônia, ISBN 978-90481-3982-8, p.381 - 403; www.proPlantexpert.com).
[0064] De um modo preferido, além do local de detecção e do momento de detecção, outros parâmetros que podem afetar a presença das espécies propostas estão também incluídos no cálculo das probabilidades.
[0065] Exemplos destes parâmetros adicionais são parâmetros relativos à planta de cultura (estágio de desenvolvimento, condições de crescimento, medidas de proteção de plantas) e o clima (temperatura, duração da luz do sol, velocidade do vento, precipitação).
[0066] Outros parâmetros dizem respeito às condições ambientais predominantes no local de detecção, tais como, por exemplo, tipo de solo e vegetação no ambiente.
[0067] Outros parâmetros dizem respeito às espécies sugeridas, tais como valores-limite econômicos, pressão de pragas/ doenças e ocorrência de espécies no ambiente.
[0068] Os parâmetros acima mencionados são medidos para o momento e localização da detecção. Além de, ou em vez do valor do momento individual, o valor médio diário e/ ou o valor semanal médio também podem ser de interesse.
[0069] A história dos parâmetros acima mencionados também pode ser de interesse. Por exemplo, é concebível que a espécie a ser identificada seja um organismo prejudicial que forma manchas estáveis. Como regra geral, as manchas são observadas durante um período que se estende
Petição 870190030684, de 29/03/2019, pág. 55/65
16/20 além do período de vegetação da planta de cultivo. Um exemplo é o rabo-deraposa (Alopecurus myosuroides Huds), que apresenta dispersão de sementes na vizinhança da planta mãe. As manchas de ervas daninhas são estáveis ou recorrentes; no entanto, novas manchas também podem ser adicionadas.
[0070] Usando os parâmetros acima mencionados, um risco de infestação pode ser estimado. Quanto mais dados estiverem disponíveis, mais precisa será a previsão.
[0071] A probabilidade calculada pode ser indicada para um usuário. Em uma forma de realização da presente invenção, a pelo menos uma sugestão de espécie, juntamente com a probabilidade calculada da espécie detectada é a sugestão da espécie, é indicada a um usuário. A indicação pode, por exemplo, ser realizada em um monitor ou visualizador por meio de texto e/ ou símbolos. A saída de uma mensagem de voz também é concebível.
[0072] A probabilidade calculada pode ser usada para avaliar as sugestões de espécies geradas. Por exemplo, se três sugestões de espécies foram geradas e três diferentes probabilidades foram calculadas, as probabilidades podem ser utilizadas para reduzir as possibilidades quanto às espécies em questão; na melhor das hipóteses, apenas uma possibilidade permanece. Se apenas uma sugestão foi gerada (verificação), a probabilidade calculada pode ser usada para fazer uma declaração sobre se a sugestão é mais verdadeira ou mais falsa.
[0073] Em uma forma de realização, uma ou uma pluralidade de sugestões de espécies que estão acima de uma probabilidade mínima é/ são opcionalmente indicadas para um usuário com a probabilidade calculada correspondente. Por exemplo, é concebível que apenas essas espécies sejam exibidas para as quais a probabilidade calculada, por exemplo, seja de pelo menos 60%.
[0074] A capacidade expressiva de um sensor para detectar a
Petição 870190030684, de 29/03/2019, pág. 56/65
17/20 presença de uma espécie é assim aumentada pela presente invenção.
[0075] A probabilidade calculada pode ainda ser usada para otimizar o sensor e/ ou os meios para gerar a sugestão de pelo menos uma espécie. Em uma forma de realização preferida, as probabilidades determinadas, portanto, fluem de volta para o sistema que compreende o sensor e/ ou os meios para gerar a pelo menos uma sugestão de espécie. Nos casos em que os meios para gerar a pelo menos uma sugestão de espécie é um sistema de autoaprendizagem em particular, as probabilidades calculadas podem ser usadas para aumentar a capacidade preditiva do sistema de autoaprendizagem.
[0076] A probabilidade calculada pode ainda ser usada para fornecer uma recomendação de ação. Se uma espécie foi detectada e foi determinado por meio da presente invenção que a espécie detectada está com um alto grau de probabilidade de um organismo prejudicial, podem ser iniciadas medidas correspondentes para controlar o organismo prejudicial. Essa recomendação de ação pode ser indicada para um usuário.
[0077] O presente método pode ser total ou parcialmente realizado por um sistema de computador. Um tal sistema de computador pode ser um computador individual ou uma pluralidade de computadores ligados em rede uns aos outros. Os termos computador e sistema de computador devem ser entendidos em seu sentido amplo. Exemplos de sistemas de computador e computador são computadores tablet, computadores portáteis e outros sistemas de computação móvel e smartphones, sistemas com múltiplos processadores, sistemas baseados em microprocessadores e eletrônicos de consumo programáveis, bem como câmeras digitais e PDAs (Personal Digital Assistants).
[0078] Normalmente, é fornecido um programa de computador que pode ser carregado na memória de trabalho de um sistema de computador
Petição 870190030684, de 29/03/2019, pág. 57/65
18/20 e, em seguida, executa uma ou várias etapas do método de acordo com a invenção. O programa de computador é normalmente armazenado em um suporte de dados e está comercialmente disponível como um produto de programa de computador. O produto de programa de computador pode ser fornecido, por exemplo, na forma de um disco compacto (CD), um disco versátil digital (DVD), um cartão de memória USB (USB = Universal Serial Bus) ou como um download.
[0079] O programa de computador de acordo com a invenção faz com que o sistema de computador execute as seguintes etapas:
receber pelo menos uma sugestão para identificar uma espécie cuja presença tenha sido detectada por pelo menos um sensor em um campo para plantas de cultura, receber a localização de pelo menos um sensor e/ ou o local em que a espécie detectada estava localizada no momento da detecção, calcular a probabilidade da espécie detectada ser a espécie sugerida, em que um modelo é utilizado para calcular a probabilidade em que a localização do sensor e/ ou a espécie detectada é/ são incluídas.
[0080] Um outro objeto da presente invenção é um sistema que compreende:
pelo menos um sensor para detectar a presença de uma espécie a ser identificada em um campo para plantas de cultura, meios para gerar uma sugestão para as espécies detectadas pelo menos um sensor, meios para determinar a localização de pelo menos um sensor e/ ou o local em que uma espécie estava localizada no momento da sua detecção por, pelo menos, um sensor, um sistema de computador configurado para calcular uma probabilidade da espécie detectada ser a espécie sugerida, em que um modelo
Petição 870190030684, de 29/03/2019, pág. 58/65
19/20 é utilizado para calcular a probabilidade em que a localização do sensor e/ ou das espécies detectadas e o momento de detecção estão incluídos.
[0081] De um modo preferido, o sistema tem meios para indicar a um usuário sugestões de espécies e/ ou probabilidades calculadas e/ ou recomendações para ação.
[0082] Em uma forma de realização preferida, o sensor está conectado a um primeiro sistema de computador. Dependendo do tipo de sensor, o sensor é utilizado para a detecção eletromagnética, acústica, química e/ ou outros sinais e normalmente convertendo-os em sinais elétricos. O primeiro sistema de computador é usado para analisar e interpretar os sinais elétricos. Normalmente, eles são primeiro digitalizados para essa finalidade. No entanto, também é concebível processar, analisar e interpretar sinais analógicos.
[0083] De preferência, o primeiro sistema de computador é configurado de tal modo que, com base nos sinais eléctricos, gera pelo menos uma sugestão quanto à quais espécies que as espécies detectadas a serem identificadas poderíam ser.
[0084] De preferência, o sensor de espécies e o primeiro sistema de computador são componentes do mesmo dispositivo, o qual está posicionado dentro ou sobre o campo ou pode ser movido dentro ou acima do campo. De preferência, um sensor GPS (para determinar o local de detecção) e/ ou um cronômetro (um relógio para determinar o momento de detecção) fazem parte deste dispositivo. De um modo preferido, o primeiro sistema de computador é configurado de tal modo que pode determinar a posição do dispositivo por meio de um sensor de GPS.
[0085] Em uma forma de realização preferida, o primeiro sistema de computador de transmite as sugestões de espécies geradas em conjunto com a informação da localização e do momento para um segundo sistema de
Petição 870190030684, de 29/03/2019, pág. 59/65
20/20 computador que, de preferência não está localizado no campo e é, de preferência estacionário. Um modelo de previsão é instalado no segundo sistema de computador que pode calcular a probabilidade das espécies sugeridas ocorrerem no campo. De preferência, o modelo de previsão utiliza parâmetros adicionais que exercem uma influência sobre a presença da espécie proposta no campo (ver acima).
[0086] De preferência, o segundo sistema de computador transmite as probabilidades calculadas para o primeiro sistema de computador. As probabilidades calculadas podem ser indicadas a um usuário no primeiro e/ ou no segundo sistema de computador. De preferência, as recomendações de ação são transmitidas a um usuário, além das probabilidades.
Claims (15)
- Reivindicações1. MÉTODO, caracterizado pelo fato de que compreende as etapas de:- detectar uma espécie a ser identificada com um sensor em um campo no qual as plantas de cultivo são cultivadas,- gerar pelo menos uma sugestão de espécie para identificar as espécies detectadas,- determinar a localização do sensor e/ ou a espécie detectada a ser identificada,- calcular a probabilidade de ocorrência de pelo menos uma sugestão de espécie no campo usando um modelo em que a localização do sensor e/ ou a espécie detectada a ser identificada e o momento de detecção são incluídos.
- 2. MÉTODO, de acordo com a reivindicação 1, caracterizado pelo fato de que a espécie a ser identificada é um organismo prejudicial.
- 3. MÉTODO, de acordo com a reivindicação 2, caracterizado pelo fato de que a espécie a ser identificada é um patógeno cuja presença é diretamente detectada.
- 4. MÉTODO, de acordo com a reivindicação 2, caracterizado pelo fato de que a espécie a ser identificada é uma praga animal cuja presença é diretamente detectada.
- 5. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 4, caracterizado pelo fato de que no cálculo da probabilidade, além do local de detecção e momento, um ou mais dos seguintes parâmetros está incluído: temperatura, duração da luz solar, a velocidade do vento, a precipitação, a fase de desenvolvimento da planta de cultivo, medidas de proteção de planta já realizadas.
- 6. MÉTODO, de acordo com qualquer uma dasPetição 870190030684, de 29/03/2019, pág. 61/652/4 reivindicações 1 a 5, caracterizado pelo fato de que o sensor é um sensor para radiação eletromagnética.
- 7. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 6, caracterizado pelo fato de que o sensor é um sensor de imagem.
- 8. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 7, caracterizado pelo fato de que o sensor é um sensor LiDAR, um sensor hiperespectral, um sensor RBG e/ ou um sensor termográfico.
- 9. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 8, caracterizado pelo fato de que a pelo menos uma sugestão de espécie, juntamente com a probabilidade de que a espécie detectada é a sugestão de espécie, é indicada a um usuário.
- 10. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 8, caracterizado pelo fato de que aquelas sugestões de espécies são indicadas a um usuário para o qual a probabilidade calculada se encontra acima de uma probabilidade mínima.
- 11. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 10, caracterizado pelo fato de que uma sugestão de espécie é indicada em conjunto com uma recomendação para ação, por exemplo, em relação a como a espécie pode ser controlada se a referida espécie for um organismo prejudicial.
- 12. MÉTODO, de acordo com qualquer uma das reivindicações 1 a 11, caracterizado pelo fato de que o sensor faz parte de um sistema de autoaprendizagem e a probabilidade calculada é utilizada para melhorar a capacidade preditiva do sistema.
- 13. PRODUTO DE PROGRAMA DE COMPUTADOR, caracterizado pelo fato de que compreende um veículo de dados no qual umPetição 870190030684, de 29/03/2019, pág. 62/653/4 programa de computador é armazenado, que pode ser carregado na memória de trabalho de um computador e faz com que o sistema de computador execute as seguintes etapas:- receber pelo menos uma sugestão para uma espécie ser identificada cuja presença foi detectada por pelo menos um sensor em um campo para plantas de cultura,- receber a localização do pelo menos um sensor e/ ou o local em que a espécie detectada estava localizada no momento da detecção,- calcular a probabilidade das espécies detectadas serem as espécies sugeridas, em que um modelo é utilizado para calcular a probabilidade na qual a localização do sensor e/ ou as espécies detectadas e o momento de detecção são incluídos.
- 14. SISTEMA, caracterizado pelo fato de que compreende- pelo menos um sensor para detectar a presença de uma espécie a ser identificada em um campo para plantas de cultura,- meios para gerar uma sugestão para as espécies detectadas por o pelo menos um sensor,- meios para determinar a localização do pelo menos um sensor e/ ou o local em que uma espécie estava localizada no momento da detecção por o pelo menos um sensor,- um sistema de computador configurado para calcular uma probabilidade da espécie detectada ser a espécie sugerida, em que um modelo é utilizado para calcular a probabilidade em que a localização do sensor e/ ou das espécies detectadas e o momento de detecção estão incluídos.
- 15. SISTEMA, de acordo com a reivindicação 14, caracterizado pelo fato de que compreende:- um primeiro sistema de computador e um segundo sistema de computador,Petição 870190030684, de 29/03/2019, pág. 63/654/4 em que o primeiro sistema de computador está conectado a pelo menos um sensor e está configurado de modo a gerar pelo menos uma sugestão de espécie com base nos sinais detectados por o pelo menos um sensor e transmitir a pelo menos uma sugestão de espécie, de preferência em conjunto com as informações sobre o local de detecção e/ ou o momento de detecção, para o segundo sistema de computador, em que o segundo sistema de computador tem pelo menos um modelo de previsão e está configurado de modo a poder receber pelo menos uma sugestão de espécie e de preferência informação no local de detecção e/ ou o momento de detecção, e com base no pelo menos um modelo de previsão, pode determinar a respectiva probabilidade de que uma espécie sugerida seja a espécie detectada, em que o segundo sistema de computador está, de preferência, configurado de modo a poder indicar a respectiva probabilidade calculada a um usuário e/ ou transmiti-lo ao primeiro sistema de computador e/ ou indicar a um usuário uma recomendação para ação, e em que o primeiro sistema de computador está preferivelmente configurado de modo a poder receber a respectiva recomendação calculada para ação a partir do segundo sistema de computador e, de um modo preferido, indicá-lo a um usuário, de preferência em conjunto com recomendações para ação e/ ou pode utilizá-lo para melhorar a geração de sugestões de espécies.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP16192826 | 2016-10-07 | ||
| EP16192826.2 | 2016-10-07 | ||
| PCT/EP2017/074778 WO2018065308A1 (de) | 2016-10-07 | 2017-09-29 | Identifizierung von nützlingen und/oder schadstoffen in einem feld für kulturpflanzen |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR112019006453A2 true BR112019006453A2 (pt) | 2019-09-10 |
| BR112019006453B1 BR112019006453B1 (pt) | 2022-11-22 |
Family
ID=57144809
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR122021023418-3A BR122021023418B1 (pt) | 2016-10-07 | 2017-09-29 | Método de identificação de insetos benéficos e/ou organismos prejudiciais em um campo para plantas cultivadas, memória não transitória legível por computador e sistema de identificação de insetos benéficos e/ ou organismos prejudiciais em um campo para plantas cultivadas |
| BR112019006453-2A BR112019006453B1 (pt) | 2016-10-07 | 2017-09-29 | Método de identificação de insetos benéficos e/ ou organismos prejudiciais em um campo para plantas cultivadas, memória não transitória legível por computador e sistema de identificação de insetos benéficos e/ ou organismos prejudiciais em um campo para plantas cultivadas |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR122021023418-3A BR122021023418B1 (pt) | 2016-10-07 | 2017-09-29 | Método de identificação de insetos benéficos e/ou organismos prejudiciais em um campo para plantas cultivadas, memória não transitória legível por computador e sistema de identificação de insetos benéficos e/ ou organismos prejudiciais em um campo para plantas cultivadas |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US11102969B2 (pt) |
| EP (2) | EP3932198A1 (pt) |
| CN (1) | CN109788748B (pt) |
| BR (2) | BR122021023418B1 (pt) |
| ES (1) | ES2896125T3 (pt) |
| PL (1) | PL3522704T3 (pt) |
| WO (1) | WO2018065308A1 (pt) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016173959A1 (en) * | 2015-04-28 | 2016-11-03 | Bayer Pharma Aktiengesellschaft | Regorafenib for treating colorectal cancer |
| WO2020058170A1 (de) * | 2018-09-21 | 2020-03-26 | Bayer Aktiengesellschaft | Sensorgestütze beobachtung von gliederfüssern |
| WO2020257791A1 (en) | 2019-06-20 | 2020-12-24 | InnerPlant, Inc. | Methods for deploying biosentinels to agricultural fields and monitoring biotic and abiotic stresses in crops remotely |
| US11443421B2 (en) | 2021-01-12 | 2022-09-13 | Wipro Limited | Method and system for detecting infestation in agricultural products |
| WO2023222594A1 (en) * | 2022-05-17 | 2023-11-23 | Faunaphotonics Agriculture & Environmental A/S | Apparatus and method for detecting insects |
| CN114659995B (zh) * | 2022-05-24 | 2022-08-23 | 广东省农业科学院动物科学研究所 | 一种基于显微高光谱的鱼类诱食剂效果评价方法及系统 |
| WO2024050617A1 (pt) * | 2022-09-08 | 2024-03-14 | Radaz Industria E Comércio De Produtos Eletronicos Ltda | Método de detecção e classificação de insetos e classificação de insetos e animais |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6882279B2 (en) * | 2001-05-02 | 2005-04-19 | The United States Of America As Represented By The Secretary Of Agriculture | Sensor output analog processing-A microcontroller-based insect monitoring system |
| PT2627170T (pt) * | 2010-10-17 | 2020-07-16 | Purdue Research Foundation | Monitorização automática de populações de insetos |
| US8855374B2 (en) | 2011-07-05 | 2014-10-07 | Bernard Fryshman | Insect image recognition and instant active response |
| GB201113138D0 (en) | 2011-07-29 | 2011-09-14 | Univ East Anglia | Method, system and device for detecting insects and other pests |
| WO2014035993A2 (en) | 2012-08-27 | 2014-03-06 | Board Of Trustees Of The Leland Stanford Junior University | Devices for automated sample collection, quantification, and detection for insect borne bio-agent surveillance |
| WO2015132208A1 (en) | 2014-03-03 | 2015-09-11 | Avia-Gis | Method for the profiling of pests and for the determination and prediction of associated risks and means for adapted pest control |
| US10856463B2 (en) | 2015-10-05 | 2020-12-08 | Basf Agro Trademarks Gmbh | Method for operating a harvesting machine with the aid of a plant growth model |
| EP3262934A1 (de) | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Verfahren zur unkrautbekämpfung |
| EP3287007A1 (de) | 2016-08-24 | 2018-02-28 | Bayer CropScience AG | Bekämpfung von schadorganismen auf basis der vorhersage von befallsrisiken |
| JP6889724B2 (ja) | 2016-08-29 | 2021-06-18 | 株式会社日立製作所 | 樹脂硬化物、電気機器、モータ、変圧器、ケーブル被覆材、移動体、構造体及び樹脂硬化物の修復方法 |
| CN109788750B (zh) | 2016-09-16 | 2022-08-05 | 巴斯夫农化商标有限公司 | 对植物保护剂的需求的确定 |
-
2017
- 2017-09-29 CN CN201780061423.6A patent/CN109788748B/zh active Active
- 2017-09-29 ES ES17780688T patent/ES2896125T3/es active Active
- 2017-09-29 EP EP21180056.0A patent/EP3932198A1/de not_active Withdrawn
- 2017-09-29 EP EP17780688.2A patent/EP3522704B1/de active Active
- 2017-09-29 PL PL17780688T patent/PL3522704T3/pl unknown
- 2017-09-29 US US16/339,418 patent/US11102969B2/en active Active
- 2017-09-29 WO PCT/EP2017/074778 patent/WO2018065308A1/de active Application Filing
- 2017-09-29 BR BR122021023418-3A patent/BR122021023418B1/pt active IP Right Grant
- 2017-09-29 BR BR112019006453-2A patent/BR112019006453B1/pt active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| EP3522704B1 (de) | 2021-07-28 |
| ES2896125T3 (es) | 2022-02-24 |
| WO2018065308A1 (de) | 2018-04-12 |
| CN109788748B (zh) | 2022-12-27 |
| US20200037596A1 (en) | 2020-02-06 |
| PL3522704T3 (pl) | 2022-01-24 |
| US11102969B2 (en) | 2021-08-31 |
| EP3932198A1 (de) | 2022-01-05 |
| BR122021023418B1 (pt) | 2022-11-22 |
| CN109788748A (zh) | 2019-05-21 |
| BR112019006453B1 (pt) | 2022-11-22 |
| EP3522704A1 (de) | 2019-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BR112019006453A2 (pt) | método, produto de programa de computador e sistema | |
| Edwards-Murphy et al. | b+ WSN: Smart beehive with preliminary decision tree analysis for agriculture and honey bee health monitoring | |
| US11659826B2 (en) | Detection of arthropods | |
| Ahmad et al. | A review of crop water stress assessment using remote sensing | |
| US20200117897A1 (en) | Adaptive Artificial Intelligence Training Data Acquisition and Plant Monitoring System | |
| Prasad et al. | Pest monitoring and forecasting. | |
| Ngo et al. | Automated monitoring and analyses of honey bee pollen foraging behavior using a deep learning-based imaging system | |
| Potamitis et al. | The electronic McPhail trap | |
| Odemer | Approaches, challenges and recent advances in automated bee counting devices: A review | |
| Huo et al. | Assessing the detectability of European spruce bark beetle green attack in multispectral drone images with high spatial-and temporal resolutions | |
| Fall et al. | A quantitative dynamic simulation of Bremia lactucae airborne conidia concentration above a lettuce canopy | |
| Ali et al. | A high performance-oriented AI-enabled IoT-based pest detection system using sound analytics in large agricultural field | |
| Sharif et al. | Monitoring honeybees (Apis spp.)(Hymenoptera: Apidae) in climate-smart agriculture: A review | |
| Wen et al. | Thermal imaging: The digital eye facilitates high-throughput phenotyping traits of plant growth and stress responses | |
| Motie et al. | Identification of Sunn-pest affected (Eurygaster Integriceps put.) wheat plants and their distribution in wheat fields using aerial imaging | |
| Kalfas et al. | Optical identification of fruitfly species based on their wingbeats using convolutional neural networks | |
| Lee et al. | Pest and Disease Management | |
| Kaushik et al. | Sensing technologies used for monitoring and detecting insect infestation in stored grain | |
| Rani et al. | Harnessing the future: cutting-edge technologies for plant disease control | |
| Mukherjee | Acquisition, Processing, and Analysis of Video, Audio and Meteorological Data in Multi-Sensor Electronic Beehive Monitoring | |
| Sailaja et al. | Decision-support systems for pest monitoring and management | |
| Shah et al. | Application of Remote Sensing in Agriculture | |
| Čirjak | Effectiveness of analytical models based on artificial neural networks in monitoring codling moth, pear leaf blister moth and its damage | |
| Nandi et al. | Cloud-Based IoT Controlled System Model for Plant Disease Monitoring | |
| El-Tabakh et al. | Digital Agriculture for Enhancing Yield, Nutrition, and Biological Stress Resistance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B06W | Patent application suspended after preliminary examination (for patents with searches from other patent authorities) chapter 6.23 patent gazette] | ||
| B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
| B07A | Application suspended after technical examination (opinion) [chapter 7.1 patent gazette] | ||
| B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
| B09W | Correction of the decision to grant [chapter 9.1.4 patent gazette] |
Free format text: RETIFICA-SE O DEFERIMENTO DA RPI 2696 DE 06/09/2022, POR TER SIDO EFETUADO COM INCORRECOES. |
|
| B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 29/09/2017, OBSERVADAS AS CONDICOES LEGAIS |