BR112021007682A2 - detecção de doenças de planta por meio de aprendizado profundo em diversas etapas e diversas escalas - Google Patents

detecção de doenças de planta por meio de aprendizado profundo em diversas etapas e diversas escalas Download PDF

Info

Publication number
BR112021007682A2
BR112021007682A2 BR112021007682-4A BR112021007682A BR112021007682A2 BR 112021007682 A2 BR112021007682 A2 BR 112021007682A2 BR 112021007682 A BR112021007682 A BR 112021007682A BR 112021007682 A2 BR112021007682 A2 BR 112021007682A2
Authority
BR
Brazil
Prior art keywords
image
photo
data
plant diseases
regions
Prior art date
Application number
BR112021007682-4A
Other languages
English (en)
Other versions
BR112021007682A8 (pt
Inventor
Yichuan Gui
Wei Guan
Original Assignee
The Climate Corporation
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by The Climate Corporation filed Critical The Climate Corporation
Publication of BR112021007682A2 publication Critical patent/BR112021007682A2/pt
Publication of BR112021007682A8 publication Critical patent/BR112021007682A8/pt

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Environmental Sciences (AREA)
  • Soil Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

DETECÇÃO DE DOENÇAS DE PLANTA POR MEIO DE APRENDIZADO PROFUNDO EM DIVERSAS ETAPAS E DIVERSAS ESCALAS. Em algumas modalidades, o sistema é programado para construir a partir de diversos conjuntos de treinamento modelos digitais, cada um para identificar doenças de planta que apresentam sintomas de tamanhos similares. Cada modelo digital pode ser implementado com uma arquitetura de aprendizado profundo que classifica uma imagem em várias classes. Para cada conjunto de treinamentos, o sistema é assim programado para coletar imagens que mostram sintomas de uma ou mais doenças de planta de tamanhos similares. Essas imagens são então atribuídas a diversas classes. Para o primeiro dos conjuntos de treinamentos usados na construção do primeiro modelo digital, o sistema é programado para incluir também imagens que correspondem a uma condição saudável e imagens de sintomas que têm outros tamanhos. Essas imagens são então atribuídas a uma classe sem doença e uma classe genérica. Dada uma imagem nova proveniente de um dispositivo de usuário, o sistema é programado para primeiramente aplicar o primeiro modelo digital. Para as partes da imagem nova que são classificadas na classe genérica, o sistema é programado para aplicar outros modelos digitais. Por fim, o sistema é programado para transmitir dados de classificação para o dispositivo de usuário indicando como cada parte da imagem nova é classificada em uma classe que corresponde a uma ou nenhuma doença de planta.

Description

Relatório Descritivo da Patente de Invenção para “DETEC- ÇÃO DE DOENÇAS DE PLANTA POR MEIO DE APRENDIZADO PRO- FUNDO EM DIVERSAS ETAPAS E DIVERSAS ESCALAS”.
AVISO DE DIREITOS AUTORAIS
[0001] Uma parte da divulgação deste documento de patente con- tém material que está sujeito à proteção de direitos autorais. O proprie- tário dos direitos autorais não faz objeção a nenhum fac-símile do docu- mento de patente ou de sua descrição por parte de qualquer pessoa, tal como consta do arquivo ou dos registos de patentes do Escritório de Marcas e Patentes dos Estados Unidos, mas, fora isso, reserva a si to- dos os direitos de autoria e de qualquer outra natureza. © 2015-2019, empresa The Climate Corporation. Campo da Invenção
[0002] A presente invenção refere-se a áreas técnicas de detecção de doenças de planta e ao aprendizado de máquina. A presente descri- ção também se refere à área técnica de processamento de imagens em diferentes escalas para identificar doenças que apresentam sintomas de diferentes tamanhos.
ANTECEDENTES DA INVENÇÃO
[0003] Nesta seção são descritas abordagens que podem ser se- guidas, mas não necessariamente abordagens que tenham sido previa- mente concebidas ou seguidas. Portanto, a menos que seja indicado o contrário, não se deve supor que qualquer uma das abordagens descri- tas nesta seção se qualifique como técnica anterior apenas por ter sido incluída nesta seção.
[0004] A detecção de doenças de planta é importante na agricultura. Atualmente, a abordagem automatizada muitas vezes envolve a classi- ficação de fotos de plantas pelo aprendizado com fotos de amostras. Cada foto pode mostrar uma folha que apresenta sintomas de doença. Às vezes, esses sintomas são causados por múltiplas doenças e têm diferentes tamanhos ou se sobrepõem uns aos outros. Desse modo, se- ria útil ter uma abordagem eficiente e precisa para identificar doenças que infectam as folhas das plantas por meio de fotos que não precisem de uma amostragem com muitas fotos de vários sintomas dessas doen- ças de planta.
SUMÁRIO
[0005] As reivindicações anexadas podem servir como um sumário da descrição.
BREVE DESCRIÇÃO DOS DESENHOS
[0006] Nos desenhos:
[0007] a figura 1 ilustra um exemplo de sistema computacional con- figurado para executar as funções aqui descritas, mostrado em um am- biente do campo com outro aparelho com o qual o sistema pode intero- perar;
[0008] a figura 2 ilustra duas vistas de um exemplo de organização lógica de conjuntos de instruções em uma memória principal quando um exemplo de aplicativo móvel é carregado para execução;
[0009] a figura 3 ilustra um processo programado por meio do qual o sistema computacional de inteligência agrícola gera um ou mais mo- delos agronômicos pré-configurados usando dados agronômicos forne- cidos por uma ou mais fontes de dados;
[0010] a figura 4 é um diagrama em bloco que ilustra um sistema computacional no qual uma modalidade da invenção pode ser imple- mentada;
[0011] a figura 5 ilustra uma modalidade exemplificadora de uma vista de cronograma para a entrada de dados;
[0012] a figura 6 ilustra uma modalidade exemplificadora de uma vista de planilha para a entrada de dados;
[0013] a figura 7A ilustra um exemplo de abordagem para extrair imagens de amostras de uma foto que mostra sintomas de uma doença de planta que são relativamente pequenos;
[0014] a figura 7B ilustra um exemplo de abordagem para extrair imagens de amostras de uma foto que mostra sintomas de uma doença de planta que são relativamente grandes;
[0015] a figura 8 ilustra um exemplo de processo para identificar a partir de uma foto doenças de planta que apresentam sintomas de di- versos tamanhos usando diversos modelos digitais;
[0016] a figura 9A ilustra um exemplo de mapa de previsão que mostra resultados de aplicação de um primeiro modelo digital a uma imagem para identificar doenças de planta que apresentam sintomas relativamente pequenos;
[0017] a figura 9B ilustra um exemplo de mapa de previsão que mostra resultados de aplicação de um segundo modelo digital a uma imagem para identificar doenças de planta que apresentam sintomas relativamente grandes;
[0018] a figura 10 ilustra um exemplo de método executado por um computador servidor que é programado para identificar doenças de planta que apresentam sintomas de diversos tamanhos.
DESCRIÇÃO DETALHADA
[0019] Na descrição a seguir, para fins de explicação, em numero- sos detalhes específicos serão apresentados com o intuito de permitir um entendimento completo da presente descrição. No entanto, ficará evidente que as modalidades podem ser praticadas sem esses detalhes específicos. Em alguns casos, estruturas e dispositivos bem conhecidos são mostrados sob a forma de diagrama em bloco para não complicar sem necessidade a presente descrição. As modalidades são descritas em seções de acordo com o seguinte esboço:
1. Visão Geral
2. EXEMPLO DE SISTEMA COMPUTACIONAL DE INTELI-
GÊNCIA AGRÍCOLA
2.1. VISÃO GERAL ESTRUTURAL
2.2. VISÃO GERAL DO PROGRAMA APLICATIVO
2.3. INGESTÃO DE DADOS NO SISTEMA COMPUTACIONAL
2.4. VISÃO GERAL DO PROCESSO – TREINAMENTO DE MO-
DELO AGRONÔMICO
2.5. EXEMPLO DE IMPLEMENTAÇÃO – VISÃO GERAL DO
HARDWARE
3. DESCRIÇÕES FUNCIONAIS
CONSTRUÇÃO DE CONJUNTO DE TREINAMENTOS E MODELOS DIGITAIS
3.1 EXECUÇÃO DE MODELOS DIGITAIS
3.2 EXEMPLOS DE PROCESSOS
4. EXTENSÕES E ALTERNATIVAS *
1. VISÃO GERAL
[0020] Um sistema para identificar a partir de fotos de doenças de planta que apresentam sintomas de diversos tamanhos é descrito. Em algumas modalidades, o sistema é programado para construir a partir de diversos conjuntos de treinamento modelos digitais, cada um para identificar doenças de planta que apresentam sintomas de tamanhos similares. Cada modelo digital pode ser implementado com uma arqui- tetura de aprendizado profundo, tal como uma rede neural convolucional (CNN), que classifica uma imagem em uma dentre várias classes. Para cada conjunto de treinamentos, o sistema é assim programado para co- letar imagens que mostram sintomas de uma ou mais doenças de planta de tamanhos similares. Essas imagens são então atribuídas a diversas classes. Para o primeiro dos conjuntos de treinamentos usados na cons- trução do modelo digital, o sistema é programado para incluir também imagens que correspondem a uma condição saudável e imagens de sin- tomas que têm outros tamanhos. Essas imagens são então atribuídas a uma classe sem doença e uma classe genérica. Dada uma imagem nova proveniente de um dispositivo de usuário, o sistema é programado para primeiramente aplicar o primeiro modelo digital. Pelo menos para as partes da imagem nova que são classificadas pelo primeiro modelo digital na classe genérica, o sistema é programado para aplicar outro dos modelos digitais. Por fim, o sistema é programado para transmitir dados de classificação para o dispositivo de usuário indicando como cada parte da imagem nova é classificada em uma classe que corres- ponde a uma ou nenhuma doença de planta.
[0021] Em algumas modalidades, a planta é milho. Cada imagem pode ser uma imagem digital, que é tipicamente uma foto mostrando uma folha de milho infectada com uma ou mais doenças. O sistema pode ser programado para construir dois modelos digitais, um primeiro para identificar essas doenças de milho que apresentam sintomas rela- tivamente pequenos e um segundo para identificar essas doenças de milho que apresentam sintomas relativamente grandes.
[0022] Em algumas modalidades, para o primeiro conjunto de trei- namentos de construção do primeiro modelo digital, o sistema pode ser configurado para incluir fotos que mostram principalmente essas doen- ças com sintomas relativamente pequenos. Desse modo, essas fotos teriam tamanhos relativamente pequenos. Alternativamente, o sistema pode ser configurado para incluir versões em escalas dessas fotos que correspondem a campos de visão similares aos originais, porém, com um tamanho fixo. O sistema também pode ser configurado para incluir que correspondem a campos de visão similares, mas sem sintomas ou que apresentem sintomas dessas doenças que são relativamente gran- des. Portanto, o primeiro modelo digital é projetado para classificar uma imagem de milho em uma classe que corresponde a uma dessas doen- ças de milho que apresentam sintomas relativamente pequenos ou uma condição saudável ou uma classe genérica que corresponde a uma combinação dessas doenças de milho que apresentam sintomas relati- vamente grandes.
[0023] Em algumas modalidades, para o primeiro conjunto de trei- namentos de construção do segundo modelo digital, o sistema pode ser configurado para incluir fotos que mostram principalmente essas doen- ças com sintomas relativamente grandes. Desse modo, essas fotos te- riam tamanhos relativamente grandes. Alternativamente, o sistema pode ser configurado para incluir versões em escalas dessas fotos que correspondem a campos de visão similares aos originais, porém, com um tamanho fixo. Portanto, o segundo modelo digital é projetado para classificar uma imagem de milho em uma classe que corresponde a uma dessas doenças de milho que apresentam sintomas relativamente gran- des. O sistema pode ser programado para construir o primeiro modelo digital e o segundo modelo digital como CNNs respectivamente a partir do primeiro construir de treinamentos e do segundo conjunto de treina- mentos.
[0024] Em algumas modalidades, o sistema é programado para re- ceber uma imagem nova, tal como uma foto nova de uma folha de milho infectada, de um dispositivo de usuário e aplicar os modelos digitais à imagem nova. Primeiramente, o sistema é programado para aplicar de maneira específica o primeiro modelo digital à imagem nova para clas- sificar cada primeira região na imagem nova em uma das classes que correspondem a doenças de milho que apresentam sintomas relativa- mente pequenos, uma condição saudável ou uma combinação de do- enças de milho que apresentam sintomas relativamente grandes. Em seguida, o sistema é programado para aplicar o segundo modelo digital a cada segunda região na combinação de primeiras regiões que foram classificadas na classe genérica em uma das classes que correspon- dem a doenças de milho que apresentam sintomas relativamente gran- des. A segunda região é tipicamente maior que a primeira região que corresponde a um sintoma maior ou um campo de visão maior. Em se- guida, o sistema é programado para enviar para o dispositivo de usuário dados de classificação relacionados a como cada primeira ou segunda região é classificada em uma das classes que correspondem a doenças de milho ou à condição saudável.
[0025] O sistema proporciona vários benefícios técnicos. Ele per- mite a detecção a partir de uma imagem de planta de diversas doenças de planta, bem como a detecção de uma doença de planta que apre- senta sintomas relativamente pequenos mesmo quando esses sintomas se sobrepõem a sintomas relativamente grandes de outra doença de planta. Além disso, o sistema também permite a detecção a partir de uma imagem de planta de doenças de planta que apresentam sintomas de diversos tamanhos. Mais especificamente, o sistema possibilita a as- sociação de cada uma dentre a pluralidade de regiões em uma planta a uma dentre as várias doenças ou a uma classe saudável, mesmo quando os sintomas da doença têm tamanhos diferentes. Além disso, a abordagem em diversas etapas, na qual diferentes modelos digitais pro- jetados para identificar grupos separados de sintomas são sequencial- mente aplicados, obtém precisão ao mesmo tempo em que requer rela- tivamente poucas imagens de amostras em comparação com a aborda- gem de detecção de grupos de sintomas em uma única etapa. Em par- ticular, a abordagem em diversas etapas pode utilizar várias imagens extraídas de uma imagem usada para treinar a abordagem em uma única etapa, com as imagens mostrando diversos grupos de sintomas e cada imagem extraída mostrando sintomas de apenas um dos grupos.
[0026] Outros aspectos e características das modalidades da inven- ção serão evidenciados em outras seções da descrição.
2. EXEMPLO DE SISTEMA COMPUTACIONAL DE INTELIGÊNCIA
AGRÍCOLA
2.1 VISÃO GERAL ESTRUTURAL
[0027] A figura 1 ilustra um exemplo de sistema computacional con- figurado para executar as funções aqui descritas, mostrado em um am- biente do campo com outro aparelho com o qual o sistema pode intero- perar. Em uma modalidade, um usuário 102 é dono, opera ou dispõe de um dispositivo de computação gerenciador de campo 104 em um local de campo ou associado a um local de campo, tal como um campo des- tinado a atividades agrícolas ou um local de gerenciamento de um ou mais campos agrícolas. O dispositivo de computação gerenciador de campo 104 é programado ou configurado para fornecer dados do campo 106 a um sistema computacional de inteligência agrícola 130 através de uma ou mais redes 109.
[0028] Exemplos de dados do campo 106 incluem (a) dados de identificação (por exemplo, área cultivada, nome do campo, identifica- dores de campo, identificadores geográficos, identificadores de limites, identificadores de safra e quaisquer outros dados adequados que pos- sam ser usados para identificar terras agrícolas, tais como uma unidade terrestre comum (CLU), um número de lote e bloco, número do pacote, coordenadas e limites geográficos, número de identificação da fazenda (FSN), número da fazenda, número do setor censitário, número, seção, município, e/ou extensão do campo), (b) dados de colheita (por exem- plo, tipo de cultura, variedade de safras, rotatividade de safras, se a cul- tura é cultivada organicamente, data da colheita, histórico de produção real (APH - “Atual Production History”), produtividade prevista, produti- vidade, preço da safra, produtividade da safra, umidade do grão, prática de lavoura e informações de épocas anteriores de cultivo), c) dados do solo (por exemplo, tipo, composição, pH, matéria orgânica (OM), capa- cidade de troca catiônica (CEC)), d) dados de plantio (por exemplo, data do plantio, tipo de semente(s), maturidade relativa (RM) da(s) se- mente(s) plantada(s), população de sementes), e) dados de fertilizante (por exemplo, tipo de nutriente (nitrogênio, fósforo, potássio), tipo de aplicação, data de aplicação, quantidade, fonte, método), f) dados de aplicação química (por exemplo, pesticida, outra substância ou mistura de substâncias destinadas a serem usadas como reguladores de plan- tas, desfolhante ou dessecante, data de aplicação, quantidade, fonte, método), g) dados de irrigação (por exemplo, data de aplicação, quanti- dade, origem, método), h) dados meteorológicos (por exemplo, precipi- tação, índice pluviométrico, previsão de chuva, taxa de escoamento de água por região, temperatura, vento, previsão meteorológica, pressão, visibilidade , nuvens, índice de calor, ponto de orvalho, umidade, pro- fundidade da neve, qualidade do ar, nascer do sol, pôr do sol), (i) dados de imagens (por exemplo, imagens e informações do espectro de luz de um sensor de aparelho agrícola, câmara, computador, smartphone, ta- blet, veículo aéreo não tripulado, aviões ou satélite), j) observações de aferição (fotografias, vídeos, notas de forma livre, gravações de voz, transcrições de voz, condições meteorológicas (temperatura, precipita- ção (atual e ao longo do tempo), umidade do solo, fase de crescimento da safra, velocidade do vento, umidade relativa, ponto de orvalho, ca- mada negra)) e (k) solo, semente, fenologia da safra, relatórios sobre pragas e doenças, bem como fontes e banco de dados de previsões.
[0029] Um computador de servidor de dados 108 é acoplado comu- nicativamente ao sistema computacional de inteligência agrícola 130 e programado ou configurado para enviar dados externos 110 para o sis- tema computacional de inteligência agrícola 130 através da(s) rede(s)
109. O computador do servidor de dados externos 108 pode pertencer ou ser operado pela mesma pessoa ou entidade legal referente ao sis- tema computacional de inteligência agrícola 130, ou por uma pessoa ou entidade diferente, como um órgão governamental, uma organização não governamental (ONG) e/ou um fornecedor privado de serviços de dados. Exemplos de dados externos incluem dados meteorológicos, da-
dos imagens, dados do solo, ou dados estatísticos relativos à produtivi- dade das safras, entre outros. Os dados externos 110 podem consistir em mesmo tipo de informação dos dados do campo 106. Em algumas modalidades, os dados externos 110 são fornecidos por um servidor de dados externos 108 de propriedade da mesma entidade que possui e/ou opera o sistema computacional de inteligência agrícola 130. Por exem- plo, o sistema computacional de inteligência agrícola 130 pode incluir um servidor de dados focado exclusivamente em um tipo de dado que poderia ser obtido de outra forma a partir de fontes de terceiros, tais como dados meteorológicos. Em algumas modalidades, um servidor de dados externos 108 pode ser incorporado ao sistema 130.
[0030] Um aparelho agrícola 111 pode ter um ou mais sensores re- motos 112 fixados sobre ele, que são sensores acoplados comunicati- vamente, direta ou indiretamente, através do aparelho agrícola 111, ao sistema computacional de inteligência agrícola 130 e são programados ou configurados para enviar dados de sensores ao sistema computaci- onal de inteligência agrícola 130. Exemplos de aparelhos agrícolas 111 incluem tratores, ceifeiras-debulhadoras, plantadeiras, caminhões, equi- pamentos de fertilizantes, veículos aéreos, incluindo veículos aéreos não tripulados e quaisquer outros equipamentos de maquinário físico ou hardware, normalmente maquinário móvel, e que possam ser usados em tarefas associadas à agricultura. Em algumas modalidades, uma única unidade do aparelho 111 pode incluir uma pluralidade de sensores 112 acoplados localmente em uma rede no aparelho; a rede de área do controlador (CAN) é um exemplo de uma rede que pode ser instalada em ceifeiras-debulhadoras, pulverizadores e produtores. O controlador de aplicação 114 é acoplado comunicativamente ao sistema computa- cional de inteligência agrícola 130 através da(s) rede(s) 109 e progra- mado ou configurado para receber um ou mais scripts que são usados para controlar um parâmetro operacional de um veículo agrícola ou im- plemento do sistema computacional de inteligência agrícola 130. Por exemplo, uma interface de barramento da rede de área do controlador (CAN) pode ser usada para permitir comunicações do sistema compu- tacional de inteligência agrícola 130 no aparelho agrícola 111, por exem- plo, por exemplo, como é usado o Climate Fieldview Drive®, disponibili- zado pela empresa Climate Corporation, São Francisco, Califórnia. Os dados do sensor podem consistir em mesmo tipo de informação que os dados do campo 106. Em algumas modalidades, os sensores remotos 112 podem não estar fixados a um aparelho agrícola 111, mas sim lo- calizados remotamente no campo e podem se comunicar com a rede
109.
[0031] O aparelho 111 pode incluir um computador de cabine 115 que esteja programado com um aplicativo de cabine, que pode incluir uma versão ou variante do aplicativo móvel para o dispositivo 104 que será descrita mais adiante em outras seções do presente documento. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, muitas vezes um computador do tamanho de um tablet ou smartphone, com uma tela gráfica, tal como uma tela colorida, que está montado na cabine de um operador do aparelho 111. O com- putador de cabine 115 pode implementar algumas ou todas as opera- ções e funções descritas mais adiante para o dispositivo de computador móvel 104.
[0032] A(s) rede(s) 109 representa(m) em termos gerais qualquer combinação de uma ou mais redes de comunicação de dados, incluindo redes locais, redes de longa distância, interconexão de redes ou Inter- net, usando-se quaisquer ligações de telefonia fixa ou sem fio, incluindo ligações terrestres ou via satélite. A(s) rede(s) pode(m) ser implemen- tada(s) por qualquer meio ou mecanismo que forneça a troca de dados entre os vários elementos da figura 1. Os vários elementos da figura 1 também podem ter ligações de comunicações diretas (com ou sem fio). Cada um dentre os sensores 112, o controlador 114, computador do servidor de dados externos 108 e outros elementos do sistema inclui uma interface compatível com a(s) rede(s) 109 e é programado ou con- figurado para usar protocolos padronizados para comunicação através das redes, tais como TCP/IP, Bluetooth, protocolo CAN e protocolos de camada superior, tais como HTTP, TLS e similares.
[0033] O sistema computacional de inteligência agrícola 130 é pro- gramado ou configurado para receber dados do campo 106 do disposi- tivo de computação gerenciador de campo 104, dados externos 110 do computador do servidor de dados externos 108 e dados do sensor re- moto 112. O sistema computacional de inteligência agrícola 130 pode ser configurado para hospedar, usar ou executar um ou mais programas de computador, outros elementos de software, lógica programada digi- talmente, tais como FPGA ou ASICs, ou qualquer combinação dos mes- mos para efetuar a tradução e o armazenamento de valores de dados, a construção de modelos digitais de uma ou mais safras em um ou mais campos, a geração de recomendações e notificações, bem como a ge- ração e o envio de scripts para o controlador de aplicativos 114, da ma- neira descrita mais adiante em outras seções desta descrição.
[0034] Em uma modalidade, o sistema de computação de inteligên- cia agrícola 130 é programado com ou compreende uma camada de comunicação 132, uma camada de apresentação 134, uma camada de gerenciamento de dados 140, uma camada de hardware/virtualização 150 e um modelo e repositório de dados de do campo 160. "Camada", neste contexto, refere-se a qualquer combinação de circuitos de inter- face digital eletrônica, microcontroladores, firmware, tais como drivers e/ou programas de computador ou outros elementos de software.
[0035] A camada de comunicação 132 pode ser programada ou configurada para executar funções de interface de entrada/saída, inclu- indo o envio de solicitações para o dispositivo de computação do geren- ciador de campo 104, o computador do servidor de dados externos 108 e o sensor remoto 112 para dados do campo, dados externos e dados do sensor, respectivamente. A camada de comunicação 132 pode ser programada ou configurada para enviar os dados recebidos para o mo- delo e o repositório de dados do campo 160 a serem armazenados como dados do campo 106.
[0036] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) a ser mostrada no dispositivo de computação do gerenciador de campo 104, no computador de cabine 115 ou em outros computadores que são aco- plados ao sistema 130 pela rede 109. A GUI pode incluir controles para a entrada de dados a serem enviados ao sistema de inteligência agrí- cola 130, gerando solicitações de modelos e/ou recomendações e/ou mostrando recomendações, notificações, modelos e outros dados do campo.
[0037] A camada de gerenciamento de dados 140 pode ser progra- mada ou configurada para gerenciar operações de leitura e modalidade envolvendo o repositório 160 e outros elementos funcionais do sistema, incluindo consultas e conjuntos de resultados comunicados entre os ele- mentos funcionais do sistema e o repositório. Exemplos de camada de gerenciamento de dados 140 incluem JDBC, código de interface do ser- vidor SQL e/ou código de interface HADOOP, entre outros. O repositório 160 pode incluir um banco de dados. Conforme usado aqui, o termo "banco de dados" pode se referir a um corpo de dados, a um sistema de gerenciamento de banco de dados relacional (RDBMS) ou a ambos. Conforme usado aqui, um banco de dados pode incluir qualquer coleção de dados, incluindo bancos de dados hierárquicos, bancos de dados relacionais, bancos de dados de arquivos planos, bancos de dados re- lacionados a objetos, bancos de dados orientados a objetos, bancos de dados distribuídos e qualquer outro conjunto estruturado de registos ou dados que seja armazenado em um sistema computacional. Exemplos de RDBMS incluem, mas não se limitam a incluir os bancos de dados ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e POSTGRESQL. No entanto, pode ser usado qualquer banco de dados que habilite os sistemas e métodos descritos neste do- cumento.
[0038] Quando os dados do campo 106 não são fornecidos direta- mente ao sistema computacional de inteligência agrícola através de uma ou mais máquinas agrícolas ou dispositivos de máquinas agrícolas que interagem com o sistema computacional de inteligência agrícola, o usuário pode ser solicitado através de uma ou mais interfaces de usuá- rio no dispositivo do usuário (servido pelo sistema computacional de in- teligência agrícola) a inserir essas informações. Em uma modalidade exemplificadora, o usuário pode especificar dados de identificação acessando um mapa no dispositivo do usuário (servido pelo sistema computacional de inteligência agrícola) e selecionando CLUs específi- cas que foram mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar dados de identificação aces- sando um mapa no dispositivo do usuário (servido pelo sistema compu- tacional de inteligência agrícola 130) e desenhando os limites do campo no mapa. Tal seleção de CLU ou desenhos no mapa representam iden- tificadores geográficos. Em modalidades alternativas, o usuário pode especificar dados de identificação acessando os dados de identificação do campo (fornecidos como arquivos shapefile ou em um formato simi- lar) da Agência de Serviços Agrícolas do Departamento de Agricultura dos EUA (“ The U. S. Farm Service Agency”) ou de outra fonte através do dispositivo de usuário e fornecendo esses dados de identificação do campo para o sistema computacional de inteligência agrícola.
[0039] Em uma modalidade exemplificadora, o sistema computaci- onal de inteligência agrícola 130 é programado para gerar e causar a exibição de uma interface gráfica de usuário que inclui um gerenciador de dados para a entrada de dados. Depois que um ou mais campos tiverem sido identificados por meio dos métodos descritos acima, o ge- renciador de dados poderá fornecer um ou mais widgets da interface de usuário gráfica que, quando selecionados, podem identificar alterações no campo, solo, nas safras, na lavoura ou nas práticas nutrientes. O gerenciador de dados pode incluir uma vista de cronograma, uma vista de planilha e/ou um ou mais programas editáveis.
[0040] A figura 5 ilustra uma modalidade exemplificadora de uma vista de cronograma para a entrada de dados; Usando a tela ilustrada na figura 5, um computador de usuário pode inserir uma seleção de um campo específico e uma data específica para a adição de um aconteci- mento. Os acontecimentos descritos no topo do cronograma podem in- cluir Nitrogênio, Plantio, Práticas e Solo. Para adicionar um aconteci- mento de aplicação de nitrogênio, um computador de usuário pode for- necer dados para selecionar uma aba de nitrogênio. O computador do usuário pode então selecionar uma localização no cronograma de um determinado campo para indicar uma aplicação de nitrogênio no campo selecionado. Em resposta ao recebimento de uma seleção de uma lo- calização no cronograma de um determinado campo, o gerenciador de dados pode mostrar uma sobreposição de entradas de dados, permi- tindo ao computador do usuário inserir dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação no solo, procedimentos de lavoura, práticas de irrigação, ou outras informações relativas ao campo específico. Por exemplo, se um computador de usuário selecio- nar uma parte do cronograma e indicar uma aplicação de nitrogênio, a sobreposição de entradas de dados poderá incluir campos para a inser- ção de uma quantidade de nitrogênio aplicado, uma data de aplicação, um tipo de fertilizante usado e quaisquer outras informações relaciona- das com a aplicação de nitrogênio.
[0041] Em uma modalidade, o gerenciador de dados fornece uma interface para a criação de um ou mais programas. "Programa", neste contexto, refere-se a um conjunto de dados relativos a aplicações de nitrogênio, procedimentos de plantio, aplicação do solo, procedimentos de lavoura, práticas de irrigação, ou outras informações que podem es- tar relacionadas a um ou mais campos e que podem ser armazenadas no armazenamento de dados digitais para reutilização como um con- junto em outras operações. Após sua criação, um programa pode ser aplicado conceitualmente a um ou mais campos e as referências ao pro- grama podem ser armazenadas no armazenamento digital em associa- ção com os dados que identificam os campos. Assim, em vez de inserir manualmente dados idênticos relacionados com as mesmas aplicações de nitrogênio para vários campos diferentes, um computador de usuário pode criar um programa que indique uma aplicação específica de nitro- gênio e, em seguida, aplicar o programa a vários campos diferentes. Por exemplo, na vista do cronograma da figura 5, os dois cronogramas do topo têm o programa “Spring Applied” selecionado, o que inclui uma aplicação de 150 lbs N/ac no início de abril. O gerenciador de dados pode fornecer uma interface para editar um programa. Em uma modali- dade, quando um programa específico é editado, cada campo que se- lecionou o programa específico é editado. Por exemplo, na figura 5, se o programa “Spring Applied” for editado para reduzir a aplicação de ni- trogênio para 130 lbs N/ac, os dois cronogramas do topo poderão ser atualizados com uma aplicação reduzida de nitrogênio baseada no pro- grama editado.
[0042] Em uma modalidade, em resposta ao recebimento de edi- ções em um campo que tem um programa selecionado, o gerenciador de dados remove a correspondência do campo com o programa seleci- onado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo superior na figura 5, a interface poderá ser atualizada para indi- car que o programa "Spring Applied" não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no início de abril possa permanecer, as atualizações do programa "Spring Applied" não alterariam a aplicação de nitrogênio em abril.
[0043] A figura 6 ilustra uma modalidade exemplificadora de uma vista de planilha para a entrada de dados; Usando a tela ilustrada na figura 6, um usuário pode criar e editar informações para um ou mais campos. O gerenciador de dados pode incluir planilhas para a inserção de informações referentes a Nitrogênio, Plantio, Práticas e Solo, con- forme ilustrado na figura 6. Para editar uma entrada específica, um com- putador de usuário pode selecionar a entrada específica na planilha e atualizar os valores. Por exemplo, a figura 6 mostra uma atualização em andamento de um valor de produtividade desejada para o segundo campo. Além disso, um computador de usuário pode selecionar um ou mais campos para aplicar um ou mais programas. Em resposta ao re- cebimento de seleção de um programa para um campo específico, o gerenciador de dados pode completar automaticamente as entradas para o campo específico com base no programa selecionado. Tal como na vista de cronograma, o gerenciador de dados pode atualizar as en- tradas para cada campo associado a um programa específico em res- posta ao recebimento de uma atualização do programa. Além disso, o gerenciador de dados pode remover a correspondência do programa selecionado com o campo em resposta ao recebimento de uma edição em uma das entradas do campo.
[0044] Em uma modalidade, os dados de modelo e de campo são armazenados no modelo e no repositório de dados do campo 160. Os dados de modelo incluem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultura pode incluir um modelo construído digitalmente para o desenvolvimento de uma cultura em um ou mais campos. "Modelo", neste contexto, refere-se a um conjunto ele- trônico digitalmente armazenado de instruções executáveis e valores de dados, associados entre si, que são capazes de receber e responder a uma chamada programática ou outra chamada digital, invocação ou so- licitação de resolução com base em valores de entrada especificados, para gerar um ou mais valores de saída armazenados ou calculados que possam servir como base de recomendações implementadas por computador, exibições de dados de saída ou controle de máquina, entre outras coisas. Pessoas versadas na técnica acham conveniente expres- sar modelos usando equações matemáticas, mas essa forma de expres- são não limita os modelos aqui divulgados a conceitos abstratos; em vez disso, cada modelo descrito neste documento tem uma aplicação prática em um computador na forma de instruções e dados armazena- dos executáveis que implementam o modelo usando o computador. O modelo pode incluir um modelo de acontecimentos passados em um ou mais campos, um modelo do estado atual de um ou mais campos e/ou um modelo de acontecimentos previstos em um ou mais campos. Os dados de modelo e de campo podem ser armazenados em estruturas de dados na memória, fileiras em uma tabela de banco de dados, em arquivos planos ou planilhas, ou em outras formas de dados digitais ar- mazenados.
[0045] Em uma modalidade, sistema computacional de inteligência agrícola 130 é programado para compreender um computador servidor de gerenciamento de modelos de classificação (servidor) 170. O servi- dor 170 também é configurado para compreender instruções de cons-
trução de modelo 174, instruções de execução de modelo 176 e instru- ções de interface de usuário 178.
[0046] Em algumas modalidades, as instruções de construção de modelo 174 oferecem instruções executáveis em computador para reu- nir conjuntos de treinamentos e construir modelos digitais a partir de conjuntos de treinamentos para identificar a partir de uma imagem de planta doenças de planta que apresentam sintomas de diversos tama- nhos. Cada modelo digital é projetado para identificar doenças de planta que apresentam sintomas de tamanhos similares. Portanto, cada con- junto de treinamentos inclui imagens que correspondem a um campo de visão distinto ou uma área com tamanho distinto em uma folha de planta. As instruções de configuração de modelo 172 oferecem instru- ções executáveis em computador para especificamente separar ima- gens fornecidas com uma janela deslizante em regiões individuais para os conjuntos de treinamentos. Cada modelo digital pode ser implemen- tado com uma arquitetura de aprendizado profundo que classifica uma imagem nova em uma dentre as várias classes, com cada uma corres- pondendo a uma doença de planta, uma condição saudável ou uma combinação genérica de diversas doenças de planta.
[0047] Em algumas modalidades, as instruções de execução de modelo 176 oferecem instruções executáveis em computador para apli- car os modelos digitais a imagens novas para classificação. Cada ima- gem nova pode ser uma foto de planta nova mostrando sintomas com diversos tamanhos de uma ou mais doenças de planta. Um primeiro modelo digital para identificar um primeiro grupo de doenças que apre- sentam sintomas dimensionados em uma primeira faixa distinta é apli- cado à imagem nova. Mais especificamente, a imagem nova pode ser dimensionada quando necessário e diferentes primeiras regiões da ima- gem nova podem ser classificadas com o primeiro modelo digital em uma classe que corresponde a uma do primeiro grupo de doenças de planta, uma condição saudável ou uma classe genérica para todas as outras doenças de planta. O tamanho de cada primeira região estaria correlacionado com os tamanhos na primeira faixa distinta. Em seguida, um segundo modelo digital para identificar um segundo grupo de doen- ças que apresentam sintomas dimensionados em uma segunda faixa distinta é aplicado à combinação de primeiras regiões classificadas na classe genérica. O restante do processo relacionado ao primeiro mo- delo digital pode ser executado de modo similar com o segundo modelo digital ou modelos digitais adicionais até que todas as áreas da imagem nova sejam classificadas em pelo menos uma classe que corresponde a uma das doenças de planta.
[0048] Em algumas modalidades, as instruções de interface de usu- ário 178 oferecem instruções executáveis em computador para geren- ciar comunicações com outros dispositivos. Tais comunicações podem incluir receber dados de imagem iniciais, para fins de treinamento, de uma fonte de imagem, receber uma foto nova de um dispositivo de usu- ário para classificação, enviar os resultados de classificação da foto nova para o dispositivo de usuário, ou enviar os modelos digitais para outro dispositivo de computação.
[0049] Cada componente do servidor 170 compreende um conjunto de uma ou mais páginas de memória principal, tal como RAM, no sis- tema computacional de inteligência agrícola 130, no qual foram carre- gadas instruções executáveis que, ao serem executadas, fazem com que o sistema computacional de inteligência agrícola execute as fun- ções ou operações que são descritas neste documento com referência a esses módulos. Por exemplo, o módulo de construção de modelo 174 pode compreender um conjunto de páginas na RAM que contêm instru- ções que, ao serem executadas, causam a execução das funções de seleção de localização que são descritas neste documento. As instru-
ções podem estar no código executável de máquina no conjunto de ins- truções de uma CPU e podem ter sido compiladas com base no código- fonte escrito em JAVA, C, C++, OBJECTIVE-C ou em qualquer outra linguagem ou ambiente de programação legível por seres humanos, so- zinhas ou em combinação com scripts em JAVASCRIPT, outras lingua- gens de script e outro texto-fonte de programação. O termo "páginas" se destina a se referir amplamente a qualquer região da memória prin- cipal, e a terminologia específica usada em um sistema pode variar de- pendendo da arquitetura da memória ou da arquitetura do processador. Em outra modalidade, cada componente do servidor 170 também pode representar um ou mais arquivos ou projetos de código-fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa, tal como uma RAM ou um armazenamento em disco não volátil, no sistema computacional de inteligência agrícola 130 ou em um sis- tema de repositório separado que, ao serem compilados ou interpreta- dos, causam a geração de instruções executáveis que, ao serem exe- cutadas, fazem com que o sistema de computação de inteligência agrí- cola execute as funções ou operações descritas neste documento com referência a esses módulos. Em outras palavras, a figura no desenho pode representar a maneira como programadores ou desenvolvedores de software organizam e ordenam o código-fonte para compilação pos- terior em um executável ou interpretação em bytecode ou equivalente, para execução pelo sistema computacional de inteligência agrícola 130.
[0050] A camada de hardware/virtualização 150 compreende uma ou mais unidades centrais de processamento (CPUs), controladores de memória e outros dispositivos, componentes ou elementos de um sis- tema computacional, tais como memória volátil ou não volátil, armaze- namento não volátil, como disco, e dispositivos ou interfaces de en- trada/saída, conforme ilustrado e descrito, por exemplo, em conexão com a figura 4. A camada 150 também pode incluir instruções progra- madas que são configuradas para suportar virtualização, conteineriza- ção ou outras tecnologias.
[0051] Para fins de ilustração de um exemplo claro, a figura 1 mos- tra um número limitado de instâncias de certos elementos funcionais. No entanto, em outras modalidades, pode haver qualquer número de tais elementos. Por exemplo, as modalidades podem usar milhares ou milhões de dispositivos diferentes de computação móvel 104 associa- dos a usuários diferentes. Além disso, o sistema 130 e/ou o computador do servidor de dados externos 108 podem ser implementados usando- se dois ou mais processadores, núcleos, clusters ou instâncias de má- quinas físicas ou virtuais, configurados em um local discreto ou localiza- dos em conjunto com outros elementos em um datacenter, em unidade de computação compartilhada ou em unidade de computação nuvem.
2.2. VISÃO GERAL DO PROGRAMA APLICATIVO
[0052] Em uma modalidade, a implementação das funções descri- tas neste documento usando-se um ou mais programas de computador ou outros elementos de software, que são carregados e executados por um ou mais computadores de propósito geral, fará com que os compu- tadores de uso geral sejam configurados como uma máquina específica ou como um computador especialmente adaptado para executar as fun- ções aqui descritas. Além disso, cada um dos diagramas de fluxo des- critos mais adiante pode servir, sozinho ou em combinação com as des- crições de processos e funções contidas neste documento, como algo- ritmos, planos ou direções que podem ser usados para programar um computador ou lógica para implementar as funções descritas. Em outras palavras, todo o texto aqui apresentado e todas as figuras em anexo destinam-se a fornecer em conjunto a divulgação de algoritmos, planos ou direções suficientes para permitir que uma pessoa versada na téc- nica programe um computador para executar as funções descritas neste documento, em combinação com a habilidade e o conhecimento de tal pessoa dado o nível de habilidade que é apropriado para invenções e divulgações deste tipo.
[0053] Em uma modalidade, o usuário 102 interage com o sistema computacional de inteligência agrícola 130 usando o dispositivo de com- putação gerenciador de campo 104 configurado com um sistema ope- racional e um ou mais programas ou aplicativos; o dispositivo de com- putação gerenciador de campo 104 também pode interoperar com o sis- tema computacional de inteligência agrícola de forma independente e automática sob controle de programas ou controle lógico, nem sempre sendo necessária a interação direta do usuário. O dispositivo de com- putação gerenciador de campo 104 representa de maneira ampla um ou mais dentre um smartphone, PDA, dispositivo de computação do tipo tablet, computador do tipo laptop, computador desktop, estação de tra- balho ou qualquer outro dispositivo de computação capaz de transmitir e receber informações e executar as funções descritas neste docu- mento. O dispositivo de computação gerenciador de campo 104 pode se comunicar através de uma rede usando um aplicativo móvel armaze- nado no dispositivo de computação gerenciador de campo 104 e, em algumas modalidades, o dispositivo pode ser acoplado por um cabo 113 ou conector ao sensor 112 e/ou controlador 114. Um usuário específico 102 pode ser dono, operar ou dispor e usar, em conexão com o sistema 130, mais de um dispositivo de computação gerenciador de campo 104 por vez.
[0054] O aplicativo móvel pode fornecer funcionalidade do lado do cliente, através da rede, a um ou mais dispositivos de computação mó- vel. Em uma modalidade exemplificadora, o dispositivo de computação gerenciador de campo 104 pode acessar o aplicativo móvel por meio de um navegador da Web ou um aplicativo ou aplicativo cliente local. O dispositivo de computação gerenciador de campo 104 pode transmitir e receber dados de um ou mais servidores front-end, usando protocolos ou formatos baseados na Web, como HTTP, XML e/ou JSON, ou proto- colos específicos de aplicativos. Em uma modalidade exemplificadora, os dados podem assumir a forma de solicitações e entrada de informa- ções de usuário, tais como dados do campo, no dispositivo de compu- tação móvel. Em algumas modalidades, o aplicativo móvel interage com hardware e software de rastreamento no dispositivo de computação ge- renciador de campo 104, que determina a localização do dispositivo de computação gerenciador de campo 104 usando técnicas de rastrea- mento padrão, tais como multilateração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento WiFi, ou ou- tros métodos de posicionamento móvel. Em alguns casos, os dados de localização ou outros dados associados ao dispositivo 104, usuário 102 e/ou à(s) conta(s) de usuário podem ser obtidos por meio de consultas a um sistema operacional do dispositivo ou solicitando-se que um apli- cativo no dispositivo obtenha os dados a partir do sistema operacional.
[0055] Em uma modalidade, o dispositivo de computação de geren- ciamento de campo 104 envia dados do campo 106 para o sistema com- putacional de inteligência agrícola 130, que compreendem ou incluem, mas não se limitam a: valores de dados que representam um ou mais dentre: a localização geográfica de um ou mais campos, informações sobre a lavoura para um ou mais campos, culturas plantadas em um ou mais campos e dados do solo extraídos de um ou mais campos. O dis- positivo de computação do gerenciador de campo 104 pode enviar da- dos do campo 106 em resposta à entrada de dados do usuário 102 es- pecificando os valores de dados para um ou mais campos. Além disso, o dispositivo de computação do gerenciador de campo 104 pode enviar automaticamente dados do campo 106 quando um ou mais valores de dados estiverem disponíveis para o dispositivo de computação do ge-
renciador de campo 104. Por exemplo, o dispositivo de computação ge- renciador de campo 104 pode ser acoplado de forma comunicativa ao sensor remoto 112 e/ou controlador de aplicativo 114 que inclui um sen- sor de irrigação e/ou controlador de irrigação. Em resposta ao recebi- mento de dados indicando que o controlador de aplicação 114 liberou água para um ou mais campos, o dispositivo de computação de geren- ciamento de campo 104 pode enviar dados do campo 106 para o sis- tema computacional de inteligência agrícola 130 indicando que a água foi liberada em um ou mais campos. Os dados do campo 106 identifica- dos nesta descrição podem ser inseridos e comunicados por meio de dados digitais eletrônicos que são comunicados entre dispositivos de computação usando-se URLs parametrizados através de HTTP, ou ou- tro protocolo adequado de comunicação ou mensagens.
[0056] Um exemplo comercial do aplicativo móvel é o CLIMATE FI- ELDVIEW, comercialmente disponibilizado pela empresa Climate Cor- poration, São Francisco, Califórnia. O aplicativo FIELDVIEW CLIMATE, ou outros aplicativos, pode ser modificado, estendido ou adaptado para incluir recursos, funções e programação que não tenham sido divulga- das antes da data de apresentação desta descrição. Em uma modali- dade, o aplicativo móvel compreende uma plataforma de software inte- grada que permite a um produtor tomar decisões para sua operação que são baseadas em fatos, pois o aplicativo combina dados históricos so- bre os campos do produtor com quaisquer outros dados que o produtor pretenda usar para comparação. As combinações e comparações po- dem ser realizadas em tempo real e baseiam-se em modelos científicos que fornecem cenários possíveis para permitir que o produtor tome de- cisões melhores e mais conscientes.
[0057] A figura 2 ilustra duas vistas de um exemplo de organização lógica de conjuntos de instruções em uma memória principal quando um exemplo de aplicativo móvel é carregado para execução; Na figura 2,
cada elemento nomeado representa uma região de uma ou mais pági- nas de RAM ou outra memória principal, ou um ou mais blocos de ar- mazenamento em disco ou de outro armazenamento não volátil e as instruções programadas nessas regiões. Em uma modalidade, na vista (a), um aplicativo de computador móvel 200 compreende instruções de compartilhamento e ingestão de dados, campos e contas 202, visão ge- ral e instruções de alerta 204, instruções do livro de mapas digital 206, instruções de sementes e plantio 208, instruções sobre nitrogênio 210, instruções meteorológicas 212, instruções de saúde do campo 214 e instruções de desempenho 216.
[0058] Em uma modalidade, um aplicativo de computador móvel 200 compreende conta, campos, ingestão de dados, instruções de com- partilhamento 202 que são programados para receber, traduzir e carre- gar dados do campo de sistemas de terceiros por meio de carregamento manual ou de APIs. Os tipos de dados podem incluir limites de campo, mapas de produtividade, mapas conforme plantado, resultados de tes- tes de solo, mapas conforme aplicado de acordo com a aplicação, e/ou zonas de gerenciamento, entre outras. Os formatos de dados podem incluir arquivos shapefile, formatos de dados originais de terceiros e/ou exportações do sistema de informações de gestão agrícola (FMIS - “Farm Management Information System”), entre outros. O recebimento de dados pode ocorrer por meio de carregamento manual, e-mail com anexo, APIs externas que enviam dados para o aplicativo móvel ou ins- truções que solicitam que as APIs de sistemas externos puxem dados para o aplicativo móvel. Em uma modalidade, o aplicativo de computa- dor móvel 200 compreende uma caixa de entrada de dados. Em res- posta ao recebimento de uma seleção da caixa de entrada de dados, o aplicativo de computador móvel 200 pode mostrar uma interface gráfica de usuário para carregar manualmente arquivos de dados e importar arquivos carregados para um gerenciador de dados.
[0059] Em uma modalidade, as instruções do livro de mapas digital 206 compreendem camadas de dados do mapa de campo, armazena- das na memória do dispositivo e que são programadas com ferramentas de visualização de dados e observações geoespaciais do campo. Isso fornece aos produtores informações convenientes, disponíveispara re- ferência, registro e informações visuais sobre o desempenho do campo. Em uma modalidade, a visão geral e as instruções de alerta 204 são programadas para fornecer uma visão operacional ampla do que é im- portante para o produtor e recomendações oportunas para omada de decisões ou foco em questões específicas. Isso permite que o produtor concentre tempo no que precisa de atenção, para poupar tempo e pre- servar a produtividade ao longo da estação. Em uma modalidade, as instruções de sementes e plantio 208 são programadas para fornecer ferramentas para seleção de sementes, colocação híbrida e criação de scripts, incluindo a criação de script de taxa variável (VR- “Variable Rate”), com base em modelos científicos e dados empíricos. Isso per- mite que os produtores maximizem a produtividade ou o retorno do in- vestimento por meio de compra, colocação e população otimizadas de sementes.
[0060] Em uma modalidade, as instruções de geração de script 205 são programadas para fornecer uma interface para gerar scripts, inclu- indo scripts de fertilidade de taxa variável (VR). A interface permite que os produtores criem scripts para implementos de campo, tais como apli- cações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode compreender ferramentas para identificar um tipo de semente para plantio. Após receber uma seleção do tipo semente, o aplicativo de computador móvel 200 pode mostrar um ou mais campos divididos em zonas de gerenciamento, como as camadas de dados de mapa de campo criadas como parte das instruções do livro de mapas digital 206. Em uma modalidade, as zonas de gerenciamento compre- endem zonas de solo junto com um painel identificando cada zona de solo e um nome de solo, textura, drenagem para cada zona, ou outros dados do campo. O aplicativo de computador móvel 200 também pode mostrar ferramentas para edição ou criação, tais como ferramentas grá- ficas para desenhar zonas de gerenciamento, como zonas de solo, em um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplicados a todas as zonas de gerenciamento ou podem ser aplica- dos diferentes procedimentos de plantio a diferentes subconjuntos de zonas de gerenciamento. Quando um script é criado, o aplicativo de computador móvel 200 pode disponibilizar o script para download em um formato legível por um controlador de aplicativo, como um formato arquivado ou compactado. De maneira adicional e/ou alternativa, um script pode ser enviado diretamente para o computador de cabine 115 a partir do aplicativo de computador móvel 200 e/ou carregado em um ou mais servidores de dados e armazenado para uso futuro.
[0061] Em uma modalidade, as instruções sobre nitrogênio 210 são programadas para fornecer ferramentas que informam as decisões re- ferentes ao nitrogênio por meio de visualização da disponibilidade de nitrogênio para as culturas. Isso permite que os produtores maximizem a produtividade ou o retorno do investimento por meio da aplicação oti- mizada de nitrogênio durante a estação. Exemplos de funções progra- madas incluem a exibição de imagens, como imagens SSURGO, para permitir o desenho de zonas de aplicação de fertilizante e/ou imagens geradas a partir de dados de solo de subcampo, tais como dados obti- dos a partir de sensores, a uma resolução espacial elevada (tão fina quanto alguns milímetros ou menor, dependendo da proximidade e re- solução do sensor); carregamento de zonas existentes definidas pelo produtor; fornecimento de um gráfico de disponibilidade de nutrientes de plantas e/ou de um mapa para permitir o ajuste da(s) aplicação(ões)
de nitrogênio em várias zonas; envio de scripts para acionar maquiná- rios; ferramentas para inserção e ajuste de dados em massa; e/ou ma- pas para visualização de dados, entre outros. “Inserção de dados em massa", neste contexto, pode significar inserir dados uma vez e, em se- guida, aplicar os mesmos dados a vários campos e/ou zonas que te- nham sido definidos no sistema; exemplos de dados podem incluir da- dos de aplicação de nitrogênio que são os mesmos para muitos campos e/ou zonas do mesmo produtor, porém, essa entrada de dados de massa aplica-se à introdução de qualquer tipo de dados do campo no aplicativo de computador móvel 200. Por exemplo, as instruções sobre nitrogênio 210 podem ser programadas para aceitar definições de pro- gramas de aplicação e práticas de nitrogênio e para aceitar entradas de usuário que especifiquem a aplicação desses programas em vários campos. "Programas de aplicação de nitrogênio", neste contexto, refe- rem-se a conjuntos de dados armazenados e nomeados que associam: um nome, código de cor ou outro identificador, uma ou mais datas de aplicação, tipos de material ou produto para cada uma das datas e quan- tidades, método de aplicação ou incorporação, tal como injetada ou transmitida, e/ou quantidades ou taxas de aplicação para cada uma das datas, culturas ou elementos híbridos que são o assunto da solicitação de patente, entre outros. “Programas de práticas de nitrogênio", neste contexto, referem-se a conjuntos de dados armazenados e nomeados que associam: um nome de práticas; uma safra anterior; um sistema de lavoura; uma data de lavoura primária; um ou mais sistemas de lavoura anteriores que foram usados; um ou mais indicadores do tipo de aplica- ção, como esterco, que foram usados.
As instruções sobre nitrogênio 210 também podem ser programadas para gerar e mostrar um gráfico de nitrogênio, que indica projeções de uso em plantas do nitrogênio es- pecificado e se está previsto um excesso ou uma falta; em algumas mo- dalidades, diferentes indicadores de cor podem sinalizar uma magnitude de excesso ou uma magnitude de falta. Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exibição de computador com uma pluralidade de fileiras, cada fileira es- tando associada e identificando um campo; dados que especificam qual cultura está plantada no campo, o tamanho do campo, a localização do campo e uma representação gráfica do perímetro do campo; em cada fileira, um cronograma mensal com indicadores gráficos especificando cada aplicação e quantidade de nitrogênio em pontos correlacionados com o nome dos meses; e indicadores numéricos e/ou coloridos de ex- cesso ou de falta, em que a cor indica a magnitude.
[0062] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de entrada do usuário, como mostradores ou barras deslizantes, para alterar dinamicamente os programas de plantio e prá- ticas de nitrogênio para que um usuário possa otimizar seu gráfico de nitrogênio. O usuário pode então usar seu gráfico de nitrogênio otimi- zado e os programas relacionados com o plantio e práticas de nitrogênio para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). As instruções sobre nitrogênio 210 também podem ser programadas para gerar e exibir um mapa de nitrogênio, que indica projeções de uso em plantas do nitrogênio especificado e se está pre- visto um excesso ou uma falta; em algumas modalidades, diferentes in- dicadores de cor podem sinalizar uma magnitude de excesso ou uma magnitude de falta. O mapa de nitrogênio pode exibir projeções de uso em plantas do nitrogênio especificado e se está previsto um excesso ou uma falta para tempos diferentes no passado e no futuro (como diaria- mente, semanalmente, mensalmente ou anualmente), usando indicado- res numéricos e/ou coloridos de excesso ou falta, em que a cor indica magnitude. Em uma modalidade, o mapa de nitrogênio pode incluir um ou mais recursos de entrada do usuário, como mostradores ou barras deslizantes, para alterar dinamicamente os programas de plantio e prá- ticas de nitrogênio de modo que um usuário possa otimizar seu mapa de nitrogênio, tal como obter uma quantidade preferida de excedente para ocasiões de falta. O usuário pode então usar o seu mapa de nitro- gênio otimizado e os programas relacionados com o plantio e as práticas de nitrogênio para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras modalidades, instruções si- milares às instruções sobre nitrogênio 210 podem ser usadas para a aplicação de outros nutrientes (como fósforo e potássio), aplicação de pesticidas e programas de irrigação.
[0063] Em uma modalidade, as instruções meteorológicas 212 são programadas para fornecer dados meteorológicos recentes específicos do campo e informações meteorológicas previstas. Isso permite que os produtores poupem tempo e tenham uma exibição eficiente e integrada no que diz respeito às decisões operacionais diárias.
[0064] Em uma modalidade, as instruções de saúde do campo 214 são programadas para fornecer imagens de detecção remota em tempo hábil, destacando a variação da colheita na estação e possíveis preocu- pações. Exemplos de funções programadas incluem a verificação de nuvens, para identificar possíveis nuvens ou sombras de nuvens; deter- minação de índices de nitrogênio com base em imagens do campo; vi- sualização gráfica de camadas de aferição, incluindo, por exemplo, as relacionadas com a saúde do campo e visualização e/ou compartilha- mento de observações de aferição; e/ou download de imagens de saté- lite de várias fontes e priorização das imagens do produtor, entre outras.
[0065] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análises e ferramentas de insight usando dados da fazenda para avaliação, insights e tomada de deci- sões. Isso permite que o produtor busque melhores resultados para o próximo ano através de conclusões baseadas em fatos sobre a razão pela qual o retorno do investimento se encontrava em níveis anteriores e a percepção dos fatores limitantes da produtividade. As instruções de desempenho 216 podem ser programadas para comunicarem-se atra- vés da(s) rede(s) 109 com os programas analíticos back-end executa- dos no sistema computacional de inteligência agrícola 130 e/ou compu- tador do servidor de dados externos 108 e configurados para analisar métricas como a produtividade, o diferencial de produtividade, coloca- ção híbrida, população, zona SSURGO, propriedades para teste de solo, ou elevação, entre outros. Os relatórios e análises programados podem incluir análise da variabilidade da produtividade, estimativa do efeito do tratamento, benchmarking da produtividade e outras métricas em comparação com outros produtores, com base em dados anônimos coletados de muitos produtores, ou dados sobre sementes e plantio, en- tre outros.
[0066] Os aplicativos com instruções configuradas dessa maneira podem ser implementados para diferentes plataformas de dispositivos de computação, mantendo a mesma aparência geral da interface do usuário. Por exemplo, o aplicativo móvel pode ser programado para exe- cução em tablets, smartphones ou computadores servidores que são acessados através de navegadores em computadores clientes. Além disso, o aplicativo móvel, conforme configurado para tablets ou smar- tphones, pode proporcionar uma experiência de aplicativo completa ou uma experiência de aplicativo de cabine adequada para as capacidades de visualização e o processamento do computador de cabine 115. Por exemplo, referindo-se agora à vista (b) da figura 2, em uma modalidade, um aplicativo de computador de cabine 220 pode incluir instruções de mapas em cabine 222, instruções de visualização remota 224, instru- ções de coleta e transferência de dados 226, instruções de alerta de máquina 228, instruções de transferência de script 230 e instruções de aferição em cabine 232. A base de código para as instruções de visua- lização (b) pode ser a mesma usada para a visualização (a) e os execu- táveis que implementam o código podem ser programados para detec- tar o tipo de plataforma na qual eles estão sendo executados e para expor, através de uma interface gráfica de usuário, apenas as funções que são adequadas para uma plataforma de cabine ou uma plataforma completa.
Essa abordagem permite que o sistema reconheça a experi- ência de usuário claramente diferente que é adequada para um ambi- ente em cabine e para o ambiente de tecnologia diferente da cabine.
As instruções de mapas em cabine 222 podem ser programadas para for- necer vistas de mapas de campos, fazendas ou regiões que são úteis para orientar a operação da máquina.
As instruções de visualização re- mota 224 podem ser programadas para ativar, gerenciar e fornecer vi- sualizações de atividade da máquina em tempo real ou quase real para outros dispositivos de computação conectados ao sistema 130 através de redes sem fio, conectores ou adaptadores com fio e similares.
As instruções de coleta e transferência de dados 226 podem ser programa- das para ativar, gerenciar e permitir a transferência de dados coletados em sensores e controladores para o sistema 130 através de redes sem fio, conectores ou adaptadores com fio e similares.
As instruções de alerta de máquina 228 podem ser programadas para detectar problemas de operação da máquina ou ferramentas associadas à cabine e gerar alertas para o operador.
As instruções de transferência de script 230 podem ser configuradas para a transferência em scripts de instruções configuradas para direcionar operações da máquina ou a coleta de da- dos.
As instruções de aferição em cabine 232 podem ser programadas para mostrar alertas baseados na localização e em informações recebi- das do sistema 130 com base na localização do dispositivo de compu- tação gerenciador de campo 104, do aparelho agrícola 111 ou dos sen-
sores 112 no campo, bem como para carregar, gerir e permitir a trans- ferência de observações de aferição baseadas em localização para o sistema 130 com base na localização do aparelho agrícola 111 ou dos sensores 112 no campo.
2.3. INGESTÃO DE DADOS NO SISTEMA COMPUTACIONAL
[0067] Em uma modalidade, o servidor de dados externos 108 ar- mazena dados externos 110, incluindo dados do solo que representam a composição do solo de um ou mais campos e dados meteorológicos que representam temperatura e precipitação em um ou mais campos. Os dados meteorológicos podem incluir dados meteorológicos antigos e atuais, bem como previsões de dados meteorológicos futuros. Em uma modalidade, o computador servidor de dados externos 108 com- preende uma pluralidade de servidores hospedados por entidades dife- rentes. Por exemplo, um primeiro servidor pode conter dados de com- posição do solo, enquanto um segundo servidor pode incluir dados me- teorológicos. Além disso, os dados de composição do solo podem ser armazenados em vários servidores. Por exemplo, um servidor pode ar- mazenar dados que representam a porcentagem de areia, silte e argila no solo, enquanto um segundo servidor pode armazenar dados que re- presentam a porcentagem de matéria orgânica (MO) no solo.
[0068] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores programados ou configurados para produzir uma ou mais observações. O sensor remoto 112 pode ser sensores aéreos, tais como satélites, sensores de veículo, sensores de equipamento de plan- tio, sensores de lavoura, sensores de aplicação de fertilizante ou inseti- cida, sensores de ceifeira e qualquer outro implemento capaz de rece- ber dados de um ou mais campos. Em uma modalidade, o controlador de aplicativo 114 é programado ou configurado para receber instruções do sistema computacional de inteligência agrícola 130. O controlador de aplicação 114 também pode ser programado ou configurado para con- trolar um parâmetro de funcionamento de um veículo agrícola ou imple- mento. Por exemplo, um controlador de aplicação pode ser programado ou configurado para controlar um parâmetro de funcionamento de um veículo, como um trator, equipamento de plantio, equipamento de la- voura, equipamento de fertilizante ou insecticida, equipamento de co- lheita ou outros implementos agrícolas, como uma válvula de água. Ou- tras modalidades podem usar qualquer combinação de sensores e con- troladores, dos quais os seguintes são apenas exemplos selecionados.
[0069] O sistema 130 pode obter ou coletar, em massa, dados sob o controle do usuário 102 de um grande número de produtores que con- tribuíram com dados para um sistema de banco de dados comparti- lhado. Essa forma de obtenção de dados pode ser denominada “ inges- tão manual de dados", ou seja, uma ou mais operações computacionais controladas pelo usuário são solicitadas ou ativadas para a obtenção de dados a serem usados pelo sistema 130. Como um exemplo, o aplica- tivo FIELDVIEW CLIMATE, disponibilizado comercialmente pela em- presa Climate Corporation, São Francisco, Califórnia, pode ser operado para exportar dados para o sistema 130 para armazenamento no repo- sitório 160.
[0070] Por exemplo, os sistemas de monitoramento de sementes podem controlar tanto os componentes do aparelho da plantadeira quanto obter dados sobre o plantio, incluindo sinais dos sensores de sementes através de um chicote de sinal que inclui um backbone CAN e conexões ponto a ponto para registo e/ou diagnóstico. Os sistemas de monitoramento de sementes podem ser programados ou configurados para mostrar o espaçamento entre as sementes, a população e outras informações para o usuário através do computador da cabine 115 ou de outros dispositivos dentro do sistema 130. Exemplos são divulgados na Patente dos EUA. Nº 8.738.243 e na Patente dos EUA Pub.
20150094916, e a presente divulgação assume conhecimento dessas outras divulgações de patentes.
[0071] Da mesma forma, os sistemas de monitoramento de produ- tividade podem conter sensores de produtividade para aparelhos de cei- feira que enviam dados de medição de produtividade para o computador da cabine 115 ou para outros dispositivos dentro do sistema 130. Os sistemas do monitoramento de produtividade podem usar um ou mais sensores remotos 112 para obter medições de umidade de grão em uma ceifeira-debulhadora ou em outra máquina de colheita e transmitir essas medições para o usuário através do computador da cabine 115 ou de outros dispositivos no sistema 130.
[0072] Em uma modalidade, exemplos de sensores 112 que podem ser usados com qualquer veículo ou aparelho em movimento do tipo descrito aqui incluem sensores cinemáticos e sensores de posição. Os sensores cinemáticos podem incluir qualquer um dos sensores de velo- cidade, tais como radares ou sensores de velocidade de rodas, acele- rômetros ou giroscópios. Os sensores de posição podem incluir recep- tores ou transmissores de GPS, aplicativos de posicionamento ou ma- peamento baseados em Wi-Fi programados para determinar a localiza- ção com base em hotspots de Wi-Fi próximos, entre outros.
[0073] Em uma modalidade, exemplos de sensores 112 que podem ser usados com tratores ou outros veículos em movimento incluem sen- sores de velocidade do motor, sensores de consumo de combustível, contadores de área ou contadores de distância que interagem com si- nais de GPS ou de radar, sensores de velocidade TDF (tomada de força), sensores hidráulicos de trator configurados para detectar parâ- metros hidráulicos, como pressão ou fluxo e/ou velocidade da bomba hidráulica, sensores de velocidade das rodas ou sensores de derrapa- gem das rodas. Em uma modalidade, exemplos de controladores 114 que podem ser usados com tratores incluem controladores direcionais hidráulicos, controladores de pressão e/ou controladores de fluxo; con- troladores de velocidade da bomba hidráulica; controladores de veloci- dade ou reguladores de velocidade; controladores de posição do en- gate; ou controladores de posição da roda fornecem direção automática.
[0074] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamentos de plantio de sementes, como plantadei- ras, semeadoras ou semeadoras a ar, incluem sensores de sementes, que podem ser sensores ópticos, eletromagnéticos ou de impacto; sen- sores de força descendente, como pinos de carga, células de carga e sensores de pressão; sensores das propriedades do solo, tais como sensores de refletividade, sensores de umidade, sensores de condutivi- dade elétrica, sensores de resíduos ópticos ou sensores de tempera- tura; sensores de critérios operacionais de componentes, como senso- res de profundidade de plantio, sensores de pressão do cilindro de força descendente, sensores de velocidade do disco de sementes, codifica- dores de motor de acionamento de sementes, sensores de velocidade do sistema de transporte de sementes ou sensores de nível de vácuo, ou sensores de aplicação de pesticidas, como sensores ópticos ou ou- tros sensores eletromagnéticos, ou sensores de impacto. Em uma mo- dalidade, exemplos de controladores 114 que podem ser usados com tais equipamentos de plantio de sementes incluem: controladores de dobramento da barra de ferramentas, como controladores para válvulas associadas a cilindros hidráulicos; controladores de força descendente, tais como controladores para válvulas associadas a cilindros pneumáti- cos, airbags ou cilindros hidráulicos, e programados para aplicar força descendente a unidades de fileiras individuais ou a uma estrutura de plantadeira completa; controladores de profundidade de plantio, tais como atuadores lineares; controladores de medição, tais como motores elétricos de acionamento do medidor de sementes, motores hidráulicos de acionamento do medidor de sementes ou embraiagens de controle do cordão; controladores de seleção híbridos, tais como motores de aci- onamento do medidor de sementes, ou outros atuadores programados para permitir ou impedir seletivamente que sementes ou uma mistura de ar/sementes de ser entregue para ou a partir de contadores de se- mentes ou tremonhas centrais a granel; controladores de medição, tais como motores elétricos de acionamento do medidor de sementes ou motores hidráulicos de acionamento do medidor de sementes; controla- dores do sistema de transporte de sementes, como controladores para um motor de esteira de distribuição de sementes; controladores de mar- cadores, como um controlador para um atuador pneumático ou hidráu- lico; ou controladores de taxa de aplicação de pesticidas, como contro- ladores de acionamento de medição, controladores de tamanho de ori- fício ou de posição.
[0075] Em uma modalidade, exemplos de sensores 112 que podem ser usados com equipamento de lavoura incluem sensores de posição para ferramentas, como hastes ou discos; sensores de posição de fer- ramenta para tais ferramentas, que são configurados para detectar pro- fundidade, ângulo de ataque ou espaçamento lateral; sensores de força descendente; ou sensores de força de tração. Em uma modalidade, exemplos de controladores 114 que podem ser usados com equipamen- tos de lavoura incluem controladores de força descendente ou controla- dores de posição de ferramentas, como controladores configurados para controlar a profundidade da ferramenta, o ângulo de ataque ou o espaçamento lateral.
[0076] Em uma modalidade, exemplos de sensores 112 que podem ser usados em relação a aparelhos para aplicação de fertilizantes, inse- ticidas, fungicidas e similares, como sistemas acionadores de fertilizante na plantadeira, aplicadores de fertilizante no subsolo ou pulverizadores de fertilizante, incluem: sensores de critérios do sistema de fluido, como sensores de fluxo ou sensores de pressão; sensores que indicam quais válvulas do cabeçote de pulverização ou válvulas da linha de fluido es- tão abertas; sensores associados a tanques, como sensores de nível de enchimento; sensores seccionais ou de todo o sistema de linha de ali- mentação ou sensores de linha de alimentação específicos de fileira; ou sensores cinemáticos, como acelerômetros dispostos nas lanças do pul- verizador. Em uma modalidade, exemplos de controladores 114 que po- dem ser usados com tais aparelhos incluem controladores de veloci- dade de bomba; controladores de válvulas que são programados para controlar a pressão, o fluxo, a direção, a modulação de duração de im- pulso (PWM) e atuadores de posição, como a altura da lança, a profun- didade do subsolo ou a posição da lança.
[0077] Em uma modalidade, exemplos de sensores 112 que podem ser usados com ceifeiras incluem monitores de produtividade, como ex- tensômetros da placa de impacto ou sensores de posição, sensores de fluxo capacitivo, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou brocas espirais sem-fim, ou senso- res ópticos ou outros sensores eletromagnéticos de altura de grãos; sensores de umidade de grão, tais como sensores capacitivos; senso- res de perda de grão, incluindo sensores ópticos ou capacitivos de im- pacto; sensores de critérios de operação de barra de corte, como altura da barra de corte, tipo de barra de corte, folga da placa defletora, sen- sores de velocidade do alimentador e de velocidade da bobina; senso- res de critérios de operação do separador, como folga do côncavo, ve- locidade do rotor, folga da sapata ou sensores de folga da peneira su- perior; sensores da broca espiral sem-fim para posição, operação ou velocidade; ou sensores de rotação do motor. Em uma modalidade, exemplos de controladores 114 que podem ser usados com ceifeiras incluem controladores de critérios de operação da barra de corte para elementos, como altura da barra de corte, tipo da barra de corte, folga da chapa destacadora, velocidade do alimentador ou velocidade da boina; controladores de critérios de operação do separador para carac- terísticas, como folga do côncavo, velocidade do rotor, folga da sapata ou folga da peneira superior; ou controladores para posição, operação ou velocidade do sem-fim.
[0078] Em uma modalidade, exemplos de sensores 112 que podem ser usados com carrinhos de grãos incluem sensores de peso ou sen- sores para posição, operação ou velocidade do sem-fim. Em uma mo- dalidade, exemplos de controladores 114 que podem ser usados com carrinhos de grãos incluem controladores para posição, operação ou ve- locidade do sem-fim.
[0079] Em uma modalidade, podem ser instalados exemplos de sensores 112 e controladores 114 em aparelhos de veículos aéreos não tripulados (VANT) ou "drones". Tais sensores podem incluir câmaras com detectores eficazes para qualquer faixa de espectro eletromagné- tico, incluindo luz visível, infravermelho, ultravioleta, infravermelho pró- ximo (NIR) e similares; acelerômetros; altímetros; sensores de tempe- ratura; sensores de umidade; sensores de tubos pitot ou outros senso- res de velocidade do ar ou velocidade do vento; sensores de vida útil da bateria; ou emissores de radar e aparelhos de detecção de energia re- fletida de radar; outros emissores de radiação eletromagnética e apare- lhos de detecção de radiação eletromagnética refletida. Esses controla- dores podem incluir aparelhos de orientação ou de controle de motor, controladores de superfície de controle, controladores de câmera ou controladores programados para ativar, operar, obter dados, gerenciar e configurar qualquer um dos sensores acima. Exemplos são divulgados no Pedido de Patente U.S. nº 14/831.165, e a presente divulgação, as- sumem conhecimento dessa divulgação de patentes.
[0080] Em uma modalidade, os sensores 112 e os controladores 114 podem ser afixados em aparelhos de amostragem e medição do solo que estejam configurados ou programados para amostrar o solo e realizar testes químicos no solo, testes de umidade do solo e outros testes relativos ao solo. Por exemplo, o aparelho divulgado na Patente dos EUA. nº 8.767.194 e na Patente dos EUA nº 8.712.148 pode ser usado, e a presente divulgação assume conhecimento dessas divulga- ções de patentes.
[0081] Em uma modalidade, os sensores 112 e os controladores 114 podem incluir dispositivos meteorológicos para monitorar as condi- ções meteorológicas dos campos. Por exemplo, pode ser usado o apa- relho descrito no pedido de patente U.S., número 5/551.582, descrito em 16 de agosto de 2017, cujo conteúdo está incorporado aqui a título de referência.
2.4. VISÃO GERAL DO PROCESSO - TREINAMENTO DE MODELO
AGRONÔMICO
[0082] Em uma modalidade, o sistema computacional de inteligên- cia agrícola 130 é programado ou configurado para criar um modelo agronômico. Neste contexto, um modelo agronômico é uma estrutura de dados na memória do sistema computacional de inteligência agrícola 130 que compreende dados do campo 106, como dados de identifica- ção e dados de colheita de um ou mais campos. O modelo agronômico também pode incluir propriedades agronômicas calculadas que descre- vam quer condições que possam afetar o crescimento de uma ou mais culturas em um campo, quer propriedades de uma ou mais culturas, ou ambas. Além disso, um modelo agronômico pode incluir recomenda- ções baseadas em fatores agronômicos, tais como recomendações de culturas, recomendações de irrigação, recomendações de plantio, reco- mendações de fertilizantes, recomendações de fungicidas, recomenda- ções de pesticidas, recomendações de colheita e outras recomenda- ções de gerenciamento de cultura. Os fatores agronômicos também po- dem ser usados para estimar um ou mais resultados relacionados à cul- tura, como a produtividade agronômica. A produtividade agronômica de uma cultura é uma estimativa da quantidade de cultura que é produzida ou, em alguns exemplos, da receita ou lucro obtido com a cultura pro- duzida.
[0083] Em uma modalidade, o sistema computacional de inteligên- cia agrícola 130 pode usar um modelo agronômico pré-configurado para calcular propriedades agronômicas relacionadas à localização atual- mente recebida e a informações de cultura de um ou mais campos. O modelo agronômico pré-configurado baseia-se em dados do campo pre- viamente processados, que incluem, mas não se limitando a: dados de identificação, dados de colheita, dados de fertilizantes e dados meteo- rológicos. O modelo agronômico pré-configurado pode ter passado por validação cruzada para garantir a precisão do modelo. A validação cru- zada pode incluir uma situação fática, ou seja, a comparação dos resul- tados previstos com os resultados reais em um campo, tal como uma comparação da estimativa de precipitação com um pluviômetro ou sen- sor de chuva que fornece dados meteorológicos no mesmo local ou nas proximidades, ou uma estimativa do teor de nitrogênio com uma medi- ção da amostra do solo.
[0084] A figura 3 ilustra um processo programado por meio do qual o sistema computacional de inteligência agrícola gera um ou mais mo- delos agronômicos pré-configurados usando dados do campo forneci- dos por uma ou mais fontes de dados. A figura 3 pode servir como um algoritmo ou instruções para a programação dos elementos funcionais do sistema de inteligência agrícola 130 para executar as operações que serão agora descritas.
[0085] No bloco 305, o sistema computacional de inteligência agrí- cola 130 é configurado ou programado para implementar o pré-proces- samento de dados agronômicos dos dados do campo recebidos de uma ou mais fontes de dados. Os dados do campo recebidos de uma ou mais fontes de dados podem ser pré-processados com o intuito de remoção de ruído, distorção de efeitos e fatores de confusão nos dados agronô- micos, incluindo valores medidos atípicos que possam afetar negativa- mente os valores de dados do campo recebidos. As modalidades do pré-processamento de dados agronômicos podem incluir, mas não se limitam a: a remoção de valores de dados geralmente associados a va- lores de dados mais elevados, pontos de dados medidos específicos que são conhecidos por apresentar desnecessariamente outros valores de dados, suavização de dados, agregação, ou técnicas de amostragem usadas para remover ou reduzir os efeitos aditivos ou multiplicativos do ruído e outras técnicas de filtragem ou derivação de dados usadas para fornecer distinções claras entre entradas de dados positivas e negati- vas.
[0086] No bloco 310, o sistema computacional de inteligência agrí- cola 130 é configurado ou programado para efetuar a seleção de sub- conjuntos de dados usando os dados do campo pré-processados, a fim de identificar conjuntos de dados úteis para a geração inicial de modelos agronômicos. O sistema computacional de inteligência agrícola 130 pode implementar técnicas de seleção de subconjuntos de dados, que incluem, mas não se limitando a: um método de algoritmo genético, um método com todos os modelos de subconjuntos, um método de pes- quisa sequencial, um método de regressão gradual, um método de oti- mização de partículas de enxame e um método de otimização de colô- nias de formigas. Por exemplo, uma técnica de seleção de algoritmos genéticos usa um algoritmo de busca heurística adaptável, baseado em princípios evolutivos de seleção natural e genética, para determinar e avaliar conjuntos de dados nos dados agronômicos pré-processados.
[0087] No bloco 315, o sistema computacional de inteligência agrí- cola 130 é configurado ou programado para implementar a avaliação do conjunto de dados do campo. Em uma modalidade, um conjunto de da- dos do campo específico é avaliado, criando-se um modelo agronômico e usando-se limites de qualidade específicos para o modelo agronômico criado. Os modelos agronômicos podem ser comparados e/ou validados por meio de uma ou mais técnicas de comparação, tais como, mas não se limitando a: erro quadrático médio da raiz com validação “leave one out” (RMSECV), erro absoluto médio e erro percentual médio. Por exemplo, a RMSECV pode validar modelos agronômicos comparando os valores previstos da propriedade agronômica, criados pelo modelo agronômico com os valores históricos da propriedade agronômica, co- letados e analisados. Em uma modalidade, a lógica de avaliação do conjunto de dados agronômicos é usada como um loop de feedbacks onde conjuntos de dados agronômicos que não atendem aos limiares de qualidade configurados são usados durante as etapas futuras de se- leção do subconjunto de dados (bloco 310).
[0088] No bloco 320, o sistema computacional de inteligência agrí- cola 130 é configurado ou programado para implementar a criação de modelos agronômicos com base nos conjuntos de dados agronômicos validados de forma cruzada. Em uma modalidade, a criação de modelos agronômicos pode implementar técnicas de regressão multivariada para criar modelos pré-configurados de dados agronômicos.
[0089] No bloco 325, o sistema computacional de inteligência agrí- cola 130 é configurado ou programado para armazenar os modelos de dados agronômicos pré-configurados para avaliação futura dos dados do campo.
2.5. EXEMPLO DE IMPLEMENTAÇÃO - VISÃO GERAL DO
HARDWARE
[0090] De acordo com uma modalidade, as técnicas aqui descritas são implementadas por um ou mais dispositivos de computação de uso específico. Os dispositivos de computação de uso específico podem ser permanentemente conectados por cabos para execução das técnicas ou podem incluir dispositivos eletrônicos digitais, tais como um ou mais circuitos integrados de aplicação específica (ASICs) ou arranjo de por- tas programáveis em campo (FPGA) que são persistentemente progra- mados para execução das técnicas, ou podem incluir um ou mais pro- cessadores de hardware de propósito geral programados para executar as técnicas de acordo com as instruções do programa em firmware, me- mória, outro armazenamento ou uma combinação dos mesmos. Esses dispositivos de computação de uso específico também podem combinar lógica com fio, ASICs ou FPGAs personalizados com programação per- sonalizada para executar as técnicas. Os dispositivos de computação de uso específico podem ser sistemas de computador desktop, sistemas de computador do tipo laptop, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore lógica fixa e/ou de programa para implementar as técnicas.
[0091] Por exemplo, a figura 4 é um diagrama em bloco que ilustra um sistema computacional 400 no qual uma modalidade da invenção pode ser implementada. O sistema de computador 400 inclui um barra- mento 402 ou outro mecanismo de comunicação para comunicar infor- mações, e um processador 404 acoplado ao barramento 402 para pro- cessar as informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.
[0092] O sistema de computador 400 também inclui uma memória principal 406, tal como uma memória de acesso aleatório (RAM) ou ou- tro dispositivo de armazenamento dinâmico, acoplado ao barramento 402 para armazenar informações e instruções a serem executadas pelo processador 404. A memória principal 406 também pode ser usada para armazenar variáveis temporárias ou outras informações intermediárias durante a execução das instruções a serem executadas pelo processa- dor 404. Taus instruções, quando armazenadas em meios de armaze- namento não transitório, acessíveis ao processador 404, transformam o sistema computacional 400 em uma máquina de uso específico que é personalizada para executar as operações especificadas nas instru- ções.
[093] O sistema de computador 400 também inclui uma memória apenas de leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar informações e instruções estáticas para o processador 404. Um dispositivo de arma- zenamento 410, tal como um disco magnético, um disco óptico ou uma unidade de estado sólido, é fornecido e acoplado ao barramento 402 para armazenar informações e instruções.
[094] O sistema computacional 400 pode ser acoplado através do barramento 402 a uma tela 412, como um tubo de raios catódicos (CRT), para mostrar informações a um usuário de computador. Um dis- positivo de entrada 414, que inclui teclas alfanuméricas e de outros ti- pos, é acoplado ao barramento 402 para comunicar informações e se- leções de comandos ao processador 404. Outro tipo de dispositivo de entrada de usuário é um controle de cursor 416, tal como, um mouse, uma trackball, ou teclas de direção de cursor para comunicar informa- ções de direção e seleções de comandos ao processador 404 e para controlar o movimento do cursor na tela 412. Normalmente, esse dispo- sitivo de entrada tem dois graus de liberdade em dois eixos, um primeiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permitem ao dispositivo especificar posições em um plano.
[095] O sistema computacional 400 pode implementar as técnicas aqui descritas usando lógica fixa personalizada, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que, em combinação com o sistema computacional, faz com que ou programa o sistema computaci- onal 400 seja uma máquina de uso específico. De acordo com uma mo- dalidade, as técnicas aqui descritas são executadas pelo sistema com- putacional 400 em resposta ao processador 404 executando-se uma ou mais sequências de uma ou mais instruções contidas na memória prin- cipal 406. Essas instruções podem ser lidas na memória principal 406 a partir de outro meio de armazenamento, como o dispositivo de armaze- namento 410. A execução das sequências de instruções contidas na memória principal 406 faz com que o processador 404 execute as eta- pas do processo descritas neste documento. Em modalidades alternati- vas, um circuito permanentemente conectado pode ser usado no lugar de ou em combinação com instruções de software.
[096] O termo “meio de armazenamento” conforme usado neste documento refere-se a qualquer meio não transitório que armazene da- dos e/ou instruções que fazem uma máquina operar de um modo espe- cífico. Exemplos de meios não transitórios incluem meios não voláteis e/ou meios voláteis. Os suportes não voláteis incluem, por exemplo, dis- cos ópticos, discos magnéticos ou unidades de estado sólido, tal como o dispositivo de armazenamento 410. Os suportes voláteis incluem me- mória dinâmica, como a memória principal 406. As formas comuns de meios de armazenamento incluem, por exemplo, um disquete, um disco flexível, um disco rígido, uma unidade de estado sólido, uma fita mag- nética ou qualquer outro meio magnético de armazenamento de dados, um CD-ROM, qualquer outro meio óptico de armazenamento de dados, qualquer meio físico com padrões de orifícios, uma RAM, uma PROM e uma EPROM, uma FLASH-EPROM, uma NVRAM, qualquer outro chip ou cartucho de memória.
[097] Um meio de armazenamento é distinto, mas pode ser usado em conjunto com meios de transmissão. O suporte de transmissão par- ticipa da transferência de informações entre meios de armazenamento. Por exemplo, os meios de transmissão incluem cabos coaxiais, fios de cobre e fibra óptica, incluindo os fios que compõem o barramento 402. Os meios de transmissão também podem assumir a forma de ondas acústicas ou de luz, como as geradas durante comunicações de dados de ondas de rádio e infravermelho.
[098] Várias formas de meios podem ser envolvidas no transporte de uma ou mais sequências de uma ou mais instruções para o proces- sador 404 executar. Por exemplo, as instruções podem ser inicialmente transportadas em um disco magnético ou em uma unidade de estado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviar as instruções por uma linha telefônica usando um modem. Um modem local para o sistema computacional 400 pode receber os dados na linha telefônica e usar um transmissor de infravermelho para converter os dados em um sinal de infravermelho. Um detector de infravermelho pode receber os dados transportados no sinal de infravermelho e os circuitos adequados podem colocar os dados no barramento 402. O barramento 402 transporta os dados para a memória principal 406, de onde o processador 404 recu- pera e executa as instruções. As instruções recebidas pela memória principal 406 podem ser opcionalmente armazenadas no dispositivo de armazenamento 410 antes ou depois da execução pelo processador
404.
[099] O sistema computacional 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de comu- nicação 418 fornece uma comunicação bidirecional de dados que se acopla a uma conexão de rede 420 ligada a uma rede local 422. Por exemplo, a interface de comunicação 418 pode ser um cartão de rede digital de serviços integrados (ISDN - “Integrated Services Digital Network”) ou um modem para fornecer uma conexão de comunicação de dados com um tipo que corresponde de linha telefônica. Como outro exemplo, a interface de comunicação 418 pode ser um cartão de rede local (LAN) para fornecer uma conexão de comunicação de dados com uma LAN compatível. Conexões sem fio também podem ser implemen-
tadas. Em qualquer implementação desse tipo, a interface de comuni- cação 418 envia e recebe sinais elétricos, eletromagnéticos ou ópticos que conduzem fluxos de dados digitais representando vários tipos de informações.
[0100] A conexão de rede 420 tipicamente provê comunicação de dados através de uma ou mais redes com outros dispositivos de dados. Por exemplo, a conexão de rede 420 pode fornecer uma conexão atra- vés da rede local 422 com um computador host 424 ou com um equipa- mento de dados operado por um provedor de serviço de Internet 426. O ISP 426, por sua vez, fornece serviços de comunicação de dados atra- vés da rede mundial de comunicações de pacotes de dados, agora co- mumente chamada de "Internet" 428. A rede local 422 e a Internet 428 usam sinais elétricos, eletromagnéticos ou ópticos que transportam flu- xos de dados digitais. Os sinais que passam através das várias redes e os sinais na conexão de rede 420 e através da interface de comunicação 418, que conduzem os dados digitais para e a partir do sistema de com- putador 400, são formas exemplificadoras de meios de transmissão.
[0101] O sistema computacional 400 pode enviar e receber dados, o que inclui código de programa, através da(s) rede(s), da conexão de rede 420 e da interface de comunicação 418. No exemplo da Internet, um servidor 430 pode transmitir um código solicitado para um programa de aplicativo através da Internet 428, ISP 426, rede local 422 e interface de comunicação 418.
[0102] O código recebido pode ser executado pelo processador 404 conforme recebido e/ou armazenado no dispositivo de armazenamento 410, ou em outro armazenamento não volátil para execução posterior.
3. DESCRIÇÕES FUNCIONAIS
CONSTRUÇÃO DE CONJUNTO DE TREINAMENTOS E MODELOS DIGITAIS
[0103] Em algumas modalidades, o servidor 170 é programado para coletar um ou mais conjuntos de treinamento de imagens para treinar modelos digitais para identificar doenças de planta. Para o milho, um ou mais conjuntos de treinamentos de imagens podem incluir fotos de fo- lhas de milho. De preferência, cada foto mostra sintomas não sobrepos- tos de doença. As doenças de milho comuns incluem antracnose e fer- rugem foliar (ALB - “Anthracnose Leaf Blight”), ferrugem comum (CR- “Common Rust”), mancha ocular (EYE - “Eyespot”), mancha foliar cinza (GLS - “Gray Leaf Spot”), murcha de Goss (GW - “Goss’s Wilt”), Nor- thern Leaf Blight (NLB), mancha foliar do norte (NLS - “Northern Leaf Spot”), ferrugem foliar do norte (SLB - “Southern Leaf Blight”) e ferrugem do sul (SR - “Southern Rust”). Os sintomas de diferentes doenças ten- dem a parecer distintos. Por exemplo, CR, EYE, SR e GLS em uma fase inicial (GLS inicial) tendem a produzir lesões relativamente pequenas em forma de pontos ou ligeiramente alongadas, enquanto GW, NLB e GLS em uma fase inicial tendem a produzir lesões relativamente gran- des em forma de tiras ou extremamente alongadas. Portanto, pelo me- nos dois conjuntos de treinamentos podem ser construídos para treinar pelo menos dois modelos digitais, com cada modelo digital projetado para classificar uma imagem inserida em uma ou mais classes que cor- respondem a uma ou mais sintomas com tamanhos similares.
[0104] Em algumas modalidades, tendo em conta uma imagem es- pecífica, o servidor 170 pode ser programado para primeiramente redi- mensionar a imagem específica em um tamanho padrão e depois extrair imagens dessa imagem específica para um conjunto de treinamentos usando uma janela deslizante em um certo ritmo (o número de pixels para deslocar a janela deslizante ao longo da imagem inserida) O servi- dor 170 também pode ser programado para atribuir uma etiqueta de classe de uma ou mais classes mencionadas acima a cada uma das imagens extraídas. Especificamente, o servidor 170 pode ser progra-
mado para receber a etiqueta de classe de um especialista ou pode de- terminar automaticamente a etiqueta de classe com base nas imagens de sintomas de doença conhecidos. Por exemplo, uma imagem de sin- toma de uma doença conhecida em resolução adequada pode ser com- parada com uma imagem extraída usando-se qualquer técnica de com- paração conhecida por pessoas versadas na técnica, e a imagem extra- ída pode ser atribuída a uma etiqueta de classe que corresponde à do- ença conhecida quando comparação gerar uma correspondência.
[0105] A figura 7A ilustra um exemplo de abordagem para extrair imagens de amostras de uma foto que mostra sintomas de uma doença de planta que são relativamente pequenos; Em algumas modalidades, a imagem fornecida é uma foto de uma folha de milho que apresenta sintomas de SR. O servidor 170 pode ser programado para redimensio- nar a imagem fornecida na imagem 702 em um primeiro tamanho com um primeiro fator de dimensionamento relativamente em uma janela deslizante de tamanho fixo, tal como de 3.000 x 4.000 pixels a 1.120 (224 x 5) x 1.493 pixels, com o primeiro fator de dimensionamento sendo 5 em relação a uma janela deslizante com um tamanho de 224 x 224 pixels, usando-se uma técnica conhecida de redimensionamento por al- gumas pessoas versadas na técnica. A imagem 720 ainda mostra sin- tomas relativamente pequenos de SR, tais como a lesão na área 710. Em seguida, servidor 170 pode ser programado para aplicar uma janela deslizante que é relativamente pequena à imagem 702 fileira por fileira ou coluna por coluna em um certo ritmo que determina onde a próxima posição da janela deslizante é relativa à atual posição. Por exemplo, com a janela deslizante tendo um tamanho de 224 x 224 pixels, o ritmo pode ser de 224 pixels sem causar nenhuma sobreposição entre a po- sição atual e a próxima, e quando a imagem 702 tem 1.120 x 1.493 pixels, pode ser extraído um total de 30 imagens. Portanto, partindo-se da posição inicial 704 da janela deslizante, a próxima posição na mesma fileira seria 706 e a próxima posição na mesma coluna seria 708. A parte da imagem que corresponde a cada posição da janela deslizante pode ser extraída e atribuída a uma etiqueta de classe. Neste exemplo, a parte que corresponde à posição 704 pode ser atribuída a uma etiqueta de “SR” para a classe de doença SR dada a presença de lesões de SR. Do mesmo modo, a parte que corresponde à posição 706 pode ser atri- buída a uma etiqueta de “SR” e a uma etiqueta que represente uma condição saudável ou a ausência de sintomas de doença para uma classe sem doença (SD).
[0106] A figura 7B ilustra um exemplo de abordagem para extrair imagens de amostras de uma foto que mostra sintomas de uma doença de planta que são relativamente grandes. Em algumas modalidades, a imagem pode ser é uma foto de uma folha de milho que apresenta sin- tomas de GW. O servidor 170 é programado para redimensionar a ima- gem fornecida na imagem 712 em um segundo fator de dimensiona- mento menor que o primeiro fator de dimensionamento, tal como de
3.000 x 4.000 pixels a 448 (224 x 2) x 597 pixels, com o segundo fator de dimensionamento sendo 2, usando-se uma técnica conhecida de re- dimensionamento por algumas pessoas versadas na técnica. A imagem 712 ainda mostra sintomas relativamente grandes de GW, tais como a lesão na área 718. Em seguida, servidor 170 é programado para aplicar uma janela deslizante que é relativamente grande à imagem 712 fileira por fileira ou coluna por coluna em um certo ritmo que determina onde a próxima posição da janela deslizante é relativa à atual posição. Por exemplo, com a janela deslizante tendo um tamanho de 224 x 224 pixels, o ritmo pode ser de 112 pixels, causando sobreposição parcial entre a posição atual e a próxima, e quando a imagem 712 tem 448 x 597 pixels, pode ser extraído um total de 12 imagens. Portanto, partindo- se de uma posição inicial 714 da janela deslizante, a próxima posição na mesma fileira seria 716. A parte da imagem que corresponde a cada posição da janela deslizante pode ser extraída e atribuída a uma eti- queta de classe. Neste exemplo, a parte que corresponde à posição 714 pode ser atribuída a uma etiqueta de “GW” para a classe de doença GW dada a presença de lesões de GW. Do mesmo modo, a parte que cor- responde à posição 716 pode ser atribuída a uma etiqueta de “GW”.
[0107] Em algumas modalidades, o servidor 170 é programado para processar uma variedade de imagens para extrair imagens de amostras suficientes para cada uma das doenças de planta. As imagens podem ser recuperadas dos servidores de imagens ou dos dispositivos de usu- ário. De preferência, as imagens mostram sintomas de cada doença de planta em diferentes condições, tais como em diferentes momentos du- rante a vida útil da planta, decorrentes das condições de iluminação, ou com diferentes formatos, tamanhos ou escalas. Para aumentar ainda mais a amplitude de um modelo digital, o servidor 170 pode ser progra- mado para incluir mais imagens que mostram sintomas sobrepostos de uma doença de planta com sintomas relativamente grandes e uma do- ença de planta com sintomas relativamente pequenos, de modo a me- lhorar a detecção dos sintomas relativamente pequenos. Por exemplo, essas imagens podem mostrar sintomas sobrepostos de GLS avançada (grande) e CR (pequena), GW (grande); CR, GW e SR (pequena), NLB (grande) e CR ou NLB e SR. O servidor 170 também pode ser progra- mado para atribuir cada imagem extraída de uma dessas imagens à classe que corresponde à doença predominante com base na área total abrangida pelos sintomas de cada doença na imagem extraída.
[0108] Em algumas modalidades, o servidor 170 é programado para gerar variantes das imagens extraídas para aumentar o conjunto de trei- namentos. Mais especificamente, o servidor 170 pode ser configurado para girar ou dimensionar ainda mais as imagens extraídas. Para o mi- lho, pode haver pelo menos 200 imagens para a condição saudável e para cada doença de milho, incluindo menos de 10% com sintomas so- brepostos. Podem ser construídos dois modelos digitais, um primeiro para detectar doenças de milho que apresentam sintomas relativamente pequenos e um segundo para detectar doenças de milho que apresen- tam sintomas relativamente grandes. Portanto, um primeiro e um se- gundo conjuntos de treinamentos podem ser construídos respectiva- mente para o primeiro e o segundo modelos digitais, conforme ilustrado nas figuras 7A e 7B. Cada conjunto de treinamentos pode incluir ima- gens que mostram sintomas das doenças de milho a serem detectados pelo modelo digital que corresponde. Dependendo de como os modelos digitais devam ser aplicados a uma imagem de teste, cada conjunto de treinamentos pode incluir imagens adicionais. Quando o primeiro mo- delo digital e o segundo modelo digital precisarem ser aplicados em se- quência, conforme discutido em detalhes abaixo, o primeiro conjunto de treinamentos poderá incluir imagens adicionais que mostrem sintomas dessas doenças que o segundo modelo digital está projetado para de- tectar e que são atribuídas a uma etiqueta comum que representa uma classe genérica de todas essas doenças. Essas imagens adicionais po- dem ser geradas por meio de processamento (dimensionamento para capturar um certo campo de visão etc.) de uma imagem original usada para o segundo conjunto de treinamentos como uma imagem original usada para o primeiro conjunto de treinamento.
[0109] Em algumas modalidades, o servidor 170 é programado para construir os modelos digitais para identificar doenças de planta a partir dos conjuntos de treinamentos. Os modelos digitais podem ser quais- quer modelos de classificação conhecidos por pessoas versadas na téc- nica, tais como uma árvore de decisão ou uma rede neural convolucio- nal (CNN). Para o milho, o servidor 170 pode ser programado para cons- truir os dois modelos digitais a partir dos dois conjuntos de treinamentos,
conforme discutido acima. O primeiro modelo digital é usado para iden- tificar doenças de milho que apresentam sintomas relativamente peque- nos, tais como CR, EYE, SR ou GLS inicial, e o segundo modelo digital é usado para identificar doenças de milho que apresentam sintomas re- lativamente grandes, tais como GW, NLB ou GLS avançada. Para im- plementar cada modelo digital como uma CNN, podem ser usadas bibli- otecas públicas, tais como o pacote ResNet-50 disponível na plataforma GitHub.
EXECUÇÃO DE MODELOS DIGITAIS
[0110] Em algumas modalidades, o servidor 170 é programado para receber uma imagem nova a ser classificada a partir de um dispositivo de usuário e para aplicar os modelos digitais à imagem para obter clas- sificações. Para o milho, o servidor 170 pode ser programado para apli- car os dois modelos digitais em sequência para detectar primeiramente doenças de milho que apresentem sintomas relativamente pequenos e, em seguida, para detectar doenças de milho que apresentem sintomas relativamente grandes.
[0111] A figura 8 ilustra um exemplo de processo para identificar a partir de uma foto doenças de planta que apresentam sintomas de di- versos tamanhos usando diversos modelos digitais; Em algumas moda- lidades, a planta é o milho e a imagem da planta é uma foto de uma folha de milho. Dada uma imagem nova 802 a ser classificada, primei- ramente o servidor 170 é programado para aplicar o primeiro modelo digital para identificar doenças de milho que apresentam sintomas rela- tivamente pequenos. Especificamente, o servidor 170 pode ser progra- mado para redimensionar a imagem nova 802 de modo similar, por meio do primeiro fator de dimensionamento mencionado acima, em um tama- nho, por exemplo, de 3.000 x 4.000 pixels a 1.120 (224 x 5) x 1.493 pixels, com o primeiro fator de dimensionamento sendo 5. Em seguida, o servidor 170 pode ser programado para aplicar uma janela deslizante que é relativamente pequena à imagem redimensionada fileira por fileira ou coluna por coluna em um certo ritmo que determina onde a próxima posição da janela deslizante é relativa à atual posição. Geralmente, o tamanho da janela deslizante seria igual ao tamanho de uma imagem de amostra (uma imagem extraída) usada para construir o primeiro mo- delo digital. Por exemplo, a janela deslizante pode ter um tamanho de 224 x 224 pixels e o ritmo pode ser de 224 pixels. Para cada posição da janela deslizante, o servidor 170 pode ser programado para aplicar o primeiro modelo digital 804 à parte da imagem redimensionada dentro da janela deslizante para obter uma classificação que corresponde à condição saudável, com uma das doenças de milho tendo sintomas re- lativamente pequenos, ou a combinação de doenças de milho tendo sin- tomas relativamente grandes. Por exemplo, as partes 806 são classifi- cadas em CR, EYE, SR, GLS inicial ou SD, e as partes 812 são classi- ficadas em outra classe de doenças (OD).
[0112] Em algumas modalidades, o servidor 170 pode ser progra- mado para mapear cada parte da imagem redimensionada extraída pela janela deslizante de volta para uma região da imagem nova 802. O ser- vidor 170 também é programado para preparar um mapa de previsão para a imagem nova 802, onde cada região mapeada é mostrada com um indicador da classificação que corresponde.
[0113] A figura 9A ilustra um exemplo de mapa de previsão que mostra resultados de aplicação de um primeiro modelo digital a uma imagem para identificar doenças de planta que apresentam sintomas relativamente pequenos; Em algumas modalidades, dada a escala entre o tamanho da janela deslizante e o tamanho de uma imagem nova, ba- sicamente uma janela deslizante relativamente pequena é deslocada por diferentes posições dentro de uma imagem nova 920, incluindo a posição 902. Cada região (primeira região) da imagem nova 920 que corresponde a uma posição da janela deslizante recebe então a classi- ficação que corresponde no mapa de previsão 922 de acordo com a legenda 906. Por exemplo, a região 912 foi classificada na classe de OD que representa a combinação de doenças de milho que apresentam sin- tomas relativamente grandes.
[0114] Novamente com referência à figura 8, em algumas modali- dades, para as partes da imagem redimensionada que são classificadas na classe de OD que corresponde à combinação de doenças de milho que apresentam sintomas relativamente grandes, o servidor 170 está programado para aplicar o segundo modelo digital 808 para identificar doenças de milho com sintomas relativamente grandes. Novamente com referência à figura 9A, cada uma dessas partes, tal como a mape- ada na região 912, corresponde a um campo de visão relativamente pe- queno e, portanto, normalmente apenas a parte de um sintoma relativa- mente grande, conforme mostrado na área 932. Portanto, o servidor 170 está programado para aplicar o segundo modelo 808 a várias dessas partes de uma vez. Mais especificamente, para cada uma dessas par- tes, o servidor 170 pode ser configurado para considerar também um certo número de partes ao redor ou uma certa fração de uma parte ao redor em cada direção para corresponder aproximadamente ao campo de visão usado para construir o segundo modelo digital. Por exemplo, cada parte de 224 pixels pode ser considerada juntamente com uma parte ao redor em cada direção, levando a uma parte combinada de 672 (224x3) pixels por 672 pixels. O servidor 170 também pode ser configu- rado para redimensionar a parte combinada para o tamanho de uma imagem inserida para o segundo modelo digital, resultando em um fator de dimensionamento de 5/3. Em seguida, o servidor 170 pode ser con- figurado para aplicar o segundo modelo digital à parte combinada redi- mensionada para obter uma classificação que corresponde a uma das doenças de milho com sintomas relativamente grandes. Novamente com referência à figura 8, as partes combinadas redimensionadas 810 são classificadas com GW, NLB ou GLS inicial.
[0115] Em algumas modalidades, em vez de incluir na parte combi- nada uma parte vizinha que não foi classificada na classe SD, o servidor 170 pode ser programado para mascarar (por exemplo, com valores de zero) cada uma dentre a pluralidade de primeiras regiões na imagem nova 802 que é classificada na classe que corresponde a uma dentar a pluralidade de doenças de planta ou uma condição saudável. Em algu- mas modalidades, o servidor 170 pode ser programado para redimensi- onar a imagem nova 802 de modo similar, por meio do primeiro fator de dimensionamento mencionado acima, em um tamanho, por exemplo, de 224 x 224 pixels a 448 (224 x 2) x 448 pixels, com o primeiro fator de dimensionamento sendo 2. Em seguida, o servidor 170 pode ser pro- gramado para aplicar uma janela deslizante que seja relativamente grande à imagem redimensionada fileira por fileira ou coluna por coluna em um certo ritmo. Geralmente, o tamanho da janela deslizante seria igual ao tamanho de uma imagem de amostra (uma imagem extraída) usada para treinar o segundo modelo digital. Por exemplo, a janela des- lizante pode ter um tamanho de 224 x 224 pixels e o ritmo pode ser de 112 ou 224 pixels. Para cada posição da janela deslizante, o servidor 170 pode ser programado para aplicar o segundo modelo digital 804 à parte da imagem redimensionada ou à parte que corresponde à parte combinada classificada na classe de OD dentro da janela deslizante para obter uma classificação que corresponde a uma das doenças que apresentam sintomas relativamente grandes. Em outras modalidades, o servidor está programado para incluir imagens que correspondem a uma classe genérica apenas no segundo conjunto de treinamentos e para aplicar o segundo modelo digital antes de aplicar o primeiro modelo digital a uma imagem nova.
[0116] Novamente com referência à figura 8, em algumas modali- dades, o servidor 170 pode ser programado para mapear de modo simi- lar cada parte classificada pelo segundo modelo digital de volta para uma região da imagem nova 802. O servidor 170 também é programado para atualizar o mapa de previsão para a imagem 802, onde cada região mapeada é mostrada com um indicador da classificação que corres- ponde. Em seguida, o servidor 170 pode ser programado para transmitir ao dispositivo de usuário os dados de classificação relacionados com o mapa de previsão atualizado.
[0117] A figura 9B ilustra um exemplo de mapa de previsão que mostra resultados de aplicação de um segundo modelo digital a uma imagem para identificar doenças de planta que apresentam sintomas relativamente grandes; Em algumas modalidades, dada a escala entre o tamanho da janela deslizante e o tamanho de uma imagem nova, ba- sicamente uma janela deslizante relativamente grande é deslocada por diferentes posições dentro de uma imagem nova 920, incluindo a posi- ção 910 ou apenas dentro da parte classificada na classe de OD pelo primeiro modelo digital, incluindo a posição 910. Cada região (segunda região) da imagem nova 920 que corresponde a uma posição da janela deslizante recebe então a classificação que corresponde no mapa de previsão 922, substituindo valores existentes. Por exemplo, a região 912 ilustrada na figura 9A que foi classificada na classe de OD está agora sob a região 908 classificada na classe que corresponde a GLS avan- çada. Portanto, enquanto a imagem 920 mostra sintomas sobrepostos de SR e GLS avançada, ambas as doenças são detectadas a partir de diferentes regiões da imagem nova 920.
[0118] Em algumas modalidades, o servidor 170 também está pro- gramado para aplicar o mapa de previsão atualizado. O servidor 170 pode ser programado para computar a área total classificada em cada uma das classes e concluir que a doença que corresponde à classe com a maior área total é a doença predominante na planta capturada na nova imagem. Por exemplo, o mapa de previsão atualizado 922 mostra que os sintomas de SR e GLS avançada ocupam aproximadamente metade da imagem nova 920 e, portanto, poderiam ser considerados a doença predominante no milho específico capturado na nova imagem 920. O servidor 170 também pode ser configurado para transmitir ao dispositivo de usuário as informações de predominâncias relacionadas com a do- ença predominante.
3.3 EXEMPLOS DE PROCESSOS
[0119] A figura 10 ilustra um exemplo de método executado por um computador servidor que é programado para identificar doenças de planta que apresentam sintomas de diversos tamanhos. A figura des- tina-se a descrever um algoritmo, plano ou esboço que possa ser usado para implementar um ou mais programas de computador ou outros ele- mentos de software que, ao serem executado, proporcionam as melho- rias funcionais e os avanços técnicos descritos neste documento. Além disso, os diagramas de fluxo aqui descritos têm o mesmo nível de deta- lhe que pessoas versadas na técnica normalmente usam para se comu- nicar entre si sobre algoritmos, planos ou especificações que formam uma base de programas de software que elas planejam codificar ou im- plementar usando suas competências e conhecimentos acumulados.
[0120] Em algumas modalidades, na etapa 1002, o servidor 170 é programado ou configurado para obter um primeiro conjunto de treina- mentos que compreende uma primeira foto mostrando um primeiro sin- toma de uma primeira dentre a primeira pluralidade de doenças de planta, uma segunda foto sem nenhum sintoma e uma terceira foto mos- trando um segundo sintoma parcial de uma dentre a segunda plurali- dade de doenças de planta. A primeira pluralidade de doenças de planta produz sintomas com tamanhos dentro de uma primeira faixa. A se- gunda pluralidade de doenças de planta produz sintomas com tamanhos dentro de uma segunda faixa. O primeiro sintoma é menor do que o segundo sintoma, e as primeira, segunda e terceira fotos correspondem a um campo de visão de tamanho comum. O servidor 170 pode ser con- figurado para gerar o primeiro conjunto de treinamentos a partir de fotos que mostram sintomas de doenças com vários tamanhos usando uma janela deslizante adequada para capturar sintomas individuais da pri- meira pluralidade de doenças de planta.
[0121] Em algumas modalidades, na etapa 1004, o servidor 170 é programado ou configurado para construir uma primeira CNN a partir do primeiro conjunto de treinamento para classificar uma imagem em uma classe que corresponde a uma dentre a primeira pluralidade de doenças de planta, uma condição saudável ou uma combinação da segunda plu- ralidade de doenças de planta. Portanto, quando a primeira CNN é con- figurada para identificar sintomas de doenças k , a primeira CNN é con- figurada para classificar uma imagem em uma dentre as classes k+2. Também é possível adicionar a classe sem doença à classe genérica e configurar a segunda CNN para classificar uma imagem na classe sem doença.
[0122] Em algumas modalidades, na etapa 1006, o servidor 170 é programado ou configurado para obter um segundo conjunto de treina- mento que compreende uma foto mostrando o segundo sintoma. De modo similar, o servidor 170 pode ser configurado para gerar o segundo conjunto de treinamentos a partir de fotos que mostram sintomas de do- enças com vários tamanhos ou simplesmente variados usando uma ja- nela deslizante adequada para capturar sintomas individuais da se- gunda pluralidade de doenças de planta.
[0123] Em algumas modalidades, o servidor 170 é programado ou configurado para construir uma segunda CNN a partir do segundo con- junto de treinamentos para classificar uma imagem em uma classe que corresponde a uma dentre a segunda pluralidade de doenças de planta.
O servidor 170 pode ser configurado para enviar as primeira e segunda CNNs para outro dispositivo de computação, que pode ser configurado para aplicar as duas CNNs para classificar uma foto nova de uma planta infectada.
[0124] Em algumas modalidades, na etapa 1008, o servidor 170 é programado ou configurado para receber uma imagem nova de um dis- positivo de usuário. A imagem nova pode ser uma foto de uma planta infectada mostrando sintomas de vários tamanhos.
[0125] Em algumas modalidades, na etapa 1010, o servidor 170 é programado ou configurado para aplicar a primeira CNN a uma plurali- dade de primeiras regiões dentro da imagem nova de modo a obter uma pluralidade de classificações. O tamanho de cada uma das primeiras regiões é adequado para representar sintomas individuais da primeira pluralidade de doenças de planta.
[0126] Em algumas modalidades, na etapa 1012, o servidor 170 é programado ou configurado para aplicar a segunda CNN a uma ou mais segundas regiões dentro da combinação das primeiras regiões classifi- cadas na classe que corresponde à combinação da segunda pluralidade de doenças de planta para obter uma ou mais segundas regiões, com cada uma da pluralidade das primeiras regiões sendo menor que a se- gunda região. O tamanho de cada uma das segundas regiões é ade- quado para representar sintomas individuais da segunda pluralidade de doenças de planta.
[0127] Em algumas modalidades, na etapa 1014, o servidor 170 é programado ou configurado para transmitir para o dispositivo de usuário os dados de classificação relacionados com a pluralidade de classifica- ções que estão em uma classe correspondente a uma dentre a primeira pluralidade de doenças de planta ou à condição saudável e a uma ou mais classificações. Os dados de classificação podem incluir, para uma ou mais regiões da imagem nova, o tamanho da região e a classificação que corresponde. O servidor 170 também pode ser configurado para identificar uma doença predominante para a imagem nova, tal como a doença na qual a maior área da imagem nova foi classificada, e enviar as informações referentes à doença predominante como parte dos da- dos de classificação.
4. EXTENSÕES E ALTERNATIVAS
[0128] Na especificação anterior, foram descritas as modalidades da invenção com referência a inúmeros detalhes específicos que podem variar de implementação para implementação. Desse modo, as especi- ficações e os desenhos devem ser considerados de forma ilustrativa, e não restritiva. O único indicador do escopo da invenção, e do que os requerentes pretendem que seja o escopo da invenção, é a abrangência literal e equivalente do conjunto de reivindicações derivadas deste pe- dido de patente, em sua forma específica e incluindo qualquer correção subsequente.

Claims (20)

REIVINDICAÇÕES
1. Método implementado por computador de identificação a partir de uma imagem de doenças de planta com sintomas de diversos tamanhos, caracterizado pelo fato de compreender: obter, por meio de um processador, um primeiro conjunto de treinamen- tos que compreende uma primeira foto mostrando um primeiro sintoma de uma primeira dentre a primeira pluralidade de doenças de planta, uma segunda foto sem nenhum sintoma e uma terceira foto mostrando um segundo sintoma parcial de uma dentre a segunda pluralidade de doenças de planta, sendo que o primeiro sintoma é menor que o segundo sintoma, as primeira, segunda e terceira fotos correspondem a campos de visão com tamanhos similares; construir, por meio do processador, um primeiro modelo digital a partir do primeiro conjunto de treinamentos para classificar uma imagem em uma classe dentre um primeiro conjunto de classes que corresponde à primeira pluralidade de doenças de planta, a uma condição saudável ou a uma combinação da segunda pluralidade de doenças de planta; obter um segundo conjunto de treinamentos a partir de pelo menos uma quarta foto que mostra o segundo sintoma; construir um segundo modelo digital a partir do segundo conjunto de treinamentos para classificar uma imagem em uma classe dentre um segundo conjunto de classes que corresponde à segunda pluralidade de doenças de planta; receber uma imagem nova de um dispositivo de usuário; aplicar o primeiro modelo digital a uma pluralidade de primeiras regiões dentro da imagem nova para obter uma pluralidade de classificações; aplicar o segundo modelo digital a uma ou mais segundas regiões, cada uma correspondendo a uma combinação de múltiplas primeiras regiões da pluralidade das primeiras regiões, para obter uma ou mais classifica- ções, com as múltiplas primeiras regiões sendo classificadas na classe que corresponde à combinação da segunda pluralidade de doenças de planta; transmitir para o dispositivo de usuário os dados de classificação relaci- onados com a pluralidade de classificações que estão em uma classe correspondente a uma dentre a primeira pluralidade de doenças de planta ou à condição saudável e a uma ou mais classificações.
2. Método implementado por computador de acordo com a reivindicação 1, caracterizado pelo fato de o primeiro modelo digital ou o segundo modelo digital ser uma rede neural convolucional (CNN) ou uma árvore de decisão.
3. Método implantado por computador de acordo com a rei- vindicação 1, caracterizado pelo fato de: a primeira pluralidade de doenças de planta incluir Ferrugem Comum, Mancha Ocular, Ferrugem do Sul ou Mancha Foliar Cinza em uma fase inicial, a segunda pluralidade de doenças de planta incluir Murcha de Goss, Ferrugem Foliar do Norte ou Mancha Foliar Cinza em uma fase avan- çada.
4. Método implementado por computador de acordo com a reivindicação 1, caracterizado pelo fato de a obtenção do primeiro con- junto de treinamentos compreender: identificar o tamanho de uma janela deslizante; determinar um primeiro fator de dimensionamento; determinar um primeiro tamanho de imagem com base no tamanho da janela deslizante e no primeiro fator de dimensionamento; redimensionar a primeira foto, a segunda foto ou a terceira foto de acordo com o primeiro tamanho de imagem para obter uma primeira foto redimensionada, uma segunda foto redimensionada ou uma terceira foto redimensionada.
5. Método implementado por computador de acordo com a reivindicação 4, caracterizado pelo fato de a obtenção do segundo con- junto de treinamentos compreender: determinar um segundo fator de dimensionamento menor que o primeiro fator de dimensionamento; determinar um segundo tamanho de imagem com base no tamanho da janela deslizante e no segundo fator de dimensionamento; redimensionar a quarta foto de acordo com o segundo tamanho de ima- gem para obter uma quarta foto redimensionada.
6. Método implantado por computador de acordo com a rei- vindicação 5, caracterizado pelo fato de ainda compreender: determinar um primeiro ritmo e um segundo ritmo menor que o primeiro ritmo, sendo que a obtenção do primeiro conjunto de treinamentos ainda com- preende extrair um primeiro conjunto de áreas da primeira foto redimen- sionada, da segunda foto redimensionada ou da terceira foto redimen- sionada usando-se a janela deslizante com o primeiro ritmo, sendo que a obtenção do segundo conjunto de treinamentos ainda com- preende extrair um segundo conjunto de áreas da quarta foto redimen- sionada ou usando-se a janela deslizante com o segundo ritmo.
7. Método implantado por computador de acordo com a rei- vindicação 6, caracterizado pelo fato de: a obtenção do primeiro conjunto de treinamentos ainda compreender atribuir uma etiqueta de uma classe do primeiro conjunto de classes a cada uma do primeiro conjunto de áreas, o primeiro modelo digital ainda ser construído a partir do conjunto de etiquetas atribuído ao primeiro conjunto de áreas, a obtenção do segundo conjunto de treinamentos ainda compreender atribuir uma etiqueta de uma classe do segundo conjunto de classes a cada uma do segundo conjunto de áreas, o segundo modelo digital ainda ser construído a partir do conjunto de etiquetas atribuído ao segundo conjunto de áreas.
8. Método implementado por computador de acordo com a reivindicação 6, caracterizado pelo fato de a aplicação do primeiro mo- delo digital compreender: redimensionar a imagem nova de acordo com o primeiro tamanho de imagem para obter uma primeira imagem atualizada; extrair a primeira pluralidade de regiões da primeira imagem atualizada usando a janela deslizante no primeiro ritmo.
9. Método implementado por computador de acordo com a reivindicação 8, caracterizado pelo fato de a aplicação do segundo mo- delo digital compreender: mascarar cada uma da pluralidade de primeiras regiões na imagem nova classificada na classe que corresponde a uma dentre a primeira pluralidade de doenças de planta ou a uma condição saudável para ob- ter uma imagem mascarada; redimensionar a imagem mascarada de acordo com o segundo tama- nho de imagem para obter uma segunda imagem atualizada; extrair uma ou mais segundas regiões da segunda imagem atualizada usando a janela deslizante no primeiro ritmo.
10. Método implantado por computador de acordo com a rei- vindicação 1, caracterizado pelo fato de a aplicação do segundo modelo digital compreender redimensionar uma parte de uma combinação de múltiplas primeiras regiões da primeira pluralidade de regiões para obter a segunda região.
11. Método implantado por computador de acordo com a rei- vindicação 1, caracterizado pelo fato de o primeiro conjunto de treina- mentos ainda ser obtido a partir de uma foto específica que mostra um terceiro sintoma de uma dentre a primeira pluralidade de doenças de planta um quarto sintoma de uma dentre a segunda pluralidade de do- enças de planta, com o quarto sintoma sobrepondo-se ao terceiro sin- toma.
12. Método implantado por computador de acordo com a rei- vindicação 1, caracterizado pelo fato de ainda compreender: computar o tamanho total da pluralidade de primeiras regiões e uma ou mais segundas regiões classificadas em cada uma dentre o primeiro conjunto de classes e o segundo conjunto de classes; determinar a classe predominante dentre o primeiro conjunto de classes e o segundo conjunto de classes de modo que o tamanho total da plu- ralidade de primeiras regiões e de uma ou mais segundas regiões clas- sificadas na classe predominante seja o maior; sendo que os dados de classificação incluem informações referentes à classe predominante.
13. Meio legível por computador não transitório que armaze- nam uma ou mais sequências de instruções que, ao serem executadas, fazem com que um ou mais processadores implementem um método de identificação a partir de uma imagem de planta de doenças de plantas com sintomas de diversos tamanhos, caracterizado pelo fato de o mé- todo compreender: obter um primeiro conjunto de treinamentos que compreende uma pri- meira foto mostrando um primeiro sintoma de uma primeira dentre a pri- meira pluralidade de doenças de planta, uma segunda foto sem nenhum sintoma e uma terceira foto mostrando um segundo sintoma parcial de uma dentre a segunda pluralidade de doenças de planta, sendo que o primeiro sintoma é menor que o segundo sintoma, as primeira, segunda e terceira fotos correspondem a campos de visão com tamanhos similares;
construir um primeiro modelo digital a partir do primeiro conjunto de trei- namentos para classificar uma imagem em uma classe dentre um pri- meiro conjunto de classes que corresponde à primeira pluralidade de doenças de planta, a uma condição saudável ou a uma combinação da segunda pluralidade de doenças de planta; obter um segundo conjunto de treinamentos a partir de pelo menos uma quarta foto que mostra o segundo sintoma; construir um segundo modelo digital a partir do segundo conjunto de treinamentos para classificar uma imagem em uma classe dentre um segundo conjunto de classes que corresponde à segunda pluralidade de doenças de planta; receber uma imagem nova de um dispositivo de usuário; aplicar o primeiro modelo digital a uma pluralidade de primeiras regiões dentro da imagem nova para obter uma pluralidade de classificações; aplicar o segundo modelo digital a uma ou mais segundas regiões, cada uma correspondendo a uma combinação de múltiplas primeiras regiões da pluralidade das primeiras regiões, para obter uma ou mais classifica- ções, com as múltiplas primeiras regiões sendo classificadas na classe que corresponde à segunda pluralidade de doenças de planta; transmitir para o dispositivo de usuário os dados de classificação relaci- onados com a pluralidade de classificações que estão em uma classe correspondente a uma dentre a primeira pluralidade de doenças de planta ou à condição saudável e a uma ou mais classificações.
14. Meio legível por computador não transitório de acordo com a reivindicação 13, caracterizado pelo fato de a obtenção do pri- meiro conjunto de treinamentos compreender: identificar o tamanho de uma janela deslizante; determinar um primeiro fator de dimensionamento; determinar um primeiro tamanho de imagem com base no tamanho e no primeiro fator de dimensionamento; redimensionar a primeira foto, a segunda foto ou a terceira foto de acordo com o primeiro tamanho de imagem para obter uma primeira foto redimensionada, uma segunda foto redimensionada ou uma terceira foto redimensionada.
15. Meio legível por computador não transitório de acordo com a reivindicação 14, caracterizado pelo fato de a obtenção do se- gundo conjunto de treinamentos compreender: determinar um segundo fator de dimensionamento menor que o primeiro fator de dimensionamento; determinar um segundo tamanho de imagem com base no tamanho da janela deslizante e no segundo fator de dimensionamento; redimensionar a quarta foto de acordo com o segundo tamanho de ima- gem para obter uma quarta foto redimensionada.
16. Meio legível por computador não transitório de acordo com a reivindicação 15, caracterizado pelo fato de o método compreender: determinar um primeiro ritmo e um segundo ritmo menor que o primeiro ritmo, sendo que a obtenção do primeiro conjunto de treinamentos ainda com- preende extrair um primeiro conjunto de áreas da primeira foto redimen- sionada, da segunda foto redimensionada ou da terceira foto redimen- sionada usando-se a janela deslizante com o primeiro ritmo, sendo que a obtenção do segundo conjunto de treinamentos ainda com- preende extrair um segundo conjunto de áreas da quarta foto redimen- sionada ou usando-se a janela deslizante com o segundo ritmo.
17. Meio legível por computador não transitório de acordo com a reivindicação 16, caracterizado pelo fato de : a obtenção do primeiro conjunto de treinamentos ainda compreender atribuir uma etiqueta de uma classe do primeiro conjunto de classes a cada uma do primeiro conjunto de áreas,
o primeiro modelo digital ainda ser construído a partir do conjunto de etiquetas atribuído ao primeiro conjunto de áreas, a obtenção do segundo conjunto de treinamentos ainda compreender atribuir uma etiqueta de uma classe do segundo conjunto de classes a cada uma do segundo conjunto de áreas, o segundo modelo digital ainda ser construído a partir do conjunto de etiquetas atribuído ao segundo conjunto de áreas.
18. Meio legível por computador não transitório de acordo com a reivindicação 16, caracterizado pelo fato de a aplicação do pri- meiro modelo digital compreender: redimensionar a imagem nova de acordo com o primeiro tamanho de imagem para obter uma primeira imagem atualizada; extrair a primeira pluralidade de regiões da primeira imagem atualizada usando a janela deslizante no primeiro ritmo.
19. Meio legível por computador não transitório de acordo com a reivindicação 18, caracterizado pelo fato de a aplicação do se- gundo modelo digital compreender: mascarar cada uma da pluralidade de primeiras regiões na imagem nova classificada na classe que corresponde a uma dentre a primeira pluralidade de doenças de planta ou a uma condição saudável para ob- ter uma imagem mascarada; redimensionar a imagem mascarada de acordo com o segundo tama- nho de imagem para obter uma segunda imagem atualizada; extrair uma ou mais segundas regiões da segunda imagem atualizada usando a janela deslizante no primeiro ritmo.
20. Meio legível por computador não transitório de acordo com a reivindicação 13, caracterizado pelo fato de a aplicação do se- gundo modelo digital compreender redimensionar uma parte de uma combinação de múltiplas primeiras regiões da primeira pluralidade de regiões para obter a uma segunda região.
BR112021007682A 2018-10-24 2019-10-24 Detecção de doenças de planta por meio de aprendizado profundo em diversas etapas e diversas escalas BR112021007682A8 (pt)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862750143P 2018-10-24 2018-10-24
US62/750,143 2018-10-24
PCT/US2019/057819 WO2020086818A2 (en) 2018-10-24 2019-10-24 Detection of plant diseases with multi-stage, multi-scale deep learning

Publications (2)

Publication Number Publication Date
BR112021007682A2 true BR112021007682A2 (pt) 2021-07-27
BR112021007682A8 BR112021007682A8 (pt) 2022-11-08

Family

ID=70327287

Family Applications (1)

Application Number Title Priority Date Filing Date
BR112021007682A BR112021007682A8 (pt) 2018-10-24 2019-10-24 Detecção de doenças de planta por meio de aprendizado profundo em diversas etapas e diversas escalas

Country Status (9)

Country Link
US (4) US10713542B2 (pt)
EP (1) EP3871149A4 (pt)
JP (1) JP7357675B2 (pt)
CN (1) CN113228047A (pt)
AR (1) AR116848A1 (pt)
AU (1) AU2019364434A1 (pt)
BR (1) BR112021007682A8 (pt)
CA (1) CA3117337A1 (pt)
WO (1) WO2020086818A2 (pt)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11100648B2 (en) 2018-07-11 2021-08-24 Raven Industries, Inc. Detecting crop related row from image
US11818982B2 (en) 2018-09-18 2023-11-21 Deere & Company Grain quality control system and method
US11197417B2 (en) * 2018-09-18 2021-12-14 Deere & Company Grain quality control system and method
US10713542B2 (en) * 2018-10-24 2020-07-14 The Climate Corporation Detection of plant diseases with multi-stage, multi-scale deep learning
US11120552B2 (en) * 2019-02-27 2021-09-14 International Business Machines Corporation Crop grading via deep learning
EP3996485A4 (en) 2019-07-11 2023-08-02 Raven Industries, Inc. DETERMINING THE HEIGHT DIFFERENCE OF IMAGE FEATURES
CN111767849A (zh) * 2020-06-29 2020-10-13 京东数字科技控股有限公司 农作物病虫害识别方法、设备及存储介质
CN112001370A (zh) * 2020-09-29 2020-11-27 中国农业科学院农业信息研究所 一种农作物病虫害识别方法及系统
CN112200846A (zh) * 2020-10-23 2021-01-08 东北林业大学 融合无人机影像与地基雷达点云的林分因子提取方法
US11783576B2 (en) * 2020-10-29 2023-10-10 Deere & Company Method and system for optical yield measurement of a standing crop in a field
KR20220057405A (ko) * 2020-10-29 2022-05-09 주식회사 에스아이에이 수질 관리를 위한 조류 정량화 방법
WO2022106302A1 (en) 2020-11-20 2022-05-27 Bayer Aktiengesellschaft Representation learning
CN112562074B (zh) * 2021-02-25 2021-05-04 中国建筑西南设计研究院有限公司 一种智慧绿地的健康判定方法及养护管理方法
CN113052251A (zh) * 2021-03-31 2021-06-29 青岛农业大学 一种基于深度学习的红掌生长指标获取方法
US20220375239A1 (en) * 2021-05-20 2022-11-24 Vishnu Agarwal System and methods to optimize yield in indoor farming
WO2023105030A1 (en) * 2021-12-10 2023-06-15 Basf Agro Trademarks Gmbh Method and system for predicting a crop disease in agriculture
CN113989509B (zh) * 2021-12-27 2022-03-04 衡水学院 基于图像识别的农作物虫害检测方法、检测系统及设备
CN114898327B (zh) * 2022-03-15 2024-04-26 武汉理工大学 一种基于轻量化深度学习网络的车辆检测方法
CN114819756B (zh) * 2022-06-24 2022-09-27 深圳众城卓越科技有限公司 基于分类模型的风电机组智能选址方法、装置及设备
CN116385814B (zh) * 2023-03-07 2023-12-05 广州市妇女儿童医疗中心 一种检测目标的超声筛查方法、系统、装置及介质
US11925133B1 (en) * 2023-06-01 2024-03-12 Kuval Pedarla Corn leaf disease detection
CN117115640A (zh) * 2023-07-04 2023-11-24 北京市农林科学院 一种基于改进YOLOv8的病虫害目标检测方法、装置及设备

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2104413B2 (en) 2007-01-08 2020-03-25 The Climate Corporation Planter monitor system and method
WO2009149389A1 (en) 2008-06-06 2009-12-10 Monsanto Technology Llc Generating agricultural information products using remote sensing
US8477295B2 (en) 2009-05-07 2013-07-02 Solum, Inc. Automated soil measurement device
TWI435234B (zh) * 2011-11-24 2014-04-21 Inst Information Industry Plant disease identification method, system and record media
WO2014018717A1 (en) 2012-07-25 2014-01-30 Precision Planting Llc Systems, methods and apparatus for multi-row agricultural implement control and monitoring
CN103514459A (zh) * 2013-10-11 2014-01-15 中国科学院合肥物质科学研究院 一种基于Android手机平台的识别农作物病虫害的方法及系统
CA2957081A1 (en) 2014-08-22 2016-02-25 The Climate Corporation Methods for agronomic and agricultural monitoring using unmanned aerial systems
US20170161560A1 (en) * 2014-11-24 2017-06-08 Prospera Technologies, Ltd. System and method for harvest yield prediction
AU2016255777B2 (en) 2015-04-29 2021-01-21 Climate Llc Systems, methods, and devices for monitoring weather and field conditions
UA126111C2 (uk) * 2015-06-30 2022-08-17 Зе Клаймат Корпорейшн Системи та методи для фіксування зображення та аналізу сільськогосподарських полів
US20170046613A1 (en) * 2015-08-10 2017-02-16 Facebook, Inc. Systems and methods for content classification and detection using convolutional neural networks
US10043239B2 (en) * 2016-05-05 2018-08-07 The Climate Corporation Using digital images of a first type and a feature set dictionary to generate digital images of a second type
CN106446942A (zh) * 2016-09-18 2017-02-22 兰州交通大学 基于增量学习的农作物病害识别方法
KR101933657B1 (ko) 2016-11-11 2019-04-05 전북대학교산학협력단 딥 러닝을 이용한 작물 병충해 검출 및 진단 방법 및 장치
US10255670B1 (en) * 2017-01-08 2019-04-09 Dolly Y. Wu PLLC Image sensor and module for agricultural crop improvement
US10296816B2 (en) * 2017-01-11 2019-05-21 Ford Global Technologies, Llc Generating training data for automatic vehicle leak detection
US11093745B2 (en) * 2017-05-09 2021-08-17 Blue River Technology Inc. Automated plant detection using image data
CN107392091B (zh) * 2017-06-09 2020-10-16 河北威远生物化工有限公司 一种农业人工智能作物检测方法、移动终端和计算机可读介质
US10438302B2 (en) * 2017-08-28 2019-10-08 The Climate Corporation Crop disease recognition and yield estimation
US10423850B2 (en) * 2017-10-05 2019-09-24 The Climate Corporation Disease recognition from images having a large field of view
CN107742290A (zh) * 2017-10-18 2018-02-27 成都东谷利农农业科技有限公司 植物病害识别预警方法及装置
US10747999B2 (en) * 2017-10-18 2020-08-18 The Trustees Of Columbia University In The City Of New York Methods and systems for pattern characteristic detection
CN108304812A (zh) * 2018-02-07 2018-07-20 郑州大学西亚斯国际学院 一种基于卷积神经网络和多视频图像的作物病害识别方法
WO2019200535A1 (zh) * 2018-04-17 2019-10-24 深圳华大生命科学研究院 基于人工智能的眼科疾病诊断建模方法、装置及系统
US10958828B2 (en) * 2018-10-10 2021-03-23 International Business Machines Corporation Advising image acquisition based on existing training sets
AR116767A1 (es) * 2018-10-19 2021-06-09 Climate Corp Detección de infecciones de enfermedades de plantas mediante la clasificación de fotografías de plantas
JP6833790B2 (ja) 2018-10-19 2021-02-24 本田技研工業株式会社 表示装置、表示制御方法、およびプログラム
US10713542B2 (en) 2018-10-24 2020-07-14 The Climate Corporation Detection of plant diseases with multi-stage, multi-scale deep learning

Also Published As

Publication number Publication date
US20200342273A1 (en) 2020-10-29
EP3871149A2 (en) 2021-09-01
BR112021007682A8 (pt) 2022-11-08
AR116848A1 (es) 2021-06-16
WO2020086818A3 (en) 2020-07-30
JP7357675B2 (ja) 2023-10-06
US20230225239A1 (en) 2023-07-20
US20200134392A1 (en) 2020-04-30
CA3117337A1 (en) 2020-04-30
US10713542B2 (en) 2020-07-14
CN113228047A (zh) 2021-08-06
WO2020086818A2 (en) 2020-04-30
US11216702B2 (en) 2022-01-04
AU2019364434A1 (en) 2021-05-20
US11856881B2 (en) 2024-01-02
JP2022505742A (ja) 2022-01-14
EP3871149A4 (en) 2022-07-06
US20220121887A1 (en) 2022-04-21
US11615276B2 (en) 2023-03-28

Similar Documents

Publication Publication Date Title
US11856881B2 (en) Detection of plant diseases with multi-stage, multi-scale deep learning
US11852618B2 (en) Detecting infection of plant diseases by classifying plant photos
BR112021006133A2 (pt) técnicas de aprendizado de máquina para identificar nuvens e sombras de nuvem em imagística por satélite
BR112021009659A2 (pt) mapeamento de anomalias de campo com o uso de imagens digitais e modelos de aprendizado de máquina.
BR112021004651A2 (pt) método e sistema para a execução de algoritmos de aprendizado de máquina
BR122020015963A2 (pt) método implementado por computador de determinação de um número de grãos a partir de uma imagem de um milho e meios de armazenamento não transitório
BR112020006760A2 (pt) reconhecimento de doenças partindo de imagens que têm grande campo de visão
BR112020022715A2 (pt) análise e apresentação de dados agrícolas
BR112021010122A2 (pt) Previsão de produção a nível de campo durante estação
BR112019009999A2 (pt) identificação de zonas de gerenciamento em campos agrícolas e geração de planos de plantio para as zonas
BR112020009202A2 (pt) seleção de sementes híbridas e otimização de portfólio de sementes por campo
BR112020010226A2 (pt) modelagem digital de doenças em culturas em campos agronômicos
BR112019000719B1 (pt) Método para geração de mapas de pixel a partir de dados de não imagem e métricas de diferença para mapas de pixel
BR112019018015B1 (pt) Método implementado por computador para selecionar locais de amostragem em um campo e melhorar crescimento no campo
BR112017026437B1 (pt) Sistema de computador e método implantado por computador para monitorar operações de um ou mais campos
BR112021001667A2 (pt) previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos
BR112020009205A2 (pt) seleção de sementes híbridas e otimização de portfólio de sementes por campo
US10956780B2 (en) Detecting infection of plant diseases with improved machine learning
BR112020023684A2 (pt) estudo de cultivo cruzado e direcionamento de campo
BR112021006110A2 (pt) sistemas e métodos para identificar e utilizar locais de teste em campos agrícolas
BR112021002525A2 (pt) aprimoramento de modelos de nutrientes digitais usando valores espacialmente distribuídos exclusivos para um campo agronômico
BR112021010115A2 (pt) Utilizando modelos estatísticos espaciais para implementar ensaios agronômicos
RU2820495C2 (ru) Обнаружение болезней растений с помощью многостадийного, многомасштабного глубокого обучения
BR112021004772A2 (pt) modelos ajustáveis para commodities distribuídas na agricultura
BR112021006966A2 (pt) sistema automático de coleta e rastreamento de amostra

Legal Events

Date Code Title Description
B25D Requested change of name of applicant approved

Owner name: CLIMATE LLC (US)

B25G Requested change of headquarter approved

Owner name: CLIMATE LLC (US)

B25G Requested change of headquarter approved

Owner name: CLIMATE LLC (US)