BR112021009659A2 - mapeamento de anomalias de campo com o uso de imagens digitais e modelos de aprendizado de máquina. - Google Patents

mapeamento de anomalias de campo com o uso de imagens digitais e modelos de aprendizado de máquina. Download PDF

Info

Publication number
BR112021009659A2
BR112021009659A2 BR112021009659-0A BR112021009659A BR112021009659A2 BR 112021009659 A2 BR112021009659 A2 BR 112021009659A2 BR 112021009659 A BR112021009659 A BR 112021009659A BR 112021009659 A2 BR112021009659 A2 BR 112021009659A2
Authority
BR
Brazil
Prior art keywords
field
images
agricultural
map
anomaly
Prior art date
Application number
BR112021009659-0A
Other languages
English (en)
Inventor
Boyan Peshlov
Weilin Wang
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 BR112021009659A2 publication Critical patent/BR112021009659A2/pt

Links

Classifications

    • 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
    • G06T7/0004—Industrial image inspection
    • 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
    • A01B69/00—Steering of agricultural machines or implements; Guiding agricultural machines or implements on a desired track
    • A01B69/007—Steering or guiding of agricultural vehicles, e.g. steering of the tractor to keep the plough in the furrow
    • A01B69/008—Steering or guiding of agricultural vehicles, e.g. steering of the tractor to keep the plough in the furrow automatic
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/955—Hardware or software architectures specially adapted for image or video understanding using specific electronic processors
    • 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
    • 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
    • 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
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • A01G25/16—Control of watering
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • B64U2101/32—UAVs specially adapted for particular uses or applications for imaging, photography or videography for cartography or topography
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

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

Abstract

MAPEAMENTO DE ANOMALIAS DE CAMPO COM O USO DE IMAGENS DIGITAIS E MODELOS DE APRENDIZADO DE MÁQUINA. A presente invenção refere-se a um método implementado por computador para gerar um mapa aprimorado de anomalias de campo com o uso de imagens digitais e modelos de aprendizado de máquina. Em uma modalidade, um método compreende: obter um arquivo de for-ma que define os limites de uma superfície agrícola e os limites do cam-po que contêm a superfície; obter uma pluralidade de imagens de super-fície; calibrar e pré-processar a pluralidade de imagens de superfície para criar um mapa de superfície da superfície agrícola em um nível de super-fície; com base no mapa de superfície, gerar uma grade de superfície; com base na grade de superfície e no mapa de superfície, gerar uma plu-ralidade de mosaicos de superfície; com base na pluralidade de mosai-cos de superfície, gerar, com o uso de um modelo de aprendizado de máquina e uma pluralidade de classificadores de imagem que correspon-de a um ou mais anomalias, um conjunto de imagens de superfície clas-sificadas que mostra pelo menos uma anomalia; com base no conjunto de imagens de superfície classificadas, gerar um mapa de anomalia de superfície para a superfície agrícola.

Description

Relatório Descritivo da Patente de Invenção para "MAPE-
AMENTO DE ANOMALIAS DE CAMPO COM O USO DE IMAGENS DIGITAIS E MODELOS DE APRENDIZADO DE MÁQUINA". Reivindicação de Benefício
[001] Este pedido reivindica o benefício sob 35 U.S.C. §119 como não provisório do pedido provisório 62/777.748, depositado no dia 10 de dezembro de 2018, os conteúdos do qual é aqui incorporado a títu- lo de referência para todos os propósitos como totalmente estabeleci- do aqui. Os requerentes, por meio deste, rescindem qualquer isenção de responsabilidade sobre o escopo da reivindicação nos pedidos ori- ginais ou no histórico de processos e informam ao USPTO que as rei- vindicações neste pedido podem ser mais amplas do que qualquer rei- vindicação nos pedidos originais. Aviso de Direitos Autorais
[002] Uma parte da divulgação desse documento de patente con- tém material que é submetido à proteção de direitos autorais. O pro- prietário dos direitos autorais não tem objeções quanto à reprodução fac-símile por ninguém do documento de patente ou divulgação da pa- tente, conforme aparece no arquivo ou registros de patente do "Patent and Trademark Office", mas, de outra forma, reserva-se todos os direi- tos autorais ou quaisquer direitos. © 2015-2019 The Climate Corpora- tion. Campo da Invenção
[003] Um campo técnico da presente divulgação é a análise im- plementada por computador de imagens digitais. Outro campo técnico é a interpretação e a análise implementadas por computador de ima- gens digitais de campos agrícolas, tipicamente, imagens obtidas a par- tir de cima do solo com o uso de satélites, veículos aéreos não tripula- dos ou outros aeronaves. Antecedentes
[004] As abordagens descritas nesta seção são abordagens que podem ser buscadas, mas não necessariamente abordagens que fo- ram concebidas ou buscadas anteriormente. Portanto, a menos que indicado de outra forma, não se deve presumir que qualquer uma das abordagens descritas nesta seção se qualifica como técnica anterior meramente em virtude de sua inclusão nesta seção.
[005] Um dos empreendimentos na agricultura de precisão é me- dir com precisão as porcentagens de áreas anormais de campos agrí- colas. Os produtores geralmente ficam ansiosos em compreender a extensão e a gravidade do acamamento e das ervas daninhas em seus campos, bem como o impacto dessas anomalias na produção. Recentemente, muitas abordagens de imagem, particularmente, méto- dos de imagem com base em UAV, foram investigadas para detectar o acamamento e as ervas daninhas nos campos. Por exemplo, Chu et al. (2017) avaliaram as taxas de acamamento de milho com base na cor da copa e nas informações de altura da planta medidas pelo UAV. Huang et al. (2018) aplicaram os sistemas de imagem de UAV de alta resolução para avaliar a distribuição de ervas daninhas dentro de um campo. No entanto, não existe uma abordagem sistemática que possa detectar e classificar com precisão e simultaneamente o acamamento, o solo descoberto e as ervas daninhas de maneira automatizada.
[006] Certas abordagens para acamamento ou danos ao equi- pamento e detecção de ervas daninhas têm usado sensores caros, como LiDAR e sensores hiperespectrais, ou pós-processamento sofis- ticado e demorado, como Surface from Motion (Digital Surface Model). O resultado dessas abordagens costuma ser limitado e, portanto, tor- na-se difícil dimensioná-las para operações comerciais ou múltiplos campos.
[007] Com base no que foi dito acima, os métodos implementa- dos por computador aprimorados e eficientes são necessários para determinar as anomalias em campos agrícolas com base em imagens digitais. Sumário
[008] As reivindicações anexas podem servir como um sumário da divulgação. Breve Descrição dos Desenhos
[009] Nos desenhos:
[0010] a figura 1 ilustra um sistema de computador de exemplo que é configurado para realizar as funções descritas aqui, mostrado em um ambiente de campo com outros aparelhos com os quais o sis- tema pode interoperar;
[0011] a figura 2 ilustra duas vistas de um organização lógica de exemplo de conjuntos de instruções na memória principal quando um aplicativo móvel de exemplo é carregado para a execução;
[0012] a figura 3 ilustra um processo programado pelo qual o sis- tema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados com o uso de dados agronômicos for- necidos por uma ou mais fontes de dados;
[0013] a figura 4 é um diagrama em blocos que ilustra um sistema de computador mediante o qual uma modalidade da invenção pode ser implementada;
[0014] a figura 5 ilustra uma modalidade de exemplo de uma vista de linha do tempo para a entrada de dados;
[0015] a figura 6 ilustra uma modalidade de exemplo de uma vista de planilha para a entrada de dados;
[0016] a figura 7 ilustra um processamento de exemplo de ima- gens digitais para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina;
[0017] a figura 8 ilustra um processamento de exemplo de ima- gens aéreas e de UAV para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina;
[0018] a figura 9 ilustra um processamento de exemplo de ima- gens do solo para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina;
[0019] a figura 10 ilustra um processamento de exemplo de ima- gens do solo para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina e uma TPU de borda;
[0020] a figura 11 ilustra um exemplo abordagem de aprendizado de máquina para classificar as imagens para gerar um mapa de ano- malias de campo com o uso de modelos de aprendizado de máquina;
[0021] a figura 12 ilustra um exemplo classificação de imagem com o uso de uma abordagem de aprendizado de máquina para gerar um mapa de anomalias de campo com o uso de modelos de aprendi- zado de máquina;
[0022] a figura 13 ilustra um exemplo de classificação de imagem com o uso de uma abordagem de aprendizado de máquina para gerar um mapa de anomalias de campo com o uso de modelos de aprendi- zado de máquina;
[0023] a figura 14 ilustra um exemplo de uma configuração de rede neural para gerar um mapa de anomalias de campo com o uso de mo- delos de aprendizado de máquina;
[0024] a figura 15 ilustra um fluxograma de exemplo para proces- sar as imagens aéreas e de UAV para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina;
[0025] a figura 16 ilustra um fluxograma de exemplo para proces- sar as imagens do solo para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina. Descrição Detalhada
[0026] Na descrição a seguir, para fins de explicação, vários deta- lhes específicos são estabelecidos a fim de fornecer um entendimento completo da presente divulgação. Ficará evidente, no entanto, que as modalidades podem ser praticadas sem esses detalhes específicos. Em outros casos, estruturas e dispositivos bem conhecidos são mos- trados na forma de diagrama em blocos, a fim de evitar obscurecer de forma desnecessária a presente divulgação. As modalidades são di- vulgadas em seções de acordo com o esquema a seguir:
1. Vista geral
2. Sistema de computador de inteligência agrícola de exemplo
2.1. Vista estrutural
2.2. Vista de programa de aplicativo
2.3. Ingestão de dados ao sistema de computador
2.4. Vista de processo - treinamento de modelo agronômico
2.5. Implementação de exemplo – vista de hardware
3. Abordagem de processamento de imagem digital
3.1. Processamento de imagem digital de imagens aéreas
3.2. Processamento de imagem digital de imagens do solo
4. Processamento de exemplo de imagens aéreas e de UAV
5. Processamento de exemplo de imagens do solo
6. Implementação de exemplo de processamento de imagem de solo
6.1. Implementação de exemplo de computação de borda
6.2. Implementação de exemplo de computação de TPU de borda
7. Abordagem de aprendizado de máquina de exemplo
8. Classificadores de exemplo
9. Classificação de imagem de exemplo
10. Configuração de rede neural de exemplo
11. Fluxograma de exemplo para processamento de imagem aérea e de UAV
12. Fluxograma de exemplo para o processamento de imagem de solo
13. Benefícios de determinadas modalidades
1. Vista Geral
[0027] Em uma modalidade, uma abordagem de aprendizado de máquina é fornecida para a detecção e mapeamento de acamamento, solo descoberto e manchas de ervas daninhas em um campo de milho a partir de imagens coloridas (Vermelho-Verde-Azul) e infravermelho próximo (NIR) coletadas de aeronaves, como plataformas de veículos aéreos não tripulados (UAV) e/ou plataformas de veículos terrestres. Os veículos terrestres podem compreender colheitadeiras, debulhado- ras ou outros aparelhos que operam em campos agrícolas. As ima- gens digitais usadas nas modalidades podem compreender os dados de multicanais com pixel vermelho, pixel verde, pixel azul e pixel NIR ou outros componentes.
2. Sistema de computador de inteligência agrícola de exemplo
2.1. Vista estrutural
[0028] A figura 1 ilustra um sistema de computador de exemplo que é configurado para realizar as funções descritas aqui, mostrado em um ambiente de campo com outros aparelhos com os quais o sis- tema pode interoperar. Em uma modalidade, um usuário 102 possui ou opera um dispositivo de computação de gerenciador de campo 104 em uma localização no campo ou associado a uma localização no campo, como um campo destinado a atividades agrícolas ou um local de ge- renciamento para um ou mais campos agrícolas. O dispositivo de computação de gerenciador de campo 104 é programado ou configu- rado para fornecer os dados de campo 106 a um sistema de computa- dor de inteligência agrícola 130 através de uma ou mais redes 109.
[0029] Os exemplos de dados de campo 106 incluem (a) dados de identificação (por exemplo, área cultivada, nome de campo, identifica- dores de campo, identificadores geográficos, identificadores de limite, identificadores de cultura e quaisquer outros dados adequados que possam ser usados para identificar terras agrícolas, como uma unida- de de terra comum (CLU), número de lote e bloco, um número de su- perfície, coordenadas geográficas e limites, Farm Serial Number (FSN), número da fazenda, número do trato, número do campo, seção, município e/ou intervalo); (b) dados DE colheita (por exemplo, tipo de cultura, variedade de cultura, rotação de cultura, se a cultura é cultiva- da organicamente, dados de colheita, histórico de produção real (APH), rendimento esperado, rendimento, preço de colheita, receita de colheita, umidade de grãos, prática de cultivo e informações da esta- ção de crescimento anterior); (c) dados do solo (por exemplo, tipo, composição, pH, matéria orgânica (OM), capacidade de troca catiônica (CEC)); (d) dados de plantio (por exemplo, dados de plantio, tipo de semente(s), maturidade relativa (RM) de sementes plantadas, popula- ção de sementes); (e) dados de fertilizantes (por exemplo, tipo de nu- triente (nitrogênio, fósforo, potássio), tipo de aplicação, data da aplica- ção, quantidade, fonte, método); (f) dados de aplicação química (por exemplo, pesticida, herbicida, fungicida, outra substância ou mistura de substâncias destinadas ao uso como um regulador de planta, des- folhante ou dessecante, data da aplicação, quantidade, fonte, método); (g) dados de irrigação (por exemplo, data da aplicação, quantidade, fonte, método); (h) dados meteorológicos (por exemplo, precipitação, taxa de chuva, precipitação prevista, região da taxa de escoamento de água, temperatura, vento, previsão, pressão, visibilidade, nuvens, índi- ce de calor, ponto de orvalho, umidade, profundidade da neve, quali- dade do ar, nascer do sol, pôr do sol); (i) dados de imagens (por exemplo, imagens e informações de espectro de luz de um sensor de aparelho agrícola, câmera, computador, smartphone, tablet, veículo aéreo não tripulado, aviões ou satélite); (j) observações de reconheci- mento (fotos, vídeos, notas de forma livre, gravações de voz, transcri- ções de voz, condições meteorológicas (temperatura, precipitação
(atual e ao longo do tempo), umidade do solo, estágio de crescimento da cultura, velocidade do vento, umidade relativa, ponto de orvalho, camada preta)); e (k) solo, semente, fenologia da cultura, relatórios de pragas e doenças e fontes e bancos de dados de previsões.
[0030] Um computador de servidor de dados 108 é acoplado de maneira comunicativa ao sistema de computador de inteligência agrí- cola 130 e é programado ou configurado para enviar os dados exter- nos 110 ao sistema de computador de inteligência agrícola 130 atra- vés da(s) rede(s) 109. O computador externo de servidor de dados 108 pode pertencer ou ser operado pela mesma pessoa jurídica ou entida- de que o sistema de computador de inteligência agrícola 130, ou por uma pessoa ou entidade diferente, como uma agência do governo, or- ganização não governamental (NGO), e/ou a provedor de serviço de dados privados. Os exemplos de dados externos incluem dados mete- orológicos, dados de imagens, dados do solo, ou dados estatísticos relativos à produtividade das culturas, entre outros. Os dados externos 110 podem consistir no mesmo tipo de informação que os dados de campo 106. Em algumas modalidades, os dados externos 110 são for- necidos para um servidor de dados externos 108 pertencido pela mesma entidade que possui e/ou opera o sistema de computador de inteligência agrícola 130. Por exemplo, o sistema de computador de inteligência agrícola 130 pode incluir um servidor de dados focado ex- clusivamente em um tipo de dados que, de outra forma, poderiam ser obtidos de fontes de terceiros, como dados meteorológicos. Em algu- mas modalidades, um servidor de dados externo 108 pode ser incor- porado dentro do sistema 130.
[0031] Um aparelho agrícola 111 pode ter um ou mais sensores remotos 112 fixos nele, cujos sensores são acoplados de maneira co- municativa direta ou indiretamente através do aparelho agrícola 111 ao sistema de computador de inteligência agrícola 130 e são programa-
dos ou configurados para enviar os dados de sensor ao sistema de computador de inteligência agrícola 130. Os exemplos de aparelho agrícola 111 incluem tratores, debulhadoras, colheitadeiras, plantado- res, caminhões, equipamentos de fertilizantes, veículos aéreos que incluem os veículos aéreos não tripulados, e qualquer outro item de maquinaria física ou hardware, tipicamente maquinaria móvel, e que podem ser usados em tarefas associadas à agricultura. Em algumas modalidades, uma única unidade de aparelho 111 pode compreender uma pluralidade de sensores 112 que são acoplados de forma local em uma rede no aparelho; a rede de área de controlador (CAN) é exemplo de tal rede que pode ser instalada em debulhadoras, colhei- tadeiras, pulverizadores e cultivatores. O controlador de aplicativo 114 é acoplado de maneira comunicativa ao sistema de computador de inteligência agrícola 130 através da(s) rede(s) 109 e é programado ou configurado para receber um ou mais scripts que são usados para controlar um parâmetro operacional de um veículo agrícola ou imple- mento do sistema de computador de inteligência agrícola 130. Por exemplo, uma interface de barramento de rede de área de controlador (CAN) pode ser usada para permitir as comunicações a partir do sis- tema de computador de inteligência agrícola 130 ao aparelho agrícola 111, como o "CLIMATE FIELDVIEW DRIVE", disponível junto a The Climate Corporation, São Francisco, Califórnia, é usado. Os dados de sensor podem consistir no mesmo tipo de informação que os dados de campo 106. Em algumas modalidades, os sensores remotos 112 po- dem não ser fixos a um aparelho agrícola 111, mas podem ser locali- zados de forma remota no campo e podem se comunicar com a rede
109.
[0032] O aparelho 111 pode compreender um computador de ca- bine 115 que é programado com um aplicativo de cabine, que pode compreender uma versão ou uma variante do aplicativo móvel para o dispositivo 104 que é ainda descrito em outras seções aqui. Em uma modalidade, o computador de cabine 115 compreende um computador compacto, com frequência, um computador com tamanho de tablet ou smartphone, com um visor de tela gráfica, como um visor em cor, que é montado dentro da cabine do operador do aparelho 111. O compu- tador de cabine 115 pode implementar algumas ou todas as operações e funções que são descritas ainda aqui para o dispositivo de computa- dor móvel 104.
[0033] A(s) rede(s) 109 representam amplamente qualquer combi- nação de uma ou mais redes de comunicação de dados que incluem as redes de área local, redes de área ampla, interredes ou internets, com o uso de qualquer um de links com fio ou sem fio, incluindo links terrestres ou de satélite. A(s) rede(s) pode(m) ser implementada(s) por qualquer meio ou mecanismo que fornece a troca de dados entre os vários elementos da figura 1. Os vários elementos da figura 1 também podem ter links de comunicação diretos (com ou sem fio). Os sensores 112, controlador 114, computador de servidor de dados externo 108 e outros elementos do sistema compreendem, cada um, uma interface compatível com a(s) rede(s) 109 e são programados ou configurados para usar protocolos padronizados para comunicação através das re- des, como TCP/IP, Bluetooth, protocolo CAN e protocolos de camada superior, como HTTP, TLS e similares.
[0034] O sistema de computador de inteligência agrícola 130 é programado ou configurado para receber os dados de campo 106 do dispositivo de computação de gerenciador de campo 104, os dados externos 110 do computador externo de servidor de dados 108, e os dados de sensor do sensor remoto 112. O sistema de computador de inteligência agrícola 130 pode ainda ser configurado para hospedar, utilizer ou executar um ou mais programas de computador, outros elementos de software, lógica programada digitalmente, como FPGAs ou ASICs, ou qualquer combinação dos mesmos para realizar a tradu- ção e o armazenamento de valores de dados, construção de modelos digitais de uma ou mais culturas em um ou mais campos, geração de recomendações e notificações, e geração e envio de scripts para o controlador de aplicativo 114, da maneira descrita posteriormente em outras seções desta divulgação.
[0035] Em uma modalidade, sistema de computador de inteligên- cia agrícola 130 é programado com ou compreende uma camada de comunicação 132, camada de apresentação 134, camada de gerenci- amento de dados 140, camada de hardware/virtualização 150, reposi- tório de modelo e dados de campo 160, e instruções de código 180. "Camada", neste contexto, refere-se a qualquer combinação de circui- tos de interface digital eletrônica, microcontroladores, firmware, como drivers, e/ou programas de computador ou outros elementos de sof- tware.
[0036] A camada de comunicação 132 pode ser programada ou configurada para realizar as funções de interface de entrada/saída que incluem as solicitações de envio ao dispositivo de computação de ge- renciador de campo 104, ao computador externo de servidor de dados 108, e ao sensor remoto 112 para os dados de campo, os dados ex- ternos, e os dados de sensor, respectivamente. A camada de comuni- cação 132 pode ser programada ou configurada para enviar os dados recebidos ao repositório de modelo e dados de campo 160 para serem armazenados como dados de campo 106.
[0037] As instruções de código 180 podem incluir um conjunto de instruções de código de programação que, quando executadas por um ou mais processadores de computador, fazem com que os processa- dores realizem uma abordagem para gerar um mapa aprimorado de anomalias de campo com o uso de imagens digitais e modelos de aprendizado de máquina. Em uma modalidade, as instruções de códi-
go 180 compreendem as instruções de calibração de imagem 136, ins- truções de reunião de imagem 137, instruções de geração de grade 138 e instruções de classificação de imagem 139.
[0038] As instruções de calibração de imagem 136 podem ser con- figuradas para realizar uma calibração de imagem de imagens brutas como imagens brutas aéreas, imagens brutas de UAV, imagens brutas terrestres, e similares. A calibração de imagem pode incluir melhorar ou corrigir uma cor, brilho, saturação, e similares da imagem. Também pode incluir uma correção gama da imagem e a correção de pixel dos pixels na imagem que parecem ser incorretas ou inconsistentes.
[0039] As instruções de reunião de imagem 137 podem ser confi- guradas para reunir, ou conectar uma pluralidade de imagens em uma grande imagem. A reunião pode incluir determinar as pontas de cada imagem de uma pluralidade de imagens, corrigir as pontas se for ne- cessário realizar a reunião precisa e concatenar as imagens em uma grande imagem coerente.
[0040] As instruções de geração de grade 138 podem ser configu- radas para gerar um template de grade para uma imagem, como uma imagem reunida. Em uma modalidade, a grade pode incluir uma plura- lidade de retângulos ordenados em fileiras e colunas para cruzar toda a imagem. Em outra modalidade, a grade pode incluir uma pluralidade de hexágonos, ou outros formatos que cobrem toda a imagem.
[0041] As instruções de classificação de imagem 139 podem ser configuradas para aplicar um ou mais classificadores de imagem a uma imagem. O classificador de imagem pode ser imagem, ou uma imagem em miniatura, que mostra uma amostra de, por exemplo, uma anomalia. Os exemplos de anomalias incluem uma anomalia de solo descoberto, uma anomalia de acamamento, uma anomalia de ervas daninhas, uma anomalia de água parada, e similares.
[0042] A camada de apresentação 134 pode ser programada ou configurada para gerar uma interface gráfica de usuário (GUI) a ser exigida no dispositivo de computação de gerenciador de campo 104, computador de cabine 115 ou outros computadores que são acoplados ao sistema 130 pela rede 109. A GUI pode compreender controles pa- ra inserir os dados a serem enviados ao sistema de computador de inteligência agrícola 130, gerar solicitações para os modelos e/ou re- comendações, e/ou recomendações de exibição, notificações, mode- los, e outros dados de campo.
[0043] A camada de gerenciamento de dados 140 pode ser pro- gramada ou configurada para gerenciar as operações de leitura e ope- rações de gravação que envolvem o repositório 160 e outros elemen- tos funcionais do sistema, incluindo consultas e conjuntos de resulta- dos comunicados entre os elementos funcionais do sistema e o reposi- tório. Os exemplos de camada de gerenciamento de dados 140 inclu- em JDBC, SQL código de interface de servidor, e/ou código de interfa- ce HADOOP, entre outros. O repositório 160 pode compreender um banco de dados. Como usado aqui, o termo "banco de dados" pode se referir ou a um corpo de dados, a um sistema de gerenciamento de banco de dados relacional (RDBMS), ou a ambos. Como usado aqui, a banco de dados pode compreender qualquer coleção de dados que inclui bancos de dados hierárquicos, bancos de dados relacionais, bancos de dados de arquivo simples, bancos de dados relacionais a objeto, bancos de dados orientados a objetos, bancos de dados distri- buídos e qualquer outra coleção estruturada de registros ou dados ar- mazenados em um sistema de computador. Os exemplos de bancos de dados de RDBMS incluem, mas não se limitam a, ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® e POSTGRESQL. No entanto, qualquer banco de dados pode ser usado que permite o sistema e os métodos descritos aqui.
[0044] Quando os dados de campo 106 não são fornecidos dire-
tamente para o sistema de computador de inteligência agrícola por meio de uma ou mais máquinas agrícolas ou dispositivos de máquina agrícola que interagem com o sistema de computador de inteligência agrícola, o usuário pode ser solicitado por meio de uma ou mais inter- faces de usuário no usuário dispositivo (servido pelo sistema de com- putação de inteligência agrícola) para inserir essas informações. Em uma modalidade de exemplo, o usuário pode especificar os dados de identificação ao acessar um mapa no dispositivo do usuário (servido pelo sistema de computador de inteligência agrícola) e ao selecionar CLUs específicas que foram mostradas graficamente no mapa. Em uma modalidade alternativa, o usuário 102 pode especificar os dados de identificação ao acessar um mapa no dispositivo do usuário (servi- do pelo sistema de computador de inteligência agrícola 130) e traçar os limites do campo sobre o mapa. Essa seleção de CLU ou desenhos de mapas representam identificadores geográficos. Em modalidades alternativas, o usuário pode especificar os dados de identificação ao acessar os dados de identificação de campo (fornecidos como arqui- vos de formato ou em um formato semelhante) da Agência de Serviços Agrícolas do Departamento de Agricultura dos EUA ou outra fonte por meio do dispositivo do usuário e fornecendo tais dados de identifica- ção de campo para o sistema de computador de inteligência agrícola.
[0045] Em uma modalidade de exemplo, o sistema de computador de inteligência agrícola 130 é programado para gerar e causar a exibi- ção de uma interface gráfica de usuário, que compreende um gerenci- ador de dados para a entrada de dados. Depois que um ou mais cam- pos foram identificados com o uso dos métodos descritos acima, o ge- renciador de dados pode fornecer uma ou mais ferramentas de interfa- ce gráfica do usuário que, quando selecionadas, podem identificar mudanças no campo, solo, safras, cultivo ou práticas de nutrientes. O gerenciador de dados pode incluir uma visão de linha do tempo, uma visão de planilha e/ou um ou mais programas editáveis.
[0046] A figura 5 ilustra um exemplo de modalidade de uma visua- lização de linha do tempo para entrada de dados. Ao usar a tela repre- sentada na figura 5, um computador de usuário pode inserir uma sele- ção de um campo específico e uma data específica para a adição do evento. Os eventos descritos no topo da linha do tempo podem incluir nitrogênio, plantio, práticas e solo. Para adicionar um evento de apli- cação de nitrogênio, um computador do usuário pode fornecer entrada para selecionar a aba nitrogênio. O computador do usuário pode, en- tão, selecionar um local na linha do tempo para um campo específico, a fim de indicar uma aplicação de nitrogênio no campo selecionado. Em resposta à recepção de uma seleção de um local na linha do tem- po para um determinado campo, o gerenciador de dados pode exibir uma sobreposição de entrada de dados, permitindo que o computador do usuário insira os dados relativos a aplicações de nitrogênio, proce- dimentos de plantio, aplicação de solo, procedimentos de cultivo, práti- cas de irrigação ou outras informações relacionadas ao campo especí- fico. Por exemplo, se um computador do usuário seleciona uma parte da linha do tempo e indica uma aplicação de nitrogênio, a sobreposi- ção de entrada de dados pode incluir campos para inserir uma quanti- dade de nitrogênio aplicada, uma data de aplicação, um tipo de fertili- zante usado e quaisquer outras informações relacionadas à aplicação de nitrogênio.
[0047] 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 de solo, procedimentos de cultivo, práticas de irrigação ou outras informações que podem es- tar relacionadas a um ou mais campos e que podem ser armazenadas em armazenamento de dados digital para a reutilização como uma operação definida. Após a criação de um programa, ele pode ser con- ceitualmente aplicado a um ou mais campos e as referências ao pro- grama podem ser armazenadas em armazenamento digital em conjun- to com os dados que identificam os campos. Assim, em vez de inserir manualmente os dados idênticos relativos às mesmas aplicações de nitrogênio para vários campos diferentes, um computador do usuário pode criar um programa que indica uma aplicação específica de nitro- gênio e, em seguida, pode aplicar o programa a vários campos dife- rentes. Por exemplo, na vista de linha do tempo da figura 5, os dois primeiros cronogramas têm o programa "Aplicado na Primavera" sele- cionado, que inclui uma aplicação de 150 libras de N/ac no início de abril. O gerenciador de dados pode fornecer uma interface para editar um programa. Em uma modalidade, quando um programa é editado, cada campo que selecionou o programa específico é editado. Por exemplo, na figura 5, se o programa "Aplicado na Primavera" for edita- do para reduzir a aplicação de nitrogênio para 130 libras de N/ac, os dois campos principais podem ser atualizados com uma aplicação re- duzida de nitrogênio com base no programa editado.
[0048] Em uma modalidade, em resposta à recepção de edições para um campo que tem um programa selecionado, o gerenciador de dados remove a correspondência do campo ao programa selecionado. Por exemplo, se uma aplicação de nitrogênio for adicionada ao campo superior na figura 5, a interface pode ser atualizada para indicar que o programa "Aplicado na Primavera" não está mais sendo aplicado ao campo superior. Embora a aplicação de nitrogênio no início de abril possa permanecer, as atualizações do programa "Aplicado na prima- vera" não iriam alterar a aplicação de nitrogênio em abril.
[0049] A figura 6 ilustra um exemplo de modalidade de uma visua- lização de planilha para a entrada de dados. Com o uso da tela repre- sentada na figura 6, um usuário pode criar e editar as informações pa-
ra um ou mais campos. O gerenciador de dados pode incluir planilhas para inserir as informações com relação ao nitrogênio, plantio, práticas e solo, conforme representado na figura 6. Para editar uma entrada específica, um computador do usuário pode selecionar a entrada es- pecífica na planilha e atualizar os valores. Por exemplo, a figura 6 ilus- tra uma atualização em andamento para um valor de rendimento alvo para o segundo campo. Além disso, um computador do usuário pode selecionar um ou mais campos para aplicar um ou mais programas. Em resposta à recepção de uma seleção de um programa para um campo específico, o gerenciador de dados pode completar automati- camente as entradas para o campo específico com base no programa selecionado. Tal como acontece com a visualização da linha do tempo, o gerenciador de dados pode atualizar as entradas para cada campo associado a um programa específico em resposta à recepção de uma atualização do programa. Além disso, o gerenciador de dados pode remover a correspondência do programa selecionado para o campo em resposta à recepção de uma edição em uma das entradas para o campo.
[0050] Em uma modalidade, o modelo e os dados de campo são armazenados no modelo e no repositório de dados de campo 160. Os dados de modelo compreendem modelos de dados criados para um ou mais campos. Por exemplo, um modelo de cultura pode incluir um modelo construído digitalmente do desenvolvimento de uma cultura em um ou mais campos. "Modelo", neste contexto, refere-se a um con- junto eletrônico digitalmente armazenado de instruções e valores de dados executáveis, associados uns aos outros, que são capazes de receber e responder a uma chamada programática ou outra invocação ou solicitação digital de resolução com base em valores de entrada especificados, para produzir um ou mais valores de saída armazena- dos ou calculados que podem servir como base para recomendações implementadas por computador, exibições de dados de saída ou con- trole de máquina, entre outras coisas. Pessoas com experiência na área acham conveniente expressar modelos com o uso de equações matemáticas, mas essa forma de expressão não confina os modelos aqui divulgados a conceitos abstratos; em vez disso, cada modelo nes- te documento tem uma aplicação prática em um computador na forma de instruções e dados executáveis armazenados que implementam o modelo com o uso do computador. O modelo pode incluir um modelo de eventos anteriores em um ou mais campos, um modelo do status atual de um ou mais campos e/ou um modelo de eventos previstos em um ou mais campos. Os dados de modelo e campo podem ser arma- zenados em estruturas de dados na memória, linhas em uma tabela de banco de dados, em arquivos planos ou planilhas ou outras formas de dados digitais armazenados.
[0051] Em uma modalidade, as instruções de processamento de imagem digital 135 compreendem um conjunto de uma ou mais pági- nas da memória principal, como RAM, no sistema de computador de inteligência agrícola 130 no qual as instruções executáveis foram car- regadas e que, quando executadas, fazem com que a inteligência agrícola sistema de computador execute as funções ou as operações que são descritas neste documento, com referência a esses módulos. As instruções podem estar em código executável por máquina no con- junto de instruções de uma CPU e podem ter sido compiladas com ba- se no código-fonte escrito em JAVA, C, C++, OBJECTIVE-C ou qual- quer outra linguagem de programação ou ambiente legível por huma- nos, sozinho ou em combinação com scripts em JAVASCRIPT, outras linguagens de script e outro texto-fonte de programação. O termo "pá- ginas" se destina a se referir amplamente a qualquer região dentro da memória principal e a terminologia específica usada em um sistema pode variar dependendo da arquitetura da memória ou arquitetura do processador. Em outra modalidade, as instruções de processamento de imagem digital 135 também podem representar um ou mais arqui- vos ou projetos de código-fonte que são armazenados digitalmente em um dispositivo de armazenamento em massa, como RAM não volátil ou armazenamento em disco, no sistema de computador de inteligên- cia agrícola 130 ou um sistema de repositório, que quando compilados ou interpretados causam a geração de instruções executáveis que, quando executadas, fazem com que o sistema de computador de inte- ligência agrícola execute as funções ou operações que são descritas neste documento com referência a esses módulos. Em outras pala- vras, a figura do desenho pode representar a maneira pela qual os programadores ou desenvolvedores de software organizam e dispõem o código-fonte para posterior compilação em um elemento executável, ou interpretação em bytecode ou equivalente, para a execução pelo sistema de computador de inteligência agrícola 130.
[0052] A camada de hardware/virtualização 150 compreende um ou mais unidades de processamento central (CPUs), controladores de memória e outros dispositivos, componentes, ou elementos de um sis- tema de computador, como memória volátil ou não volátil, armazena- mento não volátil, como disco, e dispositivos I/O ou interfaces, como ilustrado e descrito, por exemplo, em conjunto com a figura 4. A cama- da 150 também pode compreender as instruções programadas que são configuradas para suportar a virtualização, conteinerização, ou outras tecnologias.
[0053] Com o propósito de ilustrar um exemplo claro, a figura 1 mostra um número limitado de exemplos de determinados elementos funcionais. No entanto, em outras modalidades, pode haver qualquer número de elementos. Por exemplo, as modalidades podem usar mi- lhares ou milhões de diferentes dispositivos móveis de computação 104 associados a diferentes usuários. Além disso, o sistema 130 e/ou o computador externo de servidor de dados 108 podem ser implemen- tados com o uso de dois ou mais processadores, núcleos, clusters, ou casos de máquinas físicas ou virtuais, configurados em local discreto ou co-localizados com outros elementos em um centro de dados, faci- lidade de computação compartilhada ou facilidade de computação em nuvem.
2.2. Vista geral de Programa de Aplicativo
[0054] Em uma modalidade, a implementação das funções descri- tas aqui com o uso de um ou mais programas de computador ou ou- tros elementos de software que são carregados e executados com o uso de um ou mais computadores de uso geral que farão com que os computadores de uso geral sejam configurados como uma máquina ou como um computador que é especialmente adaptado para realizar as funções descritas aqui. Além disso, cada um dos diagramas de fluxo que são descritos ainda aqui podem servir, sozinhos ou em combina- ção com as descrições de processos e funções em prosa aqui, como algoritmos, planos ou direções que podem ser usados para programar um computador ou lógica para implementar as funções que são descri- tas. Em outras palavras, todo o texto em prosa deste documento e to- das as figuras dos desenhos, juntos se destinam a fornecer a divulga- ção de algoritmos, planos ou direções que são suficientes para permitir que um versado na técnica programe um computador para executar as funções que são descritas neste documento, em combinação com a habilidade e conhecimento de tal pessoa, dado o nível de habilidade que é adequado para invenções e divulgações deste tipo.
[0055] Em uma modalidade, usuário 102 interage com o sistema de computador de inteligência agrícola 130 com o uso do dispositivo de computação de gerenciador de campo 104 configurado com um sistema operacional e um ou mais programas de aplicativo ou apps; o dispositivo de computação de gerenciador de campo 104 também po-
de interoperar com o sistema de computador de inteligência agrícola independente e automaticamente sob controle de programa ou contro- le lógico, e a interação direta do usuário nem sempre é exigida. O dis- positivo de computação de gerenciador de campo 104 representa am- plamente um ou mais smartphones, PDA, dispositivo de computação tablet, laptop, computador desktop, estação de trabalho ou qualquer outro dispositivo de computação capaz de transmitir e receber as in- formações e realizar as funções descritas aqui. O dispositivo de com- putação de gerenciador de campo 104 pode se comunicar através de uma rede com o uso de um aplicativo móvel armazenado no dispositi- vo de computação de gerenciador de campo 104 e, em algumas mo- dalidades, o dispositivo pode ser acoplado com o uso de um cabo 113 ou conector ao sensor 112 e/ou controlador 114. Um usuário 102 es- pecífico pode possuir ou operar e usar, em conjunto com o sistema 130, mais de um dispositivo de computação de gerenciador de campo 104 de uma vez.
[0056] O aplicativo móvel pode fornecer funcionalidade do lado do cliente, através da rede para um ou mais dispositivos de computação móvel. Em uma modalidade de exemplo, o dispositivo de computação de gerenciador de campo 104 pode acessar o aplicativo móvel através de um navegador da web ou um aplicativo ou aplicativo cliente local. O dispositivo de computação de gerenciador de campo 104 pode trans- mitir dados para, e receber dados de um ou mais servidores front-end, usando protocolos ou formatos baseados na web, como HTTP, XML e/ou JSON, ou protocolos específicos do aplicativo. Em uma modali- dade de exemplo, os dados podem assumir a forma de solicitações e entrada de informações do usuário, como dados de campo, no disposi- tivo de computação móvel. Em algumas modalidades, o aplicativo mó- vel interage com hardware e software de rastreamento de localização no dispositivo de computação de gerenciador de campo 104 que de-
termina a localização do dispositivo de computação de gerenciador de campo 104 usando técnicas de rastreamento padrão, como multilate- ração de sinais de rádio, o sistema de posicionamento global (GPS), sistemas de posicionamento Wi-Fi, ou outros métodos de posiciona- mento móvel. Em alguns casos, os dados de localização ou outros da- dos associados ao dispositivo 104, ao usuário 102 e/ou conta(s) de usuário podem ser obtidos por meio de consultas a um sistema opera- cional do dispositivo ou ao solicitar um aplicativo no dispositivo para obter os dados do sistema operacional.
[0057] Em uma modalidade, o dispositivo de computação de ge- renciador de campo 104 envia os dados de campo 106 para o sistema de computador de inteligência agrícola 130 que compreende ou que inclui, mas não se limita a, valores de dados que representam um ou mais de: uma localização geográfica de um ou mais campos, informa- ções de cultivo para um ou mais campos, culturas plantadas em um ou mais campos e dados de solo extraídos de um ou mais campos. O dispositivo de computação de gerenciador de campo 104 pode enviar os dados de campo 106 em resposta à entrada do usuário do usuário 102 especificando os valores de dados para um ou mais campos. Além disso, o dispositivo de computação de gerenciador de campo 104 pode enviar automaticamente dados de campo 106 quando um ou mais dos valores de dados se tornam disponíveis para o dispositivo de computação de gerenciador de campo 104. Por exemplo, o dispositivo de computação de gerenciador de campo 104 pode ser comunicativa- mente acoplado ao sensor remoto 112 e/ou controlador de aplicativo 114 que inclui um sensor de irrigação e/ou controlador de irrigação. Em resposta aa recepção dos dados que indicam que o controlador de aplicativo 114 liberou água para um ou mais campos, o dispositivo de computação de gerenciador de campo 104 pode enviar os dados de campo 106 ao sistema de computador de inteligência agrícola 130,
que indicam que a água foi liberada em um ou mais campos. Os dados de campo 106 identificados nesta divulgação podem ser inseridos e comunicados com o uso de dados digitais eletrônicos que são comuni- cados entre dispositivos de computação usando URLs parametrizados sobre HTTP ou outro protocolo de comunicação ou mensagem ade- quado,
[0058] Um exemplo comercial do aplicativo móvel é "CLIMATE FI- ELDVIEW", comercialmente disponível junto a The Climate Corpora- tion, São Francisco, Califórnia. O aplicativo "CLIMATE FIELDVIEW", ou outros aplicativos, pode ser modificado, estendido ou adaptado pa- ra incluir recursos, funções e programação que não foram descritos anteriormente à data de depósito dessa divulgação. Em uma modali- dade, o aplicativo móvel compreende uma plataforma de software in- tegrada que permite ao produtor tomar decisões baseadas em fatos para sua operação, porque combina os dados históricos sobre os campos do produtor com quaisquer outros dados que o produtor dese- ja comparar. As combinações e comparações podem ser realizadas em tempo real e são baseadas em modelos científicos que fornecem cenários potenciais para permitir que o produtor tome decisões melho- res e mais informadas.
[0059] A figura 2 ilustra duas vistas de um exemplo organização lógica de conjuntos de instruções em memória principal quando um exemplo aplicativo móvel é carregado para a execução. Na figura 2, cada elemento citado representa uma região de uma ou mais páginas de RAM ou outra memória principal, ou um ou mais blocos de armaze- namento em disco ou outro armazenamento não volátil, e as instru- ções programadas nessas regiões. Em uma modalidade, na vista (a), um aplicativo de computador móvel 200 compreende as instruções de compartilhamento, de processamento de conta, campos, dados 202, instruções de vista geral e alerta 204, instruções de livro de mapa digi-
tal 206, instruções de sementes e plantio 208, instruções de nitrogênio 210, instruções de clima 212, instruções de saúde de campo 214, e instruções de desempenho 216.
[0060] Em uma modalidade, um aplicativo de computador móvel 200 compreende as instruções de compartilhamento, de processamen- to de conta, campos, dados 202 que são programadas para receber, traduzir, e processar os dados de campo a partir de sistemas de tercei- ros através de upload manual ou APIs. Os tipos de dados podem inclu- ir limites de campo, mapas de rendimento, mapas conforme plantados, resultados de testes de solo, mapas conforme aplicados, e/ou zonas de gerenciamento, entre outros. Os formatos de dados podem incluir arquivos de forma, formatos de dados nativos de terceiros, e/ou expor- tações de sistema de informação de gerenciamento de fazenda (FMIS), entre outros. O recebimento de dados pode ocorrer via upload manual, e-mail com anexo, APIs externas que enviam dados para o aplicativo móvel, ou as instruções que chamam as APIs dos sistemas externos a colocar dados no aplicativo móvel. Em uma modalidade, o aplicativo de computador móvel 200 compreende um caixa de entrada de dados. Em resposta aa recepção de uma seleção da caixa de en- trada de dados, o aplicativo de computador móvel 200 pode exibir uma interface gráfica de usuário para carregar os arquivos de dados e im- portar os arquivos carregados a um gerenciador de dados.
[0061] Em uma modalidade, as instruções de livro de mapa digital 206 compreendem as camadas de mapa de dados de campo armaze- nadas na memória do dispositivo e são programadas com ferramentas de visualização de dados e observações geoespaciais de campo. Isso fornece aos produtores, as informações convenientes à mão para refe- rência, acamamento e conhecimentos visuais sobre o desempenho do campo. Em uma modalidade, as instruções de vista geral e alerta 204 são programadas para fornecer uma visão de toda a operação do que é importante para o produtor e recomendações oportunas para agir ou focar em questões específicas. Isso permite que o produtor foque no que necessita de atenção, economize tempo e preserve o rendimento ao longo da temporada. Em uma modalidade, as instruções de semen- tes e plantio 208 são programadas para fornecer as ferramentas para seleção de sementes, colocação híbrida e criação de script, incluindo criação de script de taxa variável (VR), com base em modelos científi- cos e dados empíricos. Isso permite que os produtores maximizem o rendimento ou o retorno do investimento por meio da compra, coloca- ção e população de sementes otimizadas.
[0062] Em uma modalidade, as instruções de geração de script 205 são programadas para fornecer uma interface para geração de scripts, incluindo scripts de fertilidade de taxa variável (VR). A interface permite que os produtores criem scripts para implementos de campo, como aplicações de nutrientes, plantio e irrigação. Por exemplo, uma interface de script de plantio pode compreender ferramentas para iden- tificar um tipo de semente para plantio. Ao receber uma seleção do tipo de semente, o aplicativo de computador móvel 200 pode exibir um ou mais campos divididos em zonas de gerenciamento, como as ca- madas de dados de mapa de campo criadas como parte das instru- ções do livro de mapa digital 206. Em uma modalidade, as zonas de gerenciamento compreendem zonas de solo junto com um painel que identifica cada zona de solo e um nome de solo, textura, drenagem para cada zona ou outros dados de campo. O aplicativo de computa- dor móvel 200 também pode exibir ferramentas para edição ou cria- ção, como ferramentas gráficas para desenhar zonas de gerenciamen- to, como zonas de solo, sobre um mapa de um ou mais campos. Os procedimentos de plantio podem ser aplicados a todas as zonas de manejo ou diferentes procedimentos de plantio podem ser aplicados a diferentes subconjuntos de zonas de manejo. Quando um script é cria-
do, 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. Além disso, e/ou em al- ternativa, um script pode ser enviado diretamente para o computador de cabine 115 do aplicativo de computador móvel 200 e/ou carregado para um ou mais servidores de dados e armazenado para uso posteri- or.
[0063] Em uma modalidade, as instruções de nitrogênio 210 são programadas para fornecer ferramentas para informar as decisões de nitrogênio ao visualizar a disponibilidade de nitrogênio para as cultu- ras. Isso permite que os produtores maximizem a produção ou o retor- no do investimento por meio da aplicação otimizada de nitrogênio du- rante a temporada. As funções programadas de exemplo incluem a exibição de imagens como imagens SSURGO para permitir o desenho de zonas de aplicação de fertilizantes e/ou imagens geradas a partir de dados de solo do subcampo, como os dados obtidos a partir de sensores, em uma alta resolução espacial (tão fina quanto milímetros ou menor, dependendo da proximidade do sensor e resolução); upload de zonas existentes e definidas pelo produtor; fornecer um gráfico de disponibilidade de nutrientes para plantas e/ou um mapa para permitir o ajuste de aplicações de nitrogênio em várias zonas; saída de scripts para conduzir máquinas; ferramentas para entrada e ajuste de dados em massa; e/ou mapas para a visualização de dados, entre outros. A "entrada de dados em massa", neste contexto, pode significar inserir dados uma vez e, em seguida, aplicar os mesmos dados a vários campos e/ou zonas que foram definidas no sistema; os dados de exemplo podem incluir os dados de aplicação de nitrogênio, que são os mesmos para muitos campos e/ou zonas do mesmo produtor, mas essa entrada de dados em massa se aplica à entrada de qualquer tipo de dados de campo no aplicativo de computador móvel 200. Por exemplo, as instruções de nitrogênio 210 podem ser programadas pa- ra aceitar as definições de programas de aplicação e práticas de nitro- gênio e para aceitar a entrada do usuário que especifica a aplicação desses programas em vários campos.
Os "programas de aplicação de nitrogênio", neste contexto, referem-se aos conjuntos de dados nome- ados armazenados 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 quantidades, método de aplicação ou incorporação, como injetada ou difundida, e/ou quantidades ou ta- xas de aplicação para cada uma das datas, safra ou híbrido, que é ob- jeto da aplicação, entre outras.
Os "programas de práticas de nitrogê- nio", neste contexto, referem-se aos conjuntos de dados nomeados e armazenados que associam: um nome de práticas; uma safra anterior; um sistema de cultivo; uma data de cultivo principalmente; um ou mais sistemas de preparo anteriores que foram usados; um ou mais indica- dores do tipo de aplicação, como adubo, que foram usados.
As instru- ções de nitrogênio 210 também podem ser programadas para gerar e causar a exibição de um gráfico de nitrogênio, que indica as projeções do uso da planta do nitrogênio especificado e se um excedente ou dé- ficit é previsto; em algumas modalidades, os indicadores de cores dife- rentes podem sinalizar uma magnitude de excedente ou magnitude de déficit.
Em uma modalidade, um gráfico de nitrogênio compreende uma exibição gráfica em um dispositivo de exibição de computador que compreende uma pluralidade de linhas, cada linha associada e que identifica um campo; os dados que especificam qual cultura é plantada no campo, o tamanho do campo, a localização do campo e uma representação gráfica do perímetro do campo; em cada linha, uma linha do tempo por mês com indicadores gráficos que especificam cada aplicação de nitrogênio e a quantidade em pontos correlaciona- dos aos nomes dos meses; e indicadores numéricos e/ou coloridos de superávit ou déficit, nos quais a cor indica a magnitude.
[0064] Em uma modalidade, o gráfico de nitrogênio pode incluir um ou mais recursos de entrada do usuário, como mostradores ou barras deslizantes, para alterar de forma dinâmica os programas de plantio e práticas de nitrogênio de modo que um usuário possa otimizar seu grá- fico de nitrogênio. O usuário pode, então, usar seu gráfico de nitrogê- nio otimizado e os programas de plantio e práticas de nitrogênio rela- cionados para implementar um ou mais scripts, incluindo os scripts de fertilidade de taxa variável (VR). As instruções de nitrogênio 210 tam- bém podem ser programadas para gerar e causar a exibição de um mapa de nitrogênio, que indica as projeções de uso da planta do nitro- gênio especificado e se um excedente ou déficit for previsto; em algu- mas modalidades, os indicadores de cores diferentes podem sinalizar uma magnitude de excedente ou magnitude de déficit. O mapa de ni- trogênio pode exibir as projeções de uso da planta do nitrogênio espe- cificado e se um excedente ou déficit for previsto para diferentes mo- mentos no passado e no futuro (como diário, semanal, mensal ou anu- al) usando indicadores numéricos e/ou coloridos de excedente ou défi- cit, em que a cor indica a 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 de forma dinâ- mica os programas de plantio e as práticas de nitrogênio, de modo que um usuário possa otimizar seu mapa de nitrogênio, de modo a obter uma quantidade preferida de superávit ao déficit. O usuário pode, en- tão, usar seu mapa de nitrogênio otimizado e os programas de plantio e práticas de nitrogênio relacionados para implementar um ou mais scripts, incluindo scripts de fertilidade de taxa variável (VR). Em outras modalidades, as instruções semelhantes às instruções de nitrogênio 210 podem ser usadas para a aplicação de outros nutrientes (como fósforo e potássio), a aplicação de pesticida e programas de irrigação.
[0065] Em uma modalidade, as instruções meteorológicas 212 são programadas para fornecer os dados meteorológicos recentes especí- ficos de campo e as informações meteorológicas previstas. Isso permi- te que os produtores economizem tempo e tenham um monitor inte- grado eficiente com relação às decisões operacionais diárias.
[0066] Em uma modalidade, as instruções de saúde de campo 214 são programadas para fornecer imagens de detecção remota em tem- po hábil, destacando a variação da safra na estação e as potenciais preocupações. As funções programadas de exemplo incluem a verifi- cação de nuvem, para identificar possíveis nuvens ou sombras de nu- vens; a determinação dos índices de nitrogênio com base em imagens de campo; a visualização gráfica de camadas de aferição, incluindo, por exemplo, aquelas relacionadas à saúde do campo e visualização e/ou compartilhamento de observações de aferição; e/ou transferência de imagens de satélite de múltiplas fontes e priorização das imagens para o produtor, entre outros.
[0067] Em uma modalidade, as instruções de desempenho 216 são programadas para fornecer relatórios, análises e ferramentas de conhecimento com o uso de dados na fazenda para avaliação, conhe- cimentos e decisões. Isso permite que o produtor busque os melhores resultados para o próximo ano por meio de conclusões baseadas em fatos sobre como o retorno do investimento estava nos níveis anterio- res e um conhecimento dos fatores de limitação da produção. As ins- truções de desempenho 216 podem ser programadas para se comuni- car através da(s) rede(s) 109 para os programas analíticos de back- end executados no sistema de computador de inteligência agrícola 130 e/ou computador servidor de dados externo 108 e configurados para analisar métricas, como rendimento, diferencial de rendimento, híbrido, população, zona SSURGO, propriedades de teste de solo ou eleva- ção, entre outros. Os relatórios e análises programados podem incluir a análise de variabilidade de rendimento, estimativa de efeito de tra- tamento, avaliação comparativa do rendimento e outras métricas con- tra outros produtores com base nos dados anônimos coletados de mui- tos produtores, ou dados para sementes e plantio, entre outros.
[0068] Os aplicativos com instruções configuradas desta forma 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 a execução em tablets, smartphones ou servidores que são acessados com o uso de navegadores em computadores clientes. Além disso, o aplicativo móvel conforme configurado para tablets ou smartphones pode fornecer uma experiência de aplicativo completa ou uma experi- ência de aplicativo de cabine que é adequada para as capacidades de exibição e processamento do computador de cabine 115. Por exemplo, agora, com referência à vista (b) da figura 2, em uma modalidade, um aplicativo de computador de cabine 220 pode compreender as instru- ções de mapas de cabine 222, as instruções de vista remota 224, a coleta de dados e as instruções de transferência 226, as instruções de alertas de máquina 228, as instruções de transferência de script 230 e as instruções de cabine de reconhecimento 232. A base de código pa- ra as instruções da visualização (b) podem ser as mesmas que para a visualização (a) e os elementos executáveis que implementam o códi- go podem ser programados para detectar o tipo de plataforma na qual estão executando e para expor, por meio de uma interface gráfica de usuário, apenas essas funções que são adequadas para uma plata- forma de cabine ou plataforma completa. Essa abordagem permite que o sistema reconheça a experiência do usuário distintamente diferente, que é apropriada para um ambiente na cabine e o ambiente de tecno- logia diferente da cabine. As instruções de mapas de cabine 222 po- dem ser programadas para fornecer as visualizações de mapas de campos, fazendas ou regiões que são úteis para direcionar a operação da máquina. As instruções de vista remota 224 podem ser programa- das para ligar, gerenciar e fornecer vistas da atividade da máquina em tempo real ou quase em tempo real para outros dispositivos de compu- tação conectados ao sistema 130 por meio de redes sem fio, conecto- res ou adaptadores com fio e similares. As instruções de coleta e transferência de dados 226 podem ser programadas para ligar, geren- ciar e fornecer a transferência de dados coletados em sensores e con- troladores para o sistema 130 por meio de redes sem fio, conectores com fio ou adaptadores e similares. As instruções de alertas de má- quina 228 podem ser programadas para detectar os problemas com as operações da máquina ou ferramentas que estão associadas à cabine e gerar alertas do operador. As instruções de transferência de script 230 podem ser configuradas para transferir em scripts de instruções que são configuradas para direcionar as operações da máquina ou a coleta de dados. As instruções de cabine de reconhecimento 232 po- dem ser programadas para exibir os alertas baseados em localização e as informações recebidas do sistema 130 com base na localização do dispositivo de computação de gerenciador de campo 104, aparelho agrícola 111 ou sensores 112 no campo e processar, gerenciar e for- necer a transferência de observações de reconhecimento com base na localização ao sistema 130 com base na localização do aparelho agrí- cola 111 ou sensores 112 no campo.
2.3. Ingestão de dados para o Sistema de Computador
[0069] Em uma modalidade, o computador de servidor de dados externo 108 armazena os dados externos 110, incluindo os dados de solo que representam a composição do solo para um ou mais campos e dados meteorológicos que representam a temperatura e a precipita- ção em um ou mais campos. Os dados meteorológicos podem incluir os dados meteorológicos passados e presentes, bem como previsões para dados meteorológicos futuros. Em uma modalidade, o computa- dor servidor de dados externos 108 compreende uma pluralidade de servidores hospedados por diferentes entidades. Por exemplo, um primeiro servidor pode conter os dados de composição do solo, en- quanto um segundo servidor pode incluir os dados meteorológicos. Além disso, os dados de composição do solo podem ser armazenados em vários servidores. Por exemplo, um servidor pode armazenar os dados que representam a porcentagem de areia, silte e argila no solo, enquanto um segundo servidor pode armazenar os dados que repre- sentam a porcentagem de matéria orgânica (OM) no solo.
[0070] Em uma modalidade, o sensor remoto 112 compreende um ou mais sensores que são programados ou configurados para produzir uma ou mais observações. O sensor remoto 112 pode ser sensores aéreos, como satélites, sensores de veículos, sensores de equipamen- tos de plantio, sensores de cultivo, sensores de aplicação de fertilizan- tes ou inseticidas, sensores de colheitadeira e qualquer outro imple- mento capaz de receber os dados de um ou mais campos. Em uma modalidade, o controlador de aplicativo 114 é programado ou configu- rado para receber instruções do sistema de computador de inteligência agrícola 130. O controlador de aplicativo 114 também pode ser pro- gramado ou configurado para controlar um parâmetro operacional de um veículo ou implemento agrícola. Por exemplo, um controlador de aplicativo pode ser programado ou configurado para controlar um pa- râmetro operacional de um veículo, como um trator, equipamento de plantio, equipamento de preparo do solo, fertilizante ou equipamento de inseticida, equipamento de colheita ou outros implementos agríco- las, como uma válvula de água. Outras modalidades podem usar qual- quer combinação de sensores e controladores, dos quais os seguintes são apenas exemplos selecionados.
[0071] O sistema 130 pode obter ou ingerir os dados sob o contro-
le do usuário 102 em volume de um grande número de produtores que contribuíram com os dados para um sistema de banco de dados com- partilhado. Essa forma de obtenção de dados pode ser denominada "ingestão manual de dados", quando uma ou mais operações de com- putador controladas pelo usuário são solicitadas ou acionadas para obter os dados para uso pelo sistema 130. Como exemplo, o aplicativo "CLIMATE FIELDVIEW", disponível comercialmente junto a The Clima- te Corporation, São Francisco, Califórnia, pode ser operado para ex- portar os dados para o sistema 130 para o armazenamento no reposi- tório 160.
[0072] Por exemplo, os sistemas de monitoramento de sementes podem controlar os componentes do aparelho da plantadora e obter os dados de plantio, incluindo os sinais de sensores de sementes por meio de um agente de sinal que compreende um suporte de CAN e conexões ponto a ponto para o registro e/ou o diagnóstico. Os siste- mas de monitoramento de sementes podem ser programados ou con- figurados para exibir o espaçamento das sementes, população e ou- tras informações para o usuário por meio do computador da cabine 115 ou outros dispositivos dentro do sistema 130. Os exemplos são divulgados nas Patentes U.S. N° 8.738.243 e Publicação de Patente U.S. 20150094916, e a presente divulgação pressupõe o conhecimen- to dessas outras divulgações de patentes.
[0073] Da mesma forma, os sistemas de monitor de rendimento podem conter sensores de rendimento para aparelhos de colheitadeira que enviam os dados de medição de rendimento para o computador de cabine 115 ou outros dispositivos dentro do sistema 130. Os siste- mas de monitoramento de rendimento podem utilizar um ou mais sen- sores remotos 112 para obter as medições de umidade de grãos em uma debulhadora ou outra colheitadeira e transmite essas medições ao usuário por meio do computador da cabine 115 ou outros dispositi-
vos dentro do sistema 130.
[0074] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com qualquer veículo em movimento ou aparelho do tipo descrito em outro lugar neste documento incluem sensores ci- nemáticos e sensores de posição. Os sensores cinemáticos podem compreender qualquer um dos sensores de velocidade, como radar ou sensores de velocidade da roda, acelerômetros ou giroscópios. Os sensores de posição podem compreender receptores ou transceptores de GPS, ou aplicativos de mapeamento ou de posição com base em Wi-Fi que são programados para determinar a localização com base em pontos de acesso de Wi-Fi próximos, entre outros.
[0075] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com tratores ou outros veículos em movimento in- cluem os sensores de velocidade do motor, sensores de consumo de combustível, contadores de área ou contadores de distância que inte- ragem com GPS ou sinais de radar, sensores de velocidade de PTO (tomada de força), sensores hidráulicos de trator configurados para detectar os parâmetros hidráulicos, como pressão ou fluxo e/ou veloci- dade da bomba hidráulica, sensores de velocidade das rodas ou sen- sores de patinagem das rodas. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com tratores incluem contro- ladores direcionais hidráulicos, controladores de pressão e/ou contro- ladores de fluxo; controladores de velocidade da bomba hidráulica; controladores ou reguladores de velocidade; controladores de posição de engate; ou controladores de posição de roda fornecem direção au- tomática.
[0076] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com equipamentos de plantio de sementes, como plantadores, perfuradores ou semeadores de ar, incluem sensores de sementes, que podem ser ópticos, eletromagnéticos ou sensores de impacto; sensores de força descendente, como pinos de carga, células de carga, sensores de pressão; sensores de propriedade do solo, co- mo sensores de refletividade, sensores de umidade, sensores de con- dutividade elétrica, sensores ópticos de resíduos ou sensores de tem- peratura; sensores de critérios de operação de componentes, como sensores de profundidade de plantio, sensores de pressão do cilindro de força descendente, sensores de velocidade do disco de sementes, codificadores do motor de acionamento de sementes, sensores de ve- locidade do sistema de transporte de sementes ou sensores de nível de vácuo; ou sensores de aplicação de pesticidas, como sensores óp- ticos ou outros sensores eletromagnéticos, ou sensores de impacto.
Em uma modalidade, os exemplos de controladores 114 que podem ser usados com tal equipamento de plantio de sementes incluem: con- troladores de dobra da barra de ferramentas, tais como controladores para válvulas associadas a cilindros hidráulicos; controladores de força descendente, como controladores para válvulas associadas a cilindros pneumáticos, airbags ou cilindros hidráulicos e programados para apli- car a força descendente às unidades de linha individuais ou uma estru- tura inteira da plantadeira; controladores de profundidade de plantio, como atuadores lineares; controladores de medição, como motores elétricos de acionamento do medidor de sementes, motores hidráuli- cos de acionamento do medidor de sementes ou embreagens de con- trole de faixa; controladores de seleção híbrida, como motores de aci- onamento de medidores de sementes ou outros atuadores programa- dos para permitir ou impedir seletivamente a semente ou uma mistura de ar e semente de distribuir sementes para ou de medidores de se- mentes ou tremonhas centrais a granel; controladores de medição, como motores elétricos de acionamento do medidor de sementes ou motores hidráulicos de acionamento do medidor de sementes; contro- ladores de sistema de transporte de sementes, como controladores para um motor de esteira de distribuição de sementes por correia; con- troladores de marcador, como um controlador para um atuador pneu- mático ou hidráulico; ou controladores de taxa de aplicação de pestici- das, como controladores de unidade de medição, tamanho de orifício ou controladores de posição.
[0077] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com equipamento de cultivo incluem sensores de posição para ferramentas, tais como hastes ou discos; sensores de posição de ferramenta para tais ferramentas que são configuradas pa- ra detectar profundidade, inclinação de corpos de discos ou espaça- mento lateral; sensores de força descendente; ou sensores de força de tração. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com equipamento de cultivo incluem controladores de força descendente ou controladores de posição de ferramenta, co- mo controladores configurados para controlar a profundidade da fer- ramenta, inclinação de corpos de discos ou espaçamento lateral.
[0078] Em uma modalidade, os exemplos de sensores 112 que podem ser usados em relação aos aparelhos para a aplicação de ferti- lizantes, inseticidas, fungicidas e similares, tais como sistemas de ferti- lizantes iniciais na plantadeira, aplicadores de fertilizantes de subsolo ou pulverizadores de fertilizantes, incluem: sensores de critérios do sistema de fluido, como sensores de fluxo ou sensores de pressão; sensores que indicam quais válvulas de pulverizador ou válvulas de linha de fluido estão abertas; sensores associados aos tanques, como sensores de nível de preenchimento; sensores de linha de alimentação seccionais ou de todo o sistema ou sensores de linha de alimentação específicos de linha; ou sensores cinemáticos, como acelerômetros dispostos nas barras do pulverizador. Em uma modalidade, os exem- plos de controladores 114 que podem ser usados com tal aparelho in- cluem controladores de velocidade de bomba; controladores de válvula que são programados para controlar pressão, fluxo, direção, PWM e similares; ou atuadores de posição, como para altura da lança, profun- didade do subsolador ou posição da lança.
[0079] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com colheitadeiras incluem monitores de rendimen- to, como medidores de tensão de placa de impacto ou sensores de posição, sensores de fluxo capacitivos, sensores de carga, sensores de peso ou sensores de torque associados a elevadores ou brocas, ou sensores ópticos ou outros sensores eletromagnéticos de altura de grãos; sensores de umidade de grãos, como sensores capacitivos; sensores de perda de grãos, incluindo sensores de impacto, ópticos ou capacitivos; sensores de critérios operacionais da plataforma, como altura da plataforma, tipo de plataforma, folga da placa do convés, ve- locidade do alimentador e sensores de velocidade do bobina; sensores de critérios de operação do separador, tais como sensores de folga côncava, velocidade do rotor, sensores de folga de sapata ou de folga do chanfro; sensores de medidor para posição, operação ou velocida- de; ou sensores de velocidade do motor. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com colheita- deiras incluem controladores de critérios operacionais da plataforma para elementos como altura da plataforma, tipo de plataforma, folga da placa do convés, velocidade do alimentador ou velocidade de bobina; controladores de critérios operacionais de separadores para recursos como folga côncava, velocidade do rotor, folga da sapata ou folga do chanfro; ou controladores para posição, operação ou velocidade do medidor.
[0080] Em uma modalidade, os exemplos de sensores 112 que podem ser usados com carrinhos de grãos incluem sensores de peso ou sensores para posição, operação ou velocidade do medidor. Em uma modalidade, os exemplos de controladores 114 que podem ser usados com carrinhos de grãos incluem controladores para posição, operação ou velocidade do medidor.
[0081] Em uma modalidade, os exemplos de sensores 112 e con- troladores 114 podem ser instalados em aparelhos de veículo aéreo não tripulado (UAV) ou "drones". Tais sensores podem incluir câmeras com detectores eficazes para qualquer faixa do 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 tubo pitot ou outros senso- res de velocidade do ar ou do vento; sensores de vida da bateria; ou emissores de radar e aparelhos de detecção de energia de radar refle- tida; outros emissores de radiação eletromagnética e aparelhos de de- tecção de radiação eletromagnética refletida. Esses controladores po- dem incluir orientação ou aparelho de controle de motor, controladores de superfície de controle, controladores de câmera ou controladores programados para ligar, operar, obter os dados, gerenciar e configurar qualquer um dos sensores anteriores. Os exemplos são divulgados no Pedido de Patente U.S. N° 14/831.165 e a presente divulgação pres- supõe o conhecimento dessa outra divulgação de patente.
[0082] Em uma modalidade, os sensores 112 e controladores 114 podem ser fixos ao aparelho de medição e amostragem de solo que é configurado ou programado para amostrar solo e realizar testes de química do solo, testes de umidade do solo e outros testes relativos ao solo. Por exemplo, o aparelho divulgado na Patente U.S. N° 8.767.194 e na Patente U.S. N° 8.712.148 pode ser usado, e a presente divulga- ção assume o conhecimento dessas divulgações de patentes.
[0083] Em uma modalidade, os sensores 112 e os controladores 114 podem compreender dispositivos meteorológicos para monitorar as condições meteorológicas dos campos. Por exemplo, o aparelho divulgado no Pedido Provisório U.S. N° 62/154.207, depositado no dia
29 de abril de 2015, Pedido Provisório U.S. N° 62/175.160, depositado no dia 12 de junho de 2015, Pedido Provisório U.S. N° 62/198.060, depositado no dia 28 de julho de 2015 e o Pedido Provisório U.S. N° 62/220.852, depositado no dia 18 de setembro de 2015, podem ser usados, e a presente divulgação pressupõe o conhecimento dessas divulgações de patentes.
2.4. Visão geral do processo - treinamento de modelo agronômico
[0084] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 é programado ou configurado para criar um mode- lo agronômico. Neste contexto, um modelo agronômico é uma estrutu- ra de dados na memória do sistema de computador de inteligência agrícola 130 que compreende dados de campo 106, tais como dados de identificação e dados de colheita para um ou mais campos. O mo- delo agronômico também pode compreender propriedades agronômi- cas calculadas que descrevem as condições que podem afetar o cres- cimento de uma ou mais safras em um campo, ou propriedades de uma ou mais safras, ou ambas. Além disso, um modelo agronômico pode incluir recomendações com base em fatores agronômicos, como recomendações de cultura, recomendações de irrigação, recomenda- ções de plantio, recomendações de fertilizantes, recomendações de fungicidas, recomendações de pesticidas, recomendações de colheita e outras recomendações para o manejo de culturas. Os fatores agronômicos também podem ser usados para estimar um ou mais re- sultados relacionados à cultura, como o rendimento agronômico. O rendimento agronômico de uma safra é uma estimativa da quantidade da safra que é produzida ou, em alguns exemplos, a receita ou lucro obtido com a safra produzida.
[0085] Em uma modalidade, o sistema de computador de inteli- gência agrícola 130 pode usar um modelo agronômico pré-configurado para calcular as propriedades agronômicas relacionadas à localização e às informações de cultura atualmente recebidas para um ou mais campos. O modelo agronômico pré-configurado é baseado em dados de campo previamente processados, incluindo, mas não se limitando a, dados de identificação, dados de colheita, dados de fertilizantes e dados meteorológicos. O modelo agronômico pré-configurado pode ter sido validado para garantir a precisão do modelo. A validação cruzada pode incluir a comparação com a verificação do solo que compara os resultados previstos com os resultados reais em um campo, como uma comparação da estimativa de precipitação com um pluviômetro ou sensor que fornece os dados meteorológicos no mesmo local ou pró- ximo ou uma estimativa do teor de nitrogênio com uma medição de amostra de solo.
[0086] A figura 3 ilustra um processo programado pelo qual o sis- tema de computador de inteligência agrícola gera um ou mais modelos agronômicos pré-configurados que usa os dados de campo fornecidos por uma ou mais fontes de dados. A figura 3 pode servir como um al- goritmo ou instruções para programar os elementos funcionais do sis- tema de computador de inteligência agrícola 130 para executar as operações que agora são descritas.
[0087] No bloco 305, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar o pré- processamento de dados agronômicos de dados de campo recebidos de uma ou mais fontes de dados. Os dados de campo recebidos de uma ou mais fontes de dados podem ser pré-processados com a fina- lidade de remover ruído, efeitos de distorção e fatores de confusão dentro dos dados agronômicos, incluindo valores externos medidos que podem afetar adversamente os valores de dados de campo rece- bidos. As modalidades de pré-processamento de dados agronômicos podem incluir, mas não estão limitadas a, remover valores de dados comumente associados a valores de dados discrepantes, pontos de dados medidos específicos que são conhecidos por distorcer desne- cessariamente outros valores de dados, suavização de dados, agrega- ção ou técnicas de amostragem usadas para remover ou reduzir os efeitos aditivos ou multiplicativos do ruído e outras técnicas de filtra- gem ou derivação de dados usadas para fornecer distinções claras entre entradas de dados positivas e negativas.
[0088] No bloco 310, o sistema de computador de inteligência agrícola 130 é configurado ou programado para realizar a seleção de subconjunto de dados com o uso dos dados de campo pré- processados, a fim de identificar os conjuntos de dados úteis para a geração inicial do modelo agronômico. O sistema de computador de inteligência agrícola 130 pode implementar as técnicas de seleção de subconjunto de dados incluindo, mas não se limitando a, um método de algoritmo genético, um método de todos os modelos de subconjun- to, um método de pesquisa sequencial, um método de regressão pas- so a passo, um método de otimização por exame de partícula e uma método de otimização da colônia de formigas. Por exemplo, uma téc- nica de seleção de algoritmo genético usa um algoritmo de pesquisa heurística adaptativa, com base em princípios evolutivos de seleção natural e genética, para determinar e avaliar conjuntos de dados den- tro dos dados agronômicos pré-processados.
[0089] No bloco 315, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a avalia- ção do conjunto de dados de campo. Em uma modalidade, um conjun- to de dados de campo específico é avaliado ao criar um modelo agronômico e ao usar limites de qualidade específicos para o modelo agronômico criado. Os modelos agronômicos podem ser comparados e/ou validados com o uso de uma ou mais técnicas de comparação como, mas não se limitando a, raiz quadrada do erro-médio com vali- dação cruzada leave-one-out (RMSECV), erro absoluto médio e erro percentual médio. Por exemplo, a RMSECV pode fazer a validação cruzada de modelos agronômicos ao comparar os valores previstos da propriedade agronômica criados pelo modelo agronômico com os valo- res de histórico da propriedade agronômica coletados e analisados. Em uma modalidade, a lógica de avaliação do conjunto de dados agronômicos é usada como um ciclo de feedback, onde os conjuntos de dados agronômicos que não atendem aos limites de qualidade con- figurados são usados durante as etapas futuras de seleção de subcon- junto de dados (bloco 310).
[0090] No bloco 320, o sistema de computador de inteligência agrícola 130 é configurado ou programado para implementar a criação de modelo agronômico com base nos conjuntos de dados agronômi- cos cruzados e validados. Em uma modalidade, a criação de modelo agronômico pode implementar as técnicas de regressão multivariadas para criar modelos de dados agronômicos pré-configurados.
[0091] No bloco 325, o sistema de computador de inteligência agrícola 130 é configurado ou programado para armazenar os mode- los de dados agronômicos pré-configurados para a futura avaliação de dados de campo.
2.5. Exemplo de implementação - Visão geral do Hardware
[0092] De acordo com uma modalidade, as técnicas descritas nes- te documento são implementadas por um ou mais dispositivos de computação para uso especial. Os dispositivos de computação para uso especial podem ser conectados para realizar as técnicas ou po- dem incluir dispositivos eletrônicos digitais, como um ou mais circuitos integrados de aplicação específica (ASICs) ou matrizes de portas pro- gramáveis em campo (FPGAs) que são persistentemente programa- das para realizar as técnicas, ou podem incluir um ou mais processa- dores de hardware de uso geral programados para executar as técni- cas de acordo com as instruções do programa em firmware, memória,
outro armazenamento ou uma combinação desses. Esses dispositivos de computação para uso especial também podem combinar lógica com fio personalizada, ASICs ou FPGAs com programação personali- zada para realizar as técnicas. Os dispositivos de computação para uso especial podem ser sistemas de computador desktop, sistemas de computador portátil, dispositivos portáteis, dispositivos de rede ou qualquer outro dispositivo que incorpore a lógica de programa e/ou com fio para implementar as técnicas.
[0093] Por exemplo, a figura 4 é um diagrama de blocos que ilus- tra um sistema de computador 400 no qual uma modalidade da inven- ção pode ser implementada. O sistema de computador 400 inclui um barramento 402 ou outro mecanismo de comunicação para comunicar as informações e um processador de hardware 404 acoplado ao bar- ramento 402 para processar as informações. O processador de hardware 404 pode ser, por exemplo, um microprocessador de uso geral.
[0094] O sistema de computador 400 também inclui uma memória principal 406, como uma memória de acesso aleatório (RAM) ou outro dispositivo de armazenamento dinâmico, acoplado ao barramento 402 para armazenar as informações e as instruções a serem executadas pelo processador 404. A memória principal 406 também pode ser usa- da para armazenar as variáveis temporárias ou outras informações intermediárias durante a execução de instruções a serem executadas pelo processador 404. Tais instruções, quando armazenadas em mídia de armazenamento não transitória acessível ao processador 404, transformam o sistema de computador 400 em uma máquina de uso especial, que é personalizada para realizar as operações especifica- das nas instruções.
[0095] O sistema de computador 400 inclui ainda uma memória somente de leitura (ROM) 408 ou outro dispositivo de armazenamento estático acoplado ao barramento 402 para armazenar as informações estáticas e as instruções para o processador 404. Um dispositivo de armazenamento 410, como um disco magnético, disco óptico ou uni- dade de estado sólido é fornecido e acoplado ao barramento 402 para armazenar as informações e as instruções.
[0096] O sistema de computador 400 pode ser acoplado através do barramento 402 a um visor 412, como um tubo de raios catódicos (CRT), para exibir as informações para um usuário de computador. Um dispositivo de entrada 414, incluindo teclas alfanuméricas e outras, é acoplado ao barramento 402 para comunicar as informações e as se- leções de comando para o processador 404. Outro tipo de dispositivo de entrada do usuário é o controle do cursor 416, como um mouse, um trackball ou teclas de direção do cursor para comunicar as informa- ções de direção e as seleções de comando ao processador 404 e para controlar o movimento do cursor no visor 412. Este dispositivo de en- trada normalmente tem dois graus de liberdade em dois eixos, um pri- meiro eixo (por exemplo, x) e um segundo eixo (por exemplo, y), que permitem que o dispositivo especifique as posições em um plano.
[0097] O sistema de computador 400 pode implementar as técni- cas descritas neste documento com o uso de lógica com fio personali- zado, um ou mais ASICs ou FPGAs, firmware e/ou lógica de programa que, em combinação com o sistema de computador, faz com que ou programa o sistema de computador 400 para ser uma máquina de uso especial. De acordo com uma modalidade, as técnicas aqui são reali- zadas pelo sistema de computador 400 em resposta ao processador 404 que executa uma ou mais sequências de uma ou mais instruções contidas na memória principal 406. Tais instruções podem ser lidas na memória principal 406 a partir de outro meio de armazenamento, tal como dispositivo de armazenamento 410. A execução das sequências de instruções contidas na memória principal 406 faz com que o pro-
cessador 404 execute as etapas do processo descritas neste docu- mento. Em modalidades alternativas, os circuitos com fio podem ser usados no lugar ou em combinação com as instruções do software.
[0098] O termo "meio de armazenamento", conforme usado neste documento, refere-se a qualquer meio não transitório que armazena os dados e/ou as instruções que fazem com que uma máquina opere de uma maneira específica. Esses meios de armazenamento podem compreender meios não voláteis e/ou meios voláteis. O meio não volá- til inclui, por exemplo, discos ópticos, discos magnéticos ou unidades de estado sólido, como o dispositivo de armazenamento 410. O meio volátil inclui memória dinâmica, como a memória principal 406. As for- mas comuns de meio de armazenamento incluem, por exemplo, um disquete, um disco flexível, disco rígido, unidade de estado sólido, fita magnética ou qualquer outro meio de armazenamento de dados mag- néticos, um CD-ROM, qualquer outro meio de armazenamento de da- dos ópticos, qualquer meio físico com padrões de orifícios, uma RAM, uma PROM e EPROM, uma FLASH-EPROM, NVRAM, qualquer outro chip ou cartão de memória.
[0099] O meio de armazenamento é diferente, mas pode ser usa- do em conjunto com o meio de transmissão. O meio de transmissão participa da transferência de informações entre os meios de armaze- namento. Por exemplo, o meio de transmissão inclui cabos coaxiais, fio de cobre e fibra óptica, incluindo os fios que compõem o barramen- to 402. O meio de transmissão também pode assumir a forma de on- das acústicas ou de luz, como aquelas geradas durante as comunica- ções de dados de ondas de rádio e infravermelho.
[00100] Várias formas de mídia podem estar envolvidas no trans- porte de uma ou mais sequências de uma ou mais instruções para o processador 404 para a execução. Por exemplo, as instruções podem ser inicialmente carregadas em um disco magnético ou unidade de es-
tado sólido de um computador remoto. O computador remoto pode carregar as instruções em sua memória dinâmica e enviá-las por uma linha telefônica com o uso de um modem. Um modem local para o sis- tema de computador 400 pode receber os dados na linha telefônica e usar um transmissor infravermelho para converter os dados em um sinal infravermelho. Um detector de infravermelho pode receber os da- dos transportados no sinal infravermelho e os circuitos adequados po- dem colocar os dados no barramento 402. O barramento 402 transpor- ta os dados para a memória principal 406, a partir da qual o processa- dor 404 recupera e executa as instruções. As instruções recebidas pe- la memória principal 406 podem, opcionalmente, ser armazenadas no dispositivo de armazenamento 410 antes ou depois da execução pelo processador 404.
[00101] O sistema de computador 400 também inclui uma interface de comunicação 418 acoplada ao barramento 402. A interface de co- municação 418 fornece um acoplamento de comunicação de dados bidirecional a um link de rede 420 que está conectado a uma rede lo- cal 422. Por exemplo, a interface de comunicação 418 pode ser uma placa de rede digital de serviços integrados (ISDN), modem a cabo, modem via satélite ou um modem para fornecer uma conexão de co- municação de dados a um tipo correspondente de linha telefônica. Como outro exemplo, a interface de comunicação 418 pode ser uma placa de rede local (LAN) para fornecer uma conexão de comunicação de dados a uma LAN compatível. Os links sem fio também podem ser implementados. Em qualquer implementação, a interface de comuni- cação 418 envia e recebe os sinais elétricos, eletromagnéticos ou ópti- cos que transportam os fluxos de dados digitais que representam vá- rios tipos de informações.
[00102] O link de rede 420 normalmente fornece a comunicação de dados através de uma ou mais redes para outros dispositivos de da-
dos. Por exemplo, o link de rede 420 pode fornecer uma conexão atra- vés da rede local 422 a um computador host 424 ou a um equipamen- to de dados operado por um Provedor de Serviços de Internet (ISP)
426. O ISP 426, por sua vez, fornece serviços de comunicação de da- dos através da rede mundial de comunicação de pacotes de dados agora comumente referida como a "Internet" 428. A rede local 422 e a Internet 428 usam os sinais elétricos, eletromagnéticos ou ópticos que transportam os fluxos de dados digitais. Os sinais através das várias redes e os sinais no link de rede 420 e através da interface de comuni- cação 418, que transportam os dados digitais para e do sistema de computador 400, são exemplos de formas de mídia de transmissão.
[00103] O sistema de computador 400 pode enviar mensagens e receber dados, incluindo código de programa, através da(s) rede(s), link 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 por meio da Internet 428, ISP 426, rede local 422 e interface de comunicação 418.
[00104] O código recebido pode ser executado pelo processador 404 à medida que é recebido e/ou armazenado no dispositivo de ar- mazenamento 410 ou outro armazenamento não volátil para execução posterior.
3. Abordagem de processamento de Imagem Digital
[00105] As modalidades que fornecem métodos implementados por computador para o processamento de imagem digital de imagens de campos agrícolas, para detecção de tensão, detecção de anomalias e previsão ou correção de dados de produção são descritas. As modali- dades são mais úteis em estágios posteriores da estação de cresci- mento e no desenvolvimento posterior da cultura, quando a cobertura da cultura e a cobertura de ervas daninhas podem ser perceptíveis em imagens aéreas. As técnicas aqui contidas também podem ser usadas em qualquer estágio de uma estação de crescimento.
[00106] Em algumas modalidades, uma grande quantidade de ima- gens digitais de campos agrícolas é obtida para treinar modelos de aprendizado de máquina, que então podem ser usados para classificar imagens específicas capturadas de campos agrícolas durante a esta- ção de crescimento. O controle de qualidade de imagem e o pré- processamento podem ser implementados para gerar dados verdadei- ros para o uso no treinamento de um modelo de aprendizado de má- quina. Os modelos com base na fusão de saída do classificador e da- dos de índice vegetativo, como dados NDVI ou CCI, podem ser usa- dos. Como resultado, um mapa digital gráfico ou visual de anomalias nos campos pode ser gerado. As imagens podem ser correlacionadas aos dados reais de produção após a colheita para a validação ou a calibração adicionais. As abordagens neste documento podem ser in- tegradas em um fluxo de trabalho de processamento de dados maior para o armazenamento em nuvem ou para a publicação de resultados e podem ser integradas com outros modelos, como os modelos de previsão de rendimento.
[00107] A metodologia proposta é baseada em uma combinação de hardware de imagem selecionada e algoritmos de processamento de imagem inovadoras implementadas em programas de computador. Com este método, as características espaciais e espectrais da imagem são identificadas com o uso de imagens de alta resolução recebidas de plataformas aéreas, veículos aéreos não tripulados (UAV) e câme- ras montadas em veículos terrestres. As imagens podem incluir ima- gens coloridas (como imagens RGB) e/ou imagens multiespectrais (como imagens quase infravermelhas). A alta resolução, neste contex- to, pode significar menos de 1 cm por cobertura de pixel. Os modelos de aprendizado de máquina podem ser executados em dados de re- cursos para diferenciar fileiras de milho intactas versus as anomalias de campo descritas acima e a saída de classificação de rendimento.
[00108] As imagens classificadas e os fragmentos de imagem po- dem ser usados para gerar mapas retificados geograficamente de áreas intactas e não intactas de campos agrícolas. Os mapas podem ser codificados por cores com o uso de cores que correspondem a di- ferentes tipos de anomalias de campo. Um mapa pode representar uma ou mais anomalias. Um mapa de anomalia de alta resolução ge- rado com o uso dessas abordagens pode beneficiar testes de coloca- ção, testes de campo lado a lado, testes de proteção de safras, detec- ção de problemas de equipamento, identificação de danos de vento ou lagoa, ajuste de dados de produção, bem como quantificação do im- pacto ambiental no subnível de campo. A abordagem apresentada permite detectar e calcular todas as anomalias e suas porcentagens dentro de cada mosaico/superfície/grade gerada para um campo.
3.1. Processamento de Imagem Digital de Imagens Aéreas
[00109] A figura 7 ilustra um exemplo de processamento de ima- gens digitais para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina. Na figura 7, as informações de dados de campo, como dados de limite, dados de plantio, dados de produção e assim por diante, podem ser armazenadas em um banco de dados 702. O banco de dados pode ser organizado como um banco de dados relacional ou outro tipo de banco de dados. O banco de da- dos pode ser organizado como um sistema de banco de dados distri- buído ou sistema de banco de dados de servidor autônomo.
[00110] Os metadados de campo que descrevem os limites do campo e todas as outras informações, representadas na figura 7, usando um elemento 704, podem ser fornecidos a veículos aéreos, como helicópteros, aeronaves agrícolas, centros de controle que ge- renciam as rotas dos helicópteros e assim por diante. As informações podem ser usadas para navegar pelos drones ou quaisquer outros ve-
ículos aéreos não tripulados e direcioná-los para coletar as imagens aéreas do campo.
[00111] Ao receber as informações de limite de campo, um veículo aéreo 706 pode começar a capturar várias imagens à medida que o veículo aéreo 706 cruza o campo. As imagens aéreas também podem ser obtidas de satélites ou quaisquer outros veículos aéreos.
[00112] As imagens capturadas 708 são aqui referidas como ima- gens aéreas/UAV. Essas imagens podem ser fornecidas como a en- trada para um modelo de aprendizado de máquina 712. O modelo de aprendizado de máquina 712 pode realizar a calibração da imagem, o processamento da imagem e a classificação da imagem. O modelo de aprendizado de máquina 712 também pode gerar um mapa que mos- tra as anomalias de campo com base nas imagens 708.
[00113] A saída do modelo 712 pode incluir um ou mais mapas de anomalia 714. Os mapas de anomalia podem incluir regiões codifica- das por cores, onde cada código de cor se expande para uma classifi- cação diferente. Os exemplos de classificações incluem áreas que são, por exemplo, cobertas por pés de milho, áreas que são mostradas como solo descoberto, áreas que são cobertas por ervas daninhas, áreas que são cobertas por estradas e assim por diante.
[00114] Em uma modalidade, com base no mapa 714, um mapa de arquivo de forma 716 é gerado. O arquivo de forma 716 pode incluir coordenadas geográficas de limites de uma ou mais áreas identifica- das como tendo anomalias. O mapa 716 pode ser fornecido para sis- temas terrestres.
3.2. Processamento de Imagem Digital de imagens do solo
[00115] Em uma modalidade, os sistemas de solo podem usar o mapa 716 para controlar as câmeras no solo para coletar as imagens do solo de uma superfície, ou superfícies, identificadas com o uso dos limites incluídos no mapa 716. Os sistemas de solo podem usar as imagens do solo coletadas da superfície para gerar um mapa melho- rado de anomalias de superfície para a superfície. O mapa aprimorado de anomalias de superfície representa os detalhes da anomalia em um nível de detalhe mais alto do que o mapa de anomalia 714 gerado com base nas imagens aéreas descritas acima.
[00116] Um sistema terrestre pode incluir várias câmeras, como uma câmera 718, vários sensores, como sensores/câmeras 720, dife- rentes aparelhos de captura de imagem 722, amplificadores 726 e ou- tras ferramentas de software/hardware de processamento configura- das para capturar as imagens. As ferramentas de software e hardware são referidas na figura 7 como um elemento 724.
[00117] Os sensores e câmeras no solo podem ser usados para coletar imagens do solo de acordo com os limites do arquivo de forma fornecidos no arquivo de forma 716. O arquivo de forma pode incluir as coordenadas geográficas que especificam os limites de uma superfície agrícola. Portanto, uma colheitadeira que tem, por exemplo, uma câ- mera instalada em um dos braços da colheitadeira, pode percorrer uma superfície agrícola de acordo com as coordenadas fornecidas no arquivo de forma e, à medida que a colheitadeira cruza a superfície, a colheitadeira pode coletar imagens do solo da superfície.
[00118] Em uma modalidade, as imagens do solo são calibradas, pré-processadas e reunidas para formar uma imagem 728 resultante. A imagem 728 pode incluir uma representação da superfície que é co- berta por milho, algumas ervas daninhas, algum solo descoberto e si- milares.
[00119] Um conjunto de imagens 728 pode ser considerado como entrada para um modelo 730. O modelo 730 pode ser implementado como um modelo de aprendizado de máquina e pode executar diferen- tes funções, como uma coleção de todas as imagens fornecidas pelos sistemas terrestres, calibração das imagens. Isso pode incluir, por exemplo, ajuste dos limites, ajuste das cores, matiz, ajuste dos com- ponentes gama e assim por diante. O modelo 730 também pode pro- cessar essas imagens. Isso pode incluir reunir e outro processamento que será descrito mais tarde.
[00120] As imagens resultantes podem ser processadas para de- terminar a classificação de regiões individuais da imagem. A classifi- cação permite determinar quais áreas ou porções do campo estão co- bertas por talos de milho, quais áreas são cobertas por ervas dani- nhas, quais áreas são cobertas por solo, solo descoberto e assim por diante. As imagens de saída, como será descrito posteriormente, po- dem incluir um conjunto de mapas de anomalias e cada mapa pode representar uma anomalia individual, como solo descoberto, ervas da- ninhas e assim por diante. Os mapas também podem ser fornecidos a um banco de dados 702.
4. Processamento de Imagens aéreas e UAV de exemplo
[00121] O levantamento aéreo é um método de coleta de dados ge- omáticos com o uso de instrumentos de coleta de dados instalados em aviões, helicópteros, UAVs, balões e outros dispositivos móveis. Os exemplos de dados geomáticos podem incluir imagens aéreas, dados Lidar, imagens que representam várias bandas visíveis e invisíveis do espectro eletromagnético, dados geofísicos e similares. O levantamen- to aéreo também pode se referir a uma análise de cartas ou mapas de regiões geográficas. O levantamento aéreo, em geral, fornece os da- dos em uma resolução mais alta do que, por exemplo, os dados forne- cidos pelos satélites.
[00122] A abordagem proposta consiste em uma fase de aquisição de imagem e um estágio de aprendizado de máquina. No estágio de aquisição de imagem, em uma modalidade, para uma plataforma de imagem com base em solo, um sistema de computador personalizado que compreende um processador Raspberry Pi, câmera e receptor
GPS adquire as imagens digitais RGB georreferenciadas automatica- mente durante as operações de colheita ou outras operações de cam- po agrícola. Nesse contexto, georreferenciamento significa que cada imagem digital, no momento da captura e armazenamento, é armaze- nada em conjunto com os metadados de geolocalização, ou seja, um arquivo de forma. Os metadados podem incluir valores de latitude e longitude obtidos de um receptor GPS montado no aparelho com a câmera e o processador. A recuperação dos dados de geolocalização e o armazenamento dos metadados de localização com as imagens permite reconstruir uma imagem completa de um campo posteriormen- te e/ou permite gerar mapas digitais com base na execução do estágio de aprendizado de máquina com o uso das imagens coletadas.
[00123] Além disso, ou em alternativa, para uma plataforma de imagem com base em UAV, uma câmera colorida de alta resolução (por exemplo, a Sony RX1R-II) ou uma câmera multiespectral é inte- grada com uma plataforma de drone comercial (por exemplo, os Mi- crodrones MD4-1000 ou DJI M600), que pode ser programada para pesquisar automaticamente uma área predefinida e coletar as imagens coloridas e multiespectrais de alta resolução.
[00124] O uso de plataformas de imagem de descoberta móvel desses tipos permite a coleta de dados e imagens em cada passagem pelo campo. As zonas de subcampo podem ser identificadas em ima- gens concluídas para a geração de imagens e detecção de alta preci- são. Por exemplo, os metadados de zona de subcampo podem ser adicionados às imagens no momento em que as imagens são coleta- das, se um mapa de zona estiver disponível na memória do computa- dor no momento da captura da imagem. Os dados de GPS obtidos de um receptor de GPS podem ser usados para correlacionar os mapas de zona à localização atual de um UAV ou colheitadeira que está cap- turando imagens. Além disso, as disposições de hardware propostas neste documento podem reduzir o custo e o tempo de desenvolvimen- to para aumentar as capacidades de imagem.
[00125] A figura 8 ilustra um exemplo de processamento de ima- gens aéreas e UAV para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina. A figura 8 ilustra um exemplo de processamento de imagens aéreas e UAV para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina. Na figura 8, uma ou mais imagens aéreas de UAV 802 são fornecidas a uma unidade de calibração 804. Essa calibração po- de incluir uma correção de cor, uma correção de matiz, uma correção de resolução, uma correção de cor gama e assim por diante. As ima- gens calibradas e pré-processadas são fornecidas a um costurador 806 que reune as imagens calibradas em um nível de campo.
[00126] Um mapa de nível de campo refere-se a uma imagem que abrange um campo agrícola americano típico que tem, por exemplo, 40 a 100 acres. O mapa de nível de campo é normalmente definido por seus limites. Em contraste acentuado, um mapa de nível de super- fície refere-se a uma área retangular pequena dentro do campo, que pode ter, por exemplo, uma largura de duas fileiras de cultivo e um comprimento de 20 pés.
[00127] Normalmente, várias centenas de imagens brutas ou ima- gens processadas são reunidas a uma imagem de nível de campo que é normalmente uma grande ortomosaico. Um exemplo do ortomosaico é uma imagem 808.
[00128] Em uma modalidade, a imagem 808 é fornecida a um gera- dor de grade que divide o ortomosaico em uma grade de pequenas grades espaciais. Cada grade pode ter, por exemplo, 64 por 64 pixels para cobrir uma área de 10 pés por 10 pés quadrados. Esses detalhes são fornecidos apenas para fins ilustrativos e não devem ser conside- rados limitados de forma alguma. As grades espaciais reais podem ser maiores ou menores. Isso depende da implementação. A grade de campo 810, ou um conjunto de pequenas grades espaciais, torna-se uma grade de imagem de pequenos mosaicos 812.
[00129] Em uma próxima etapa, pequenos mosaicos 812 são forne- cidos a uma unidade de classificação e as imagens podem incluir, por exemplo, uma imagem 814, uma imagem 816 e assim por diante.
[00130] Uma unidade de classificação e pós-processamento 818 pode utilizar um modelo de aprendizado de máquina, como o modelo 712 descrito na figura 7.
[00131] A saída do modelo 818 pode incluir um ou mais mapas de anomalia. Os mapas podem incluir os mapas 822. O conteúdo dos mapas 822 pode ser mostrado de acordo com uma legenda 824, que descreve diferentes cores atribuídas a diferentes regiões classificados. Uma região pode corresponder a, por exemplo, pés de milho, enquan- to outras imagens podem mostrar ervas daninhas ou o solo descober- to, e assim por diante.
[00132] Em uma modalidade, com base nas imagens, o modelo 818, um denominado arquivo de forma é gerado. Um exemplo do ar- quivo de forma é um arquivo de forma 820. O arquivo de forma 820 pode incluir, por exemplo, as coordenadas geográficas para diferentes regiões, para diferentes grades ou pequenos mosaicos, que incluem a característica classificadas.
5. Processamento de Imagens do solo de exemplo
[00133] As técnicas aqui também podem ser usadas para realizar imagens de lapso de tempo de um campo, capturando de forma repe- tida as imagens do campo em tempos diferentes e espaçados com uso um aparelho câmera-computador que é montado em um local fixo em um campo, como em uma coluna. Em uma modalidade, uma coluna alongada é fixa no solo em um campo e uma matriz de célula solar e chassi de computador são fixos à coluna. O chassi é fixo em um local elevado para que uma câmera no aparelho tenha uma visão clara do campo de uma altura elevada. A matriz de célula solar é acoplada ao chassi do computador para servir como fonte de alimentação. O chassi do computador compreende uma câmera Pi, processador Raspberry Pi 2B, controlador de painel solar e modem LTE. O processador pode ser programado para sinalizar a câmera para capturar uma imagem de hora em hora e para energizar o modem LTE para fazer upload das imagens para o armazenamento de dados em nuvem periodicamente.
[00134] A figura 9 ilustra um exemplo de processamento de ima- gens do solo para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina. A figura 9 é um exemplo de- talhado do processamento de solo. Presume-se que um arquivo de forma 916 seja fornecido para veículos terrestres, como debulhadoras, colheitadeiras e tratores, que são equipados com câmeras configura- das para coletar imagens, como imagens do solo do campo. As ima- gens podem ser mais detalhadas do que as imagens aéreas/UAV.
[00135] Em uma modalidade, as imagens do solo podem ser captu- radas por câmaras, como uma câmera 718 que pode ser montada em uma debulhadora, um trator, uma semeadora, e similares. Outras câ- meras podem incluir câmeras 720, 722, 724 que podem ser montadas em postes, cercas e similares.
[00136] Em uma modalidade, o processamento no solo inclui ampli- ficar as imagens no solo realizadas por, por exemplo, um amplificador 728, ou qualquer outro elemento de processamento 726.
[00137] As imagens do solo podem ser fornecidas a um modelo 730, que é configurado para coletar as imagens, calibrar as imagens, e processar as imagens. O processamento pode incluir a realização da classificação da imagem para determinar se as imagens representam quaisquer anomalias no campo.
[00138] A saída 732 do modelo 730 pode incluir um ou mais mapas de anomalia 734. Os mapas, como descrito antes, podem ser organi- zados como um conjunto de mapas, e cada um dos mapas pode indi- car uma anomalia separada ou uma anomalia individual. Por exemplo, um mapa pode mostrar ervas daninhas, outro mapa pode mostrar solo descoberto e assim por diante. Os mapas podem ser armazenados no banco de dados 702.
[00139] Em alternativa, ou em adição a, os mapas podem ser usa- dos ou transmitidos para veículos terrestres e as máquinas agrícolas terrestres para controlar os veículos e máquinas para realizar várias operações agrícolas. Por exemplo, se um dos mapas de anomalia in- dicar as áreas de um campo agrícola que são cobertas por solo des- coberto, mas deveriam ser plantadas com sementes, então, o mapa pode ser enviado a uma semeadora para instruir a semeadora a plan- tar as sementes nas áreas.
6. Implementação de exemplo de Processamento de imagem de Solo
[00140] Em uma modalidade, um aparelho de câmera de computa- dor é fixo a um braço de uma debulhadora ou colheitadeira. O apare- lho pode compreender um processador Raspberry Pi, uma câmera Pi, uma placa de GPS U- Blox e um adaptador Wi-Fi. Nesta modalidade, o processador é programado para sinalizar a câmera para capturar uma imagem quando a localização geográfica atual da debulhadora ou co- lheitadeira móvel, conforme determinado pela leitura de dados de loca- lização da placa de GPS, corresponde a uma prescrição para a captu- ra de imagem. As prescrições ou programas para a captura de ima- gem podem especificar a captura de imagens quando a colheitadeira está passando em pontos específicos no espaço, ou usando uma dis- tância de separação especificada à medida que a colheitadeira cruza o campo, ou de acordo com outros esquemas.
[00141] Em uma modalidade, com o uso de imagens capturadas de uma colheitadeira da maneira anterior, aproximadamente 300 imagens individuais foram marcadas manualmente; cerca de 230 imagens fo- ram rotuladas para indicar as superfícies normais com nenhum dano, boas colheitas e becos visíveis e cerca de 70 imagens foram rotuladas para indicar espaços e acamamento. Um modelo de aprendizagem de transferência CNN foi desenvolvido com o uso de Inception v.3 en TensorFlow e Domino. Este modelo alcançou 91% de precisão de pre- visão com N = 35. Os exemplos de superfícies normais e anormais são mostrados nas figuras e/ou slides do relatório.
[00142] Em uma modalidade, as imagens da cultura foram captura- das com o uso da câmera montada na colheitadeira com base em GPS ou em sinais de disparo de distância transmitidos para a câmera a partir do processador Raspberry Pi. As imagens em miniatura foram produzidas e transmitidas sem fio com imagens no formato GeoTIFF para um computador de gateway montado na debulhadora. O gateway transmitiu os dados de imagem para o armazenamento em nuvem com o uso de transmissão sem fio, e também foi programado para re- cuperar os arquivos de forma do armazenamento em nuvem e carre- gá-los através de uma conexão micro-USB ao processador Raspberry Pi. Um receptor de GPS Trimble forneceu os dados de geolocalização e gerou um registro de geolocalização que foi carregado para o arma- zenamento em nuvem. Os dados de geolocalização, em combinação com os dados de imagem, foram submetidos à reunião de imagens, para combinar as imagens capturadas em posições adjacentes no campo à medida que a debulhadora se movia, e pós-processamento para remover os artefatos, ajustar a orientação vertical e assim por di- ante. As imagens processadas resultantes foram, em seguida, usadas para o desenvolvimento, treinamento, validação e classificação do modelo, como descrito neste documento.
[00143] Em outra modalidade, as imagens foram capturadas com o uso de um robô rover que cruza o solo, controlado por rádio, ou outro veículo terrestre não tripulado, equipado com um receptor de GPS Ublox e uma câmera Raspberry Pi 2B. Este aparelho foi capaz de cru- zar um campo e capturar as imagens dentro do campo principalmente para a identificação de plantas doentes ou locais de danos à colheita.
[00144] Em outra modalidade, um sistema de formação de imagem de doença sob copa foi usado, que consiste em uma câmera estéreo ZED montada em um poste curto em um campo e acoplada a um computador NVidia TX1 com um compartimento à prova de intempé- ries. A ZED é uma câmera estéreo colorida capaz de capturar imagens UHD 2K a 30 quadros por segundo. O computador TX1 é alimentado por bateria Li e inclui uma segunda câmera. Um receptor de GPS CHC RTX foi montado separadamente em outro poste e acoplado de manei- ra comunicativa ao computador. Esse aparelho foi capaz de capturar mais de 8.000 imagens de mancha-bacteriana ("Goss Wilt"), mancha cinzenta nas folhas e ferrugem comum.
[00145] Em ainda outra modalidade, um aparelho LiDAR de 16 ca- nais Velodyne VLP-16 foi montado em uma debulhadora móvel e foi capaz de criar imagens de acamamento em campos de milho. Os valo- res de acamamento afetam fortemente o rendimento da colheita, mas as classificações visuais humanas exigem muito trabalho e são lentas. A imagem digital pode aumentar o rendimento e medir todos os gráfi- cos de teste durante os experimentos de tratamento ou comparações, quando equipada em debulhadoras. Em uma modalidade, este apare- lho foi programado para formar a imagem das quatro (4) fileiras de mi- lho no lado esquerdo da debulhadora. Um GPS Garmin foi acoplado de forma comunicativa ao LiDAR, o que permitiu a transmissão sem fio de dados de imagem LiDAR aos servidores com base em nuvem.
6.1. Implementação de exemplo de computação de borda
[00146] A computação de borda frequentemente se refere ao cálcu- lo e processamento de dados que ocorre perto das fontes dos dados.
Em aplicações de imagem, dispositivos de computação de borda são normalmente implantados nas plataformas de coleta de imagem que estão localizadas em uma estreita proximidade às câmeras e senso- res, e não no servidor de computação centralizado na nuvem. A com- putação de borda geralmente ajuda um sistema de formação de ima- gem a reduzir o tráfego de dados desnecessário entre o sistema e o banco de dados central ou a nuvem e fornece as capacidades de pro- cessamento de imagem em tempo real.
[00147] Um "acelerador de IA" ou um "acelerador de rede neural" é um circuito integrado de aplicação específica (ASIC) projetado para oferecer suporte a redes neurais artificiais, sistemas de aprendizado de máquina e sistemas de aprendizado de máquina. Os exemplos de fornecedores que desenvolveram seus próprios aceleradores de IA incluem o Processador de Rede Neural Nervana (NNP) baseado em Intel, a unidade de processamento de tensor (TPU) baseada no Goo- gle e a unidade de processamento gráfico (GPU) baseada em Nvidia. A TPU de borda, por exemplo, é a solução desenvolvida pelo Google e é usada para combinar as vantagens da computação de borda e do acelerador de IA. Em outras palavras, a TPU de borda é uma solução de baixo consumo de energia e de tamanho modesto que pode ser implementada em um dispositivo de formação de imagem, que é ali- mentado, por exemplo, por uma bateria ou um gerador. A TPU de bor- da pode ajudar o sistema de formação de imagem a aprimorar as ca- pacidades de computação de IA e fornecer uma plataforma para a execução de um modelo de aprendizado de máquina/IA em um tempo pseudo-real.
[00148] Em uma modalidade, uma abordagem para mapear anoma- lias de campo com o uso de imagens digitais e modelos de aprendiza- do de máquina é implementada usando as tecnologias de computação de borda. Os exemplos de tecnologias de computação de borda foram descritos acima. Uma dessas tecnologias inclui a tecnologia de TPU de borda. No entanto, a abordagem apresentada não se limita à im- plementação da TPU de borda. Na verdade, outras abordagens tam- bém podem ser implementadas.
[00149] A figura 10 ilustra um exemplo de processamento de ima- gens do solo para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina e uma TPU de borda. A figura 10 ilustra uma implementação específica do processo mostrado na fi- gura 9. Um arquivo de forma 1012 é fornecido para os sistemas em solo, e os sistemas em solo usam o arquivo de forma 1012 para de- terminar os limites dos campos e para controlar as câmaras em solo para coletar as imagens em solo do campo. Subsequentemente, as imagens em solo coletadas são processadas com o uso, por exemplo, de uma unidade de hardware de TPU de borda 1006, que está em comunicação com um gateway de comunicação 1024.
[00150] Em uma modalidade, um sistema em solo 1016 podem usar um processador Raspberry Pi 2 1018 e um disparador de GPS que é gerado com base no arquivo de forma 1012. O disparador é enviado para as câmeras instaladas nos veículos terrestres para instruir as câmeras a tirar imagens brutas 1014 de certas áreas do campo.
[00151] As imagens 1014 capturadas pelas câmeras instaladas em máquinas ou veículos em solo podem ser enviadas como imagens JPEG para a TPU de borda 1006 para o processamento. A TPU de borda 1006 pode aplicar um ou mais classificadores às imagens para realizar a classificação de imagens. As imagens podem ser enviadas via Ethernet ou fornecidas por meio de dispositivos USB 2.0 como, por exemplo, imagens TIFF em miniaturas 1022, ao gateway 1024. As imagens 1022 também podem ser enviadas (1020) a partir do gateway 1024 para o processador 1018 para o processamento adicional.
[00152] O gateway 1024 pode ser implementado como um servidor ou um processador de computador e pode enviar as imagens classifi- cadas como miniaturas 1026, por exemplo, no formato TIFF para um sistema de nuvem 1004. As imagens TIFF armazenadas em sistema de nuvem 1004 também podem ser armazenadas no banco de dados
1010.
7. Abordagem de aprendizado de máquina de exemplo
[00153] Na fase de aprendizado de máquina, em uma modalidade, os modelos de aprendizagem profunda programada (transferência) com base no modelo de redes neurais convolucionais pré-treinadas ImageNet (Iniciação v3) são programados para classificar as imagens digitais em várias categorias. A primeira categoria, em uma modalida- de, são fileiras intactas de cultura, como milho e similares. A segunda categoria são as fileiras de milho não intactas que ocorrem devido ao acamamento, ervas daninhas e/ou solo descoberto. A saída do modelo é usada para gerar um mapa das áreas de imagem do campo, onde cada imagem é classificada como milho intacto, acamamento, ervas daninhas e solo descoberto. Embora o acamamento ou os danos à colheita, as ervas daninhas e o solo descoberto sejam identificados neste documento de modo a fornecer um exemplo claro, outras moda- lidades podem operar para classificar as imagens em outras anomali- as, como queimaduras, danos aos animais, danos por calor e assim por diante, com base em um ou mais conjuntos de dados de treina- mento que foram selecionados e usados para treinar a CNN para lidar com essas anomalias.
[00154] A figura 11 ilustra um exemplo abordagem de aprendizado de máquina para classificar as imagens para gerar um mapa de ano- malias de campo com o uso de modelos de aprendizado de máquina. Na figura 11, as imagens de entrada, como uma imagem 1102, são fornecidas a um modelo de aprendizado de máquina 1104 que, entre outros, realiza a classificação de imagem. A classificação pode incluir o uso de uma variedade de classificadores.
[00155] Em uma modalidade, os classificadores podem incluir uma pluralidade de várias amostras de imagem que representam as ano- malias conhecidas. Os exemplos de anomalias podem incluir danos entre fileiras, ervas daninhas, água parada e similares. Para cada tipo de anomalia, um ou mais classificadores podem ser fornecidos. Na figura 11, os classificadores representam o dano entre fileiras e inclu- em uma imagem entre fileiras #1, uma imagem entre fileiras #2 e simi- lares. As imagens para a mesma anomalia podem incluir imagens dife- rentes da mesma anomalia e cada imagem pode mostrar, por exem- plo, uma visão diferente da anomalia, um subtipo diferente da anoma- lia, um esquema de cores diferente usado para representar a anomalia e similares.
[00156] O processo de classificação pode usar imagens que permi- tem determinar se uma imagem no solo ilustra a anomalia, como ervas daninhas, árvores e similares. Para realizar a classificação de ima- gens, o processo de classificação pode usar várias imagens de classi- ficador, como a imagem de dano entre fileiras #1, a imagem de dano entre fileiras #2, uma imagem de ervas daninhas #1, uma imagem de ervas daninhas #2, uma imagem de ervas daninhas #2 e similares. Todas as imagens podem ser diferentes.
[00157] Assim, quando a imagem de entrada 1102 é submetida ao processo de classificação 1104, os classificadores são aplicados aos mosaicos de grade da imagem de entrada 1102 para determinar se a imagem 1102 coincide com qualquer um dos classificadores. A deci- são é referida como uma saída 1106 e pode incluir as informações de- talhadas sobre se a imagem 1 1 02 corresponde a qualquer um dos classificadores e, em caso afirmativo, se o classificador corresponden- te for a imagem de dano entre fileiras #1, a imagem de dano entre filei- ras #2, a imagem de ervas daninhas #1, a imagem de ervas daninhas
#2, a imagem de ervas daninhas #2 e similares.
8. Classificadores de Exemplo
[00158] Em uma modalidade, um estoque de 5.000 a 6.000 ima- gens foi obtido e classificado para treinar um modelo de aprendizado de máquina. Os rótulos de classificação podem incluir MILHO, IN- TERRROW DAMAGE, ESTRADA, SOLO, SOJA, ÁRVORES, ÁGUA, ERVAS, SOMBRA, CONSTRUÇÃO, mas outros rótulos também pode- riam ser usados em outras modalidades com base no conteúdo do es- toque de imagens.
[00159] Em uma modalidade, as imagens digitais capturadas a par- tir do equipamento aéreo são fornecidas de forma programática para um estágio de calibração no qual, por exemplo, os artefatos de ima- gem podem ser removidos, tamanhos de pixel normalizados e outro pré-processamento realizado. A seguir, as imagens podem ser dividi- das em grades de nível 1 que consistem em, por exemplo, mosaicos de 640 x 640 pixels cada. Cada mosaico pode ser uma matriz de vá- rios pixels de uma parte de uma imagem de origem. Em uma modali- dade, a seguir, uma pluralidade de vezes é selecionada para treina- mento ou validação. A grade de nível 2 pode ser aplicada com o uso de mosaicos de 64 x 64 pixels cada. Outras modalidades podem usar grades com diferentes dimensões de pixel.
[00160] Em uma modalidade, os mosaicos em grade de nível 2 são submetidos a rotulagem manual para solo, ervas daninhas, espaços entre as fileiras e outras características. Esses mosaicos rotulados, em seguida, treinam uma rede neural convolucional para a classificação ou são usados de outra forma para o desenvolvimento e a implemen- tação de modelo.
[00161] Depois disso, o modelo treinado pode ser usado para exe- cutar a classificação em outros arquivos de imagem digital bruta obtida a partir do equipamento aéreo ou outro equipamento, sozinha ou em combinação com dados de índice vegetativo, como dados NDVI. Quando uma combinação é usada, os dados de índice vegetativo para um campo específico são fundidos ou combinados com a saída de classificação para as imagens digitais do mesmo campo e são proces- sados de forma programática para gerar um mapa de anomalia do campo.
[00162] A figura 12 ilustra um exemplo de classificação de imagem para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina. Neste exemplo, uma imagem de entrada 1202 inclui uma grade de mosaicos e cada um deles representa milho, ou solo, ou ervas daninhas, ou assim por diante. A imagem 1202 é processada ao aplicar um conjunto de classificadores 1204 à imagem para determinar uma imagem de saída 1206. A imagem 1206 pode incluir a classificação de mosaico, e cada mosaico pode ter um identi- ficador de classificador associado que indica se o mosaico correspon- de à cultura ou a uma anomalia específica. Portanto, a imagem 1206 pode ser classificada como, por exemplo, milho, uma estrada, solo, ervas daninhas, árvores, água e similares. Os diferentes tipos de ano- malias são mostrados como o elemento 1204.
9. Classificação de Imagem de exemplo
[00163] A figura 13 ilustra um exemplo de classificação de imagem com o uso de uma abordagem de aprendizado de máquina para gerar um mapa de anomalias de campo com o uso de modelos de aprendi- zado de máquina. No exemplo mostrado, diferentes imagens de entra- da 1300 são transferidas em um processador de calibração e pré- processamento e, em seguida, as imagens calibradas e pré- processadas são submetidas, na etapa 1320, a um processo de classi- ficação com o uso de um modelo de aprendizado de máquina.
[00164] Por exemplo, as imagens 1302 a 1310 podem ser forneci- das a um sistema de calibração e pré-processamento 1320, e uma vez que as imagens são calibradas e pré-processadas, as imagens são classificadas com o uso da abordagem descrita nas figuras anteriores.
[00165] O modelo de aprendizado de máquina pode gerar a saída 1350 que inclui a imagem classificada. Na figura 13, as imagens digi- tais classificadas incluem um mapa de erva daninhas 1352, um mapa de solo descoberto 1354, um mapa de acamamento 1356 e o mapa de dano entre fileiras 1358. Outros mapas de anomalias também podem ser gerados. Os tipos diferentes de anomalias dependem de caracte- rísticas específicas do campo.
10. Configuração de Rede Neural de exemplo
[00166] A figura 14 ilustra um exemplo de uma configuração de re- de neural para gerar um mapa de anomalias de campo usando mode- los de aprendizado de máquina. No exemplo representado, um código de pseudo-máquina 1402 define uma organização de camadas, variá- veis de entrada, blocos e assim por diante, do modelo. O exemplo for- necido é usado apenas para fins ilustrativos e o conteúdo real da con- figuração da rede neural depende da implementação específica e das características do campo.
[00167] No exemplo representado, o código 1402 é organizado de tal forma que um cabeçalho 1404 inclui uma descrição da camada, o tipo da camada, a forma de saída e os números dos parâmetros. Por exemplo, uma das camadas pode ser uma camada de entrada 1406 que inclui diferentes parâmetros de forma como 64 por 64 e três, e o número de parâmetros aqui é zero.
[00168] Outro elemento da configuração de rede neural pode incluir um bloco 1408, e outro elemento pode incluir um bloco 1410. Depen- dendo da implementação, as configurações da rede neural podem ser diferentes para diferentes modelos e diferentes implementações.
[00169] Normalmente, a configuração da rede inclui um sumário, como um sumário 1420 que mostra a contagem total dos parâmetros.
A configuração também pode incluir uma contagem de parâmetro trei- nável 1422 e uma contagem de parâmetro não treinável 1424.
11. Fluxograma de exemplo para processar as imagens aéreas e de
UAV
[00170] A figura 15 ilustra um fluxograma de exemplo para proces- sar as imagens aéreas e de UAV para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina. As eta- pas descritas na figura 15 podem ser realizadas por um sistema de computação distribuído implementado em uma nuvem, ou em um ser- vidor, ou qualquer outro sistema de processamento configurado para coletar, processar e classificar as imagens.
[00171] Na etapa 1502, um processador recebe as imagens brutas aéreas/UAV para um campo. As imagens podem ser fornecidas por satélites, helicópteros, drones, ou quaisquer outros veículos aéreos configurados para coletar as imagens.
[00172] Na etapa 1504, o processador calibra, ajusta e/ou pré- processa as imagens. Como descrito antes, isso pode incluir ajustar as cores das imagens, ajustar a saturação de cor, ajustar a resolução, os formatos das imagens, realizar uma calibração gama, e qualquer outro tipo de processamento necessário para aprimorar a qualidade das imagens brutas.
[00173] Na etapa 1506, as imagens calibradas, ajustadas e pré- processadas são reunidas para criar um mapa no nível de campo. O ato de reunir normalmente inclui realizar a operação de reunir em cen- tenas e centenas de imagens para gerar uma grande ortomosaico. Es- sa imagem pode ser de tamanho substancial, uma vez que pode abranger uma grande área do solo.
[00174] Na etapa 1508, com base no mapa no nível de campo, o processador gera um mapa de grade. Gerar uma grade normalmente envolve dividir uma grande ortomosaico em uma grade de pequenas grades espaciais que, por exemplo, podem ser 64 por 64 pixels, e que estão, por exemplo, cobrindo regiões de 10 por 10 pés do campo. Es- ses números podem variar e podem depender da implementação.
[00175] Na etapa 1510, a grade é dividida em uma pluralidade de pequenos mosaicos, e cada mosaico, como mencionado acima, pode cobrir, por exemplo, uma área de 10 por 10 pés. Na etapa 1512, com o uso de um modelo de aprendizado de máquina, cada um dos peque- nos mosaicos da grade é classificado para determinar se o mosaico ilustra a área do campo que está coberta por algumas anomalias, co- mo ervas daninhas, água, solo descoberto, ou assim por diante. O processo de classificação pode ser realizado com base nos classifica- dores descritos acima.
[00176] Na etapa 1514, cada uma das imagens classificadas é pós- processada e isso pode incluir determinar a probabilidade de que a classificação estava correta e criar um ou mais mapas que mostram os mosaicos classificados. Por exemplo, como mostrado nas figuras ante- riores, as imagens classificadas podem ser usadas para gerar um ma- pa que mostra a localização das ervas daninhas no campo. As ima- gens classificadas também podem ser usadas para gerar outro mapa, e esse mapa pode mostrar apenas as áreas que são cobertas por solo descoberto. Ainda outro mapa pode ser gerado para mostrar apenas as áreas que são cobertas por árvores.
[00177] Na etapa 1516, com base na saída gerada pelo modelo de aprendizado de máquina, um processador gera um arquivo de forma. O arquivo de forma inclui coordenadas geográficas (valores de latitude e longitude) para realizar a referência dos mosaicos classificados ou regiões classificadas no campo. Por exemplo, se um mapa de ervas daninhas for determinado com base nas imagens classificadas, então, tal mapa ilustra a área que é coberta pelas ervas daninhas. Com base neste mapa, um arquivo de forma pode ser gerado. O arquivo de for-
ma pode fornecer ou incluir as coordenadas geográficas que criam um limite ou limites das áreas que são cobertas pelas ervas daninhas.
12. Fluxograma de exemplo para processar as imagens do solo
[00178] A figura 16 ilustra um fluxograma de exemplo para proces- sar as imagens do solo para gerar um mapa de anomalias de campo com o uso de modelos de aprendizado de máquina. As etapas descri- tas na figura 16 are usually performed by an on-ground system and may utilize advanced hardware technology, such as an TPU de borda. O sistema de processamento em solo pode ser implementado como um sistema distribuído, como um sistema na nuvem, um sistema virtu- al ou um conjunto de servidores autônomo.
[00179] Na etapa 1601, um processador recebe um arquivo de for- ma que inclui as coordenadas geográficas que fazem referência a dife- rentes áreas em um campo. Como descrito na figura 15, o arquivo de forma pode incluir, por exemplo, as coordenadas geográficas das regi- ões que são cobertas com ervas daninhas, ou o arquivo de forma pode incluir as coordenadas geográficas das regiões que são cobertas com árvores, e assim em diante.
[00180] Na modalidade alternativa, o arquivo de forma pode incluir os limites de todas as anomalias, independente do seu tipo. Por exemplo, o arquivo de forma pode incluir as coordenadas de regiões fechadas, e uma dessas regiões pode estar coberta por ervas dani- nhas, outra região pode estar coberta por solo descoberto, e assim em diante.
[00181] Na etapa 1602, o processador recebe as imagens brutas do solo para um campo. As imagens podem ser coletadas a partir de áreas definidas pelas coordenadas geográficas. Como descrito antes, o arquivo de forma pode ser enviado aos veículos terrestres, como co- lheitadeiras, tratores e similares. Em alternativa, ou além, o arquivo de forma pode ser enviado para controladores no solo e/ou câmeras que são conectadas a colunas físicas colocadas em todo campo. As câme- ras podem ser acionadas ou instruídas para capturar imagens de dife- rentes regiões. As instruções podem fornecer as coordenadas geográ- ficas das regiões específicas, e as coordenadas geográficas podem ser fornecidas no arquivo de forma. As imagens brutas do solo podem ser, por exemplo, coletadas por um trator à medida que o trator cruza o campo e segue os limites fornecidos em um arquivo de forma.
[00182] Na etapa 1604, o processador calibra, ajusta e pré- processa as imagens brutas. Isso pode incluir calibrar a cor, ajustar a cor e matiz, saturação, correção gama, alterar o formato das imagens, e assim em diante.
[00183] Na etapa 1606, as imagens calibradas, ajustadas e pré- processadas são reunidas para criar um grande mapa no nível de su- perfície. Um mapa de nível de superfície refere-se a uma pequena área retangular dentro do campo. As pequenas áreas podem ter, por exemplo, uma largura de fileira de 2 culturas e um comprimento de 20 pés de comprimento para cobrir, por exemplo, 0,002 acre. Em contras- te, um mapa de nível de campo refere-se a uma imagem que cobre um típico campo agrícola grande que tem, por exemplo, 40 a 100 acres.
[00184] Na etapa 1608, com base no mapa no nível de superfície, o processador gera a grade map. Devido ao fato de que a grade é gera- da em um nível de superfície, a grade pode não cobrir áreas menores que a grade gerada para imagens aéreas e de UAV. Por exemplo, pa- ra o processamento de formação de imagem do solo, o nível de super- fície pode ser gerado com base em cinco a oito imagens e elas são reunidas em uma imagem que cobre, por exemplo, 0,002 acre. Em contraste, no processamento de imagem aérea/UAV, a reunião incluiu combinar várias centenas de imagens em uma grande ortomosaico que cobre, por exemplo, hectares.
[00185] Na etapa 1610, o mapa é dividido em uma pluralidade de pequenos mosaicos de acordo com a grade.
[00186] Na etapa 1612, com o uso de um modelo de aprendizado de máquina, cada um dos pequenos mosaicos da grade é classificado. O processo de classificação foi descrito nos desenhos anteriores e po- de incluir corresponder a imagem do mosaico a uma imagem do clas- sificador. Pode haver um grande conjunto de diferentes classificado- res. Se uma correspondência for encontrada dentro de uma determi- nada probabilidade aceitável, então, o mosaico da grade é classificado com base na imagem de classificador de correspondência.
[00187] Na etapa 1614, cada uma das imagens classificadas é pós- processada para, por exemplo, corrigir ou preencher as informações ausentes e/ou corrigir a classificação se a probabilidade for muito bai- xa. Isso também pode incluir a reclassificação da imagem do bloco ou a realização da classificação novamente.
[00188] As imagens classificadas pós-processadas podem ser usa- das para gerar um mapa que mostra os mosaicos classificados. De forma similar, como no processamento de imagem aérea/UAV na eta- pa 1514 da figura 15, na etapa 1614 da figura 16, as imagens podem ser usadas para gerar mapas separados, onde cada mapa é para uma anomalia separada. Por exemplo, um mapa pode ser criado para uma anomalia que corresponde a ervas daninhas, outro mapa pode ser cri- ado para uma anomalia que corresponde a árvores, e assim em dian- te.
[00189] Uma diferença entre os mapas gerados na etapa 1614 da figura 16 e os mapas gerados na etapa 1514, na figura 15, é que os mapas gerados na etapa 1614 têm um maior nível de precisão e gra- nularidade e são para uma área menor que os mapas gerados na eta- pa 1514. Os mapas gerados na etapa 1614 são mais específicos e precisos do que os mapas que são gerados com base nas imagens de satélite e aéreas na etapa 1514 da figura 15.
[00190] Na etapa 1616, as imagens ou mapas classificados e pós- processados são armazenados em um banco de dados. Isso pode in- cluir o armazenamento de imagens em depósitos de dados em todo o mundo e/ou internacionais que podem ser compartilhados entre dife- rentes indústrias. As imagens também podem ser compartilhadas en- tre laboratórios de pesquisa e instituições. As imagens também podem ser compartilhadas entre produtores e agricultores, bem como indús- trias responsáveis pela fabricação de sementes, safras, fertilizantes e máquinas agrícolas.
13. Benefícios de certas Modalidades
[00191] As modalidades fornecem a capacidade de identificar e mapear anomalias específicas em um campo de cultivo com o uso de imagens de alto rendimento com cores comuns e sensores de imagem multiespectrais e mapear de forma oportuna as áreas de um campo com perda de rendimento por sensores de baixo custo em veículos terrestres. Na abordagem aqui proposta, o uso de sensores de baixo custo combinados com modelos de aprendizado de máquina fornece mapas de alta qualidade e alta precisão de várias fontes de anomalias que são escaláveis para um campo comercial típico.
[00192] As modalidades presumem que uma rede neural convoluci- onal foi treinada, usando um grande conjunto de imagens digitais de campos como um conjunto de treinamento, para identificar caracterís- ticas de imagens que são conhecidas por representar a cobertura da cultura, solo descoberto, danos à colheita e ervas daninhas. Os mode- los podem ser treinados por meio de imagens que mostram colheitas, solo descoberto, colheitas danificadas e ervas daninhas, em propor- ções variáveis, com rotulagem manual do significado da imagem.

Claims (20)

REIVINDICAÇÕES
1. Método implementado por computador para gerar um mapa aprimorado de anomalias de campo com o uso de imagens digi- tais e modelos de aprendizado de máquina, caracterizado pelo fato de que compreende: obter um arquivo de forma que define os limites de uma su- perfície agrícola; obter uma pluralidade de imagens de superfície de um ou mais dispositivos de captura de imagem que estão localizados dentro dos limites da superfície agrícola; calibrar e pré-processar a pluralidade de imagens de super- fície para criar a mapa de superfície da superfície agrícola em um nível de superfície; com base no mapa de superfície da superfície agrícola, ge- rar um grade de superfície; com base na grade de superfície e no mapa de superfície, gerar uma pluralidade de mosaicos de superfície; com base na pluralidade de mosaicos de superfície, gerar, com o uso de um primeiro modelo de aprendizado de máquina e uma pluralidade de primeiro classificador de imagem que corresponde a uma ou mais da primeira anomalia, um conjunto de imagens de super- fície classificadas que mostram pelo menos uma anomalia; com base no conjunto de imagens de superfície classifica- das, gerar um mapa de anomalia de superfície para a superfície agrí- cola; transmitir o mapa de anomalia de superfície a um ou mais controladores que controlam uma ou mais máquinas agrícolas para realizar as funções agrícolas sobre a superfície agrícola.
2. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que o arquivo de forma é gerado ao: obter uma pluralidade de imagens aéreas de um campo agrícola; calibrar e pré-processar a pluralidade de imagens aéreas para criar um mapa de campo do campo agrícola em um nível de campo; com base no mapa de campo do campo agrícola, gerar uma grade de campo; com base na grade de campo e no mapa de campo, gerar uma pluralidade de mosaicos de campo; com base na pluralidade de mosaicos de campo, gerar, com o uso de um segundo modelo de aprendizado de máquina e uma pluralidade do segundo classificador de imagem que corresponde a uma ou mais da segunda anomalia, um conjunto de imagens de cam- po classificadas que mostra pelo menos uma anomalia; com base no conjunto de imagens de campo classificadas, gerar um mapa de anomalia de campo para o campo agrícola; com base no mapa de anomalia de campo, gerar os limites para a superfície agrícola.
3. Método implementado por computador, de acordo com a reivindicação 2, caracterizado pelo fato de que a superfície agrícola é uma parte do campo agrícola.
4. Método implementado por computador, de acordo com a reivindicação 2, caracterizado pelo fato de que o mapa de anomalia de superfície tem um nível mais alto de detalhes que o mapa de anomalia de campo; em que a pluralidade de primeiro classificador de imagem tem um nível mais alto de detalhes que a pluralidade de segundo clas- sificador de imagem; em que a pluralidade de primeiro classificador de imagem includes dois ou mais de: um ou mais classificadores de imagem entre fileiras, um ou mais classificadores de imagem de erva daninha, um ou mais classificadores de solo descoberto, um ou mais classificadores de acamamento, ou um ou mais classificadores de água parada; em que uma ou mais da primeira anomalia têm um nível mais alto de detalhes que uma ou mais da segunda anomalia.
5. Método implementado por computador, de acordo com a reivindicação 2, caracterizado pelo fato de que o arquivo de forma é usado para controlar um ou mais dispositivos de captura de imagem configurados para capturar uma ou mais imagens de superfície da su- perfície agrícola definida pelos limites.
6. Método implementado por computador, de acordo com a reivindicação 2, caracterizado pelo fato de que a pluralidade de ima- gens de superfície é capturada por um ou mais dispositivos de captura de imagem uma vez que um ou mais dispositivos de captura de ima- gem são controlados com base nos conteúdos do arquivo de forma que especifica os limites da superfície agrícola.
7. Método implementado por computador, de acordo com a reivindicação 2, caracterizado pelo fato de que um ou mais dispositivos de captura de imagem são instalados em qualquer um de: equipamen- to agrícola em movimento, equipamento agrícola estacionário, colunas estacionárias, estruturas estacionárias, dispositivos portáteis ou dispo- sitivos móveis.
8. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que a calibração e o pré- processamento da pluralidade de imagens de superfície para criar o mapa de superfície da superfície agrícola no nível de superfície com- preendem realizar um ou mais de: calibrar a pluralidade de imagens de superfície, reunir a pluralidade de imagens de superfície no nível de superfície para criar o mapa de superfície, ou corrigir uma ou mais co-
res mostradas em uma pluralidade de imagens de superfície.
9. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que a calibração e o pré- processamento da pluralidade de imagens de superfície para criar o mapa de superfície da superfície agrícola no nível de superfície são realizados por uma unidade de processamento de tensor de borda (TPU de borda).
10. Método implementado por computador, de acordo com a reivindicação 1, caracterizado pelo fato de que o mapa de anomalia de superfície para a superfície agrícola compreende um ou mais ma- pas de anomalia específica, cada mapa de anomalia específica que mostra uma anomalia específica identificada para a superfície agrícola.
11. Meios de armazenamento não transitórios, caracteriza- dos pelo fato de que armazenam as instruções que, quando executa- das por um ou mais dispositivos de computação, fazem com que um ou mais dispositivos de computação: obtenham um arquivo de forma que define os limites de uma superfície agrícola; obtenham uma pluralidade de imagens de superfície de um ou mais dispositivos de captura de imagem que estão localizados den- tro dos limites da superfície agrícola; calibrem e pré-processem a pluralidade de imagens de su- perfície para criar um mapa de superfície da superfície agrícola em um nível de superfície; com base no mapa de superfície da superfície agrícola, ge- rem a grade de superfície; com base na grade de superfície e no mapa de superfície, gerem uma pluralidade de mosaicos de superfície; com base na pluralidade de mosaicos de superfície, gerem, com o uso de um primeiro modelo de aprendizado de máquina e uma pluralidade do primeiro classificador de imagem que corresponde a uma ou mais da primeira anomalia, um conjunto de imagens de super- fície classificadas que mostra pelo menos uma anomalia; com base no conjunto de imagens de superfície classifica- das, gerem um mapa de anomalia de superfície para a superfície agrí- cola; transmitam o mapa de anomalia de superfície a um ou mais controladores que controlam uma ou mais máquinas agrícolas para realizar as funções agrícolas na superfície agrícola.
12. Meios de armazenamento não transitório, de acordo com a reivindicação 11, caracterizados pelo fato de que armazenam as instruções adicionais que, quando executadas por um ou mais dis- positivos de computação, fazem com que um ou mais dispositivos de computação: obtenham uma pluralidade de imagens aéreas de um cam- po agrícola; calibrem e pré-processem a pluralidade de imagens aéreas para criar um mapa de campo do campo agrícola em um nível de campo; com base no mapa de campo do campo agrícola, gerem a grade de campo; com base na grade de campo e no mapa de campo, gerem uma pluralidade de mosaicos de campo; com base em uma pluralidade de mosaicos de campo, ge- rem, com o uso de um segundo modelo de aprendizado de máquina e uma pluralidade do segundo classificador de imagem que corresponde a um ou mais da segunda anomalia, um conjunto de imagens de cam- po classificadas que mostra pelo menos uma anomalia; com base no conjunto de imagens de campo classificadas, gerem um mapa de anomalia de campo para o campo agrícola;
com base no mapa de anomalia de campo, gerem os limi- tes para a superfície agrícola.
13. Meios de armazenamento não transitórios, de acordo com a reivindicação 12, caracterizados pelo fato de que a superfície agrícola é uma parte do campo agrícola.
14. Meios de armazenamento não transitórios, de acordo com a reivindicação 12, caracterizados pelo fato de que o mapa de anomalia de superfície tem um nível mais alto de detalhes que o mapa de anomalia de campo; em que a pluralidade de primeiro classificador de imagem tem um nível mais alto de detalhes que a pluralidade de segundo clas- sificador de imagem; em que a pluralidade de primeiro classificador de imagem includes dois ou mais de: um ou mais classificadores de imagem entre fileiras, um ou mais classificadores de imagem de erva daninha, um ou mais classificadores de solo descoberto, um ou mais classificadores de acamamento, ou um ou mais classificadores de água parada; em que uma ou mais da primeira anomalia têm um nível mais alto de detalhes que uma ou mais da segunda anomalia.
15. Meios de armazenamento não transitórios, de acordo com a reivindicação 12, caracterizados pelo fato de que o arquivo de forma é usado para controlar um ou mais dispositivos de captura de imagem configurados para capturar uma ou mais imagens de superfí- cie da superfície agrícola definida pelos limites.
16. Meios de armazenamento não transitórios, de acordo com a reivindicação 12, caracterizados pelo fato de que a pluralidade de imagens de superfície é capturada por um ou mais dispositivos de captura de imagem uma vez que um ou mais dispositivos de captura de imagem são controlados com base nos conteúdos do arquivo de forma que especificam os limites da superfície agrícola.
17. Meios de armazenamento não transitórios, de acordo com a reivindicação 12, caracterizados pelo fato de que um ou mais dispositivos de captura de imagem são instalados em qualquer um de: equipamento agrícola em movimento, equipamento agrícola estacioná- rio, colunas estacionárias, estruturas estacionárias, dispositivos portá- teis ou dispositivos móveis.
18. Meios de armazenamento não transitórios, de acordo com a reivindicação 11, caracterizados pelo fato de que a calibração e o pré-processamento da pluralidade de imagens de superfície para criar o mapa de superfície da superfície agrícola no nível de superfície compreende realizar um ou mais de: calibrar a pluralidade de imagens de superfície, reunir a pluralidade de imagens de superfície no nível de superfície para criar o mapa de superfície, ou corrigir um ou mais co- res mostradas na pluralidade de imagens de superfície.
19. Meios de armazenamento não transitórios, de acordo com a reivindicação 11, caracterizados pelo fato de que a calibração e o pré-processamento da pluralidade de imagens de superfície para criar o mapa de superfície da superfície agrícola no nível de superfície são realizados por uma unidade de processamento de tensor de borda (TPU de borda).
20. Meios de armazenamento não transitórios, de acordo com a reivindicação 11, caracterizados pelo fato de que o mapa de anomalia de superfície para a superfície agrícola compreende um ou mais mapas de anomalia específica, cada mapa de anomalia específi- ca que mostra uma anomalia específica identificada para a superfície agrícola.
BR112021009659-0A 2018-12-10 2019-12-09 mapeamento de anomalias de campo com o uso de imagens digitais e modelos de aprendizado de máquina. BR112021009659A2 (pt)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862777748P 2018-12-10 2018-12-10
US62/777,748 2018-12-10
US16/707,355 US12008744B2 (en) 2018-12-10 2019-12-09 Mapping field anomalies using digital images and machine learning models
US16/707,355 2019-12-09
PCT/US2019/065270 WO2020123402A1 (en) 2018-12-10 2019-12-09 Mapping field anomalies using digital images and machine learning models

Publications (1)

Publication Number Publication Date
BR112021009659A2 true BR112021009659A2 (pt) 2021-08-17

Family

ID=71072787

Family Applications (1)

Application Number Title Priority Date Filing Date
BR112021009659-0A BR112021009659A2 (pt) 2018-12-10 2019-12-09 mapeamento de anomalias de campo com o uso de imagens digitais e modelos de aprendizado de máquina.

Country Status (10)

Country Link
US (1) US12008744B2 (pt)
EP (1) EP3894851A4 (pt)
JP (1) JP7423631B2 (pt)
CN (1) CN113167779A (pt)
AR (1) AR117293A1 (pt)
AU (1) AU2019398116A1 (pt)
BR (1) BR112021009659A2 (pt)
CA (1) CA3119812A1 (pt)
MX (1) MX2021006830A (pt)
WO (1) WO2020123402A1 (pt)

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2653578C1 (ru) * 2017-06-08 2018-05-11 Акционерное общество "ЛИМАКО" Радиолокационный уровнемер для измерения объема сыпучих продуктов в резервуарах
US11432483B2 (en) * 2018-02-08 2022-09-06 Lindsay Corporation System and method for calibrating an irrigation system
EP3820267A4 (en) 2018-07-11 2022-04-20 Raven Industries, INC. CALIBRATION OF A COMPUTER VIEWING SYSTEM FOR CROP ROWS
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11957072B2 (en) * 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11334986B2 (en) * 2019-01-30 2022-05-17 Purdue Research Foundation System and method for processing images of agricultural fields for remote phenotype measurement
US10887862B2 (en) * 2019-02-12 2021-01-05 Commscope Technologies Llc Location determination in a cloud radio access network utilizing image data
EP3924874B1 (en) * 2019-02-15 2024-01-24 Tata Consultancy Services Limited System and method for computing burning index score pertaining to crops
US11417090B2 (en) * 2019-02-18 2022-08-16 Nec Corporation Background suppression for anomaly detection
CN109871828B (zh) * 2019-03-15 2022-12-02 京东方科技集团股份有限公司 视频识别方法和识别装置、存储介质
US11275973B2 (en) * 2019-04-15 2022-03-15 Noblis, Inc. Adapting pre-trained classification algorithms
US11212954B2 (en) * 2019-05-08 2022-01-04 Deere & Company Apparatus and methods for field operations based on historical field operation data
EP4072940A4 (en) 2019-12-11 2024-01-03 Climate LLC HIGHLY SENSITIVE AGRICULTURE SYSTEMS WITH EXTRAORDINARY OPTIMIZATION IN SEASON
US20210185882A1 (en) * 2019-12-23 2021-06-24 Ag Leader Technology Use Of Aerial Imagery For Vehicle Path Guidance And Associated Devices, Systems, And Methods
US20210153500A1 (en) * 2020-01-31 2021-05-27 Pratum Co-op Plant treatment techniques
US11495016B2 (en) * 2020-03-11 2022-11-08 Aerobotics (Pty) Ltd Systems and methods for predicting crop size and yield
AU2021307942A1 (en) * 2020-07-16 2023-02-09 Climate Llc Predicting horticultural yield for a field location using multi-band aerial imagery
JP7500060B2 (ja) 2020-08-03 2024-06-17 国立研究開発法人農業・食品産業技術総合研究機構 マップ生成装置、マップ生成方法、マップ生成プログラム、学習済みモデルの生成方法および学習済みモデル生成装置
US20220107297A1 (en) * 2020-10-02 2022-04-07 Ecoation Innovative Solutions Inc. Platform for real-time identification and resolution of spatial production anomalies in agriculture
US11845449B2 (en) * 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11874669B2 (en) * 2020-10-09 2024-01-16 Deere & Company Map generation and control system
JP2023553443A (ja) * 2020-12-10 2023-12-21 キヤノンバージニア， インコーポレイテッド 植物検出及び表示システム
US11703351B2 (en) * 2020-12-22 2023-07-18 Mineral Earth Sciences Llc Generating a local mapping of an agricultural field for use in performance of agricultural operation(s)
CN112712038B (zh) * 2020-12-31 2024-05-28 武汉珈和科技有限公司 基于多光谱卫星影像监测小麦倒伏状况的方法及系统
US20220270249A1 (en) * 2021-02-19 2022-08-25 Intelinair, Inc. Nutrient deficiency detection and forecasting system
GB2604130A (en) * 2021-02-25 2022-08-31 Pci Tech Investments Ltd Systems and methods for smart farming
CN113159125B (zh) * 2021-03-16 2024-04-05 北京农业智能装备技术研究中心 一种施药方法及系统
US11934489B2 (en) * 2021-05-31 2024-03-19 Cibo Technologies, Inc. Method and apparatus for employing deep learning to infer implementation of regenerative irrigation practices
US11880430B2 (en) 2021-05-31 2024-01-23 Cibo Technologies, Inc. Method and apparatus for employing deep learning neural network to predict management zones
US20220392056A1 (en) * 2021-06-04 2022-12-08 Dell Products L.P. Hybrid deep learning for anomaly detection
CN113391596A (zh) * 2021-06-11 2021-09-14 赤峰山金红岭有色矿业有限责任公司 皮带矿粉泄露检测方法、系统、终端及存储介质
US20230040430A1 (en) * 2021-08-06 2023-02-09 Blue River Technology Inc. Detecting untraversable soil for farming machine
WO2023022587A1 (en) * 2021-08-17 2023-02-23 Petroliam Nasional Berhad (Petronas) Geographic data processing methods and systems for assessing geohazard risk
US11960864B2 (en) * 2021-09-27 2024-04-16 Microsoft Technology Licensing, Llc. Creating applications and templates based on different types of input content
DE102021210960A1 (de) * 2021-09-30 2023-03-30 Robert Bosch Gesellschaft mit beschränkter Haftung Vegetationsüberwachungsvorrichtung, Vegetationsüberwachungssystem mit der Vegetationsüberwachungsvorrichtung und Verfahren zur Überwachung einer Vegetationsgesundheit in einem Garten
CN113984772A (zh) * 2021-10-25 2022-01-28 浙江大学 基于多源数据融合的作物病害信息检测方法、系统及装置
CA3237567A1 (en) * 2021-11-08 2023-05-11 Bayer Aktiengesellschaft Method and system for collecting data on a field used for agriculture
CN114417955B (zh) * 2021-12-02 2023-10-31 国网浙江省电力有限公司 适用乡村的电力指数画像实时生成方法、装置及存储介质
CN114462623B (zh) * 2022-02-10 2023-05-26 电子科技大学 基于边缘计算的数据分析方法、系统及平台
CN114331914B (zh) * 2022-03-07 2022-05-24 中咨数据有限公司 一种图像快速校准与实时渲染方法、系统、介质及移动端
WO2023168506A1 (pt) * 2022-03-11 2023-09-14 Fundação Universidade Federal De São Carlos Método e sistema de análise e processamento de imagens para estimativa de cobertura vegetal por meio de software em aprendizagem de máquina
EP4245133A1 (en) * 2022-03-16 2023-09-20 Digitanimal, S.L. Characterization of pasture for improved and sustainable grazing and feeding management of livestock
US20230364796A1 (en) * 2022-05-10 2023-11-16 Mineral Earth Sciences Llc Adaptive scouting using multi-legged robots
CN114839540B (zh) * 2022-05-17 2024-05-31 西安交通大学 一种基于深度学习算法的锂离子电池剩余寿命在线预测方法
JP2023176173A (ja) * 2022-05-31 2023-12-13 株式会社ポーラスター・スペース 方法、プログラム及び情報処理装置
CN115290053B (zh) * 2022-10-09 2022-12-16 南通钰昇智能科技有限公司 一种高层建筑施工建设异常快速检测方法
WO2024102112A1 (en) * 2022-10-27 2024-05-16 Hitachi Vantara Llc Pixel based visual anomaly detection with distributed computing for industrial solution
CN117128947A (zh) * 2023-03-13 2023-11-28 荣耀终端有限公司 栅格地图的生成方法和服务器
CN116645618B (zh) * 2023-06-05 2023-12-08 广东省农业科学院设施农业研究所 农业数据处理方法、系统和存储介质
CN116758106B (zh) * 2023-07-13 2024-02-27 江苏中天吉奥信息技术股份有限公司 基于无人机的水流登记单元界线核实方法
CN116756604B (zh) * 2023-08-18 2023-10-27 青岛农业大学 用于夏花生精量播种的智能调控系统

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5764819A (en) * 1991-10-18 1998-06-09 Dekalb Genetics Corporation Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology
US5467271A (en) * 1993-12-17 1995-11-14 Trw, Inc. Mapping and analysis system for precision farming applications
US6529615B2 (en) * 1997-10-10 2003-03-04 Case Corporation Method of determining and treating the health of a crop
JP2000194833A (ja) 1998-12-28 2000-07-14 Hitachi Ltd 観測衛星を利用した地域管理システム，地域管理方法と農業育成管理システム及び観測衛星運用システム
US6366681B1 (en) * 1999-04-07 2002-04-02 Space Imaging, Lp Analysis of multi-spectral data for extraction of chlorophyll content
JP2011254711A (ja) 2010-06-05 2011-12-22 Zukosha:Kk 施肥マップ生成システム，その方法，産業用ヘリコプタ，サーバ，可変施肥機
JP6069882B2 (ja) 2012-04-27 2017-02-01 三菱電機株式会社 農業用管理システム
US20150254800A1 (en) * 2014-03-06 2015-09-10 F12 Solutions, Llc Nitrogen status determination in growing crops
US9489576B2 (en) 2014-03-26 2016-11-08 F12 Solutions, LLC. Crop stand analysis
US9401030B2 (en) 2014-04-25 2016-07-26 Tazco Soil Service Co. Image processing system for soil characterization
US9996976B2 (en) * 2014-05-05 2018-06-12 Avigilon Fortress Corporation System and method for real-time overlay of map features onto a video feed
US9978013B2 (en) * 2014-07-16 2018-05-22 Deep Learning Analytics, LLC Systems and methods for recognizing objects in radar imagery
CN104134234B (zh) 2014-07-16 2017-07-25 中国科学技术大学 一种全自动的基于单幅图像的三维场景构建方法
CA2957081A1 (en) * 2014-08-22 2016-02-25 The Climate Corporation Methods for agronomic and agricultural monitoring using unmanned aerial systems
US9734400B2 (en) * 2015-01-30 2017-08-15 AgriSight, Inc. System and method for field variance determination
EP3276544A1 (en) * 2016-07-29 2018-01-31 Accenture Global Solutions Limited Precision agriculture system
UA126111C2 (uk) * 2015-06-30 2022-08-17 Зе Клаймат Корпорейшн Системи та методи для фіксування зображення та аналізу сільськогосподарських полів
CN107835997B (zh) * 2015-08-06 2021-07-30 埃森哲环球服务有限公司 使用计算机视觉的用于电力线走廊监测的植被管理
CN107735794B (zh) * 2015-08-06 2021-06-04 埃森哲环球服务有限公司 使用图像处理的状况检测
US9983774B2 (en) 2015-12-21 2018-05-29 Tibco Software Inc. Authoring and consuming offline an interactive data analysis document
US10120543B2 (en) * 2016-02-09 2018-11-06 Deere & Company Plant emergence system
DE102016118227A1 (de) * 2016-09-27 2018-03-29 Claas Selbstfahrende Erntemaschinen Gmbh Bildanlysesystem für landwirtschaftliche Arbeitsmaschinen
US10255670B1 (en) * 2017-01-08 2019-04-09 Dolly Y. Wu PLLC Image sensor and module for agricultural crop improvement
US10248663B1 (en) * 2017-03-03 2019-04-02 Descartes Labs, Inc. Geo-visual search
JP7099723B2 (ja) 2017-03-29 2022-07-12 日本電気株式会社 圃場管理装置、圃場管理方法、及びプログラム
US10748081B2 (en) * 2017-05-12 2020-08-18 Harris Lee Cohen Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that identifies generic anomalies in crops
US20180349520A1 (en) * 2017-06-01 2018-12-06 Pioneer Hi-Bred International, Inc. Methods for agricultural land improvement
CN107622281B (zh) 2017-09-20 2021-02-05 Oppo广东移动通信有限公司 图像分类方法、装置、存储介质及移动终端
EP3503025B1 (en) * 2017-12-19 2021-11-10 Accenture Global Solutions Limited Utilizing artificial intelligence with captured images to detect agricultural failure
CN108932742B (zh) * 2018-07-10 2022-09-09 北京航空航天大学 一种基于遥感图像分类的大规模红外地形场景实时渲染方法

Also Published As

Publication number Publication date
CA3119812A1 (en) 2020-06-18
AU2019398116A1 (en) 2021-07-08
JP2022510487A (ja) 2022-01-26
MX2021006830A (es) 2021-07-02
EP3894851A1 (en) 2021-10-20
US12008744B2 (en) 2024-06-11
JP7423631B2 (ja) 2024-01-29
US20200193589A1 (en) 2020-06-18
CN113167779A (zh) 2021-07-23
AR117293A1 (es) 2021-07-28
WO2020123402A1 (en) 2020-06-18
EP3894851A4 (en) 2022-10-19

Similar Documents

Publication Publication Date Title
US12008744B2 (en) Mapping field anomalies using digital images and machine learning models
US11856881B2 (en) Detection of plant diseases with multi-stage, multi-scale deep learning
US10761075B2 (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
BR112020004115A2 (pt) meio de armazenamento não transitório, método implementado por computador de reconhecimento de doença em tempo real em um campo de cultura e método implementado por computador de determinação de um número de grãos a partir de uma imagem de um milho
BR112021010122A2 (pt) Previsão de produção a nível de campo durante estação
BR112019002436B1 (pt) Método e sistema para estimar conteúdo de nitrogênio utilizando imagens hiperespectrais e multiespectrais e um ou mais meios de armazenamento legíveis por computador não transitórios
BR112017026437B1 (pt) Sistema de computador e método implantado por computador para monitorar operações de um ou mais campos
BR112018007672B1 (pt) Método implementado por computador para determinar e apresentar uma recomendação de taxa de semeadura melhorada e aparelho correlato
BR112021001667A2 (pt) previsão automática de rendimentos e recomendação de taxas de semeadura com base em dados meteorológicos
US11900671B2 (en) Predicting horticultural yield for a field location using multi-band aerial imagery
BR112021002525A2 (pt) aprimoramento de modelos de nutrientes digitais usando valores espacialmente distribuídos exclusivos para um campo agronômico
BR112021010533A2 (pt) Geração de script preditivo para grãos de soja
BR112021010115A2 (pt) Utilizando modelos estatísticos espaciais para implementar ensaios agronômicos
US11805321B2 (en) System and method for automatic control of exposure time in an imaging instrument
BR112021006966A2 (pt) sistema automático de coleta e rastreamento de amostra
BR112017028605B1 (pt) Sistema e método para monitorar operações de campo, e meio de armazenamento não transitório

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)