Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 20562
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Dimensões Econômicas: ODS9 |
| Setor | Departamento de Engenharia Florestal |
| Bolsa | CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Jose Roberto Martins Costa Junior |
| Orientador | ALEXANDRE SIMOES LORENZON |
| Outros membros | ERNANI LOPES POSSATO, HUGO NEVES DE OLIVEIRA, MARCOS HENRIQUE FONSECA RIBEIRO |
| Título | Segmentação de imagem aplicada na identificação de resíduos madeireiros |
| Resumo | A colheita florestal é uma atividade com elevados custos, que abrange etapas que vão desde a derrubada das árvores até a entrega da madeira nas fábricas. Um desafio nesse processo é a quantidade residual comercial deixada no campo após a colheita. Esse excedente, geralmente classificado como resíduo florestal lenhoso, representa um desperdício de matéria-prima, o que implica em perdas econômicas para o setor. Nesse contexto, mapear e quantificar esses resíduos tornam-se fundamentais para o controle de qualidade das operações. Diante da ampla escala das áreas de colheita e das limitações associadas ao levantamento manual, os avanços tecnológicos têm impulsionado o uso de técnicas computacionais como alternativa eficiente para essa tarefa. Desta forma, este trabalho tem como objetivo desenvolver um guia procedural baseado em inteligência artificial e sensoriamento remoto para a identificação e quantificação de resíduos lenhosos pós-colheita florestal. A partir de um de imagens RGB, obtidas por meio de drones em áreas pós-colheita, desenvolveu-se um fluxo metodológico fundamentado no uso de um Vision Transformer (ViT) como codificador para extração de características de alto nível, e uma rede convolucional (CNN) como decodificadora para a geração de imagens segmentadas. Na etapa de implementação, foi testada a arquitetura Prithvi como encoder e a U‑Net como decoder, alcançando acurácia entre 60% e 65% na segmentação de resíduos, em contraste com cerca de 20% obtidos por técnicas clássicas de processamento digital de imagens (PDI). Esses resultados preliminares indicam ganho significativo de desempenho, demonstrando a viabilidade da abordagem baseada em deep learning para essa aplicação. Como conclusão parcial, verifica‐se que a combinação ViT+CNN supera amplamente o PDI convencional, mas ainda requer ajustes de hiperparâmetros, aumento da base de imagens anotadas e a realização de testes baseados na incorporação de bandas espectrais adicionais visando otimizar a sensibilidade a diferentes tipos de resíduo. Para os próximos passos, estão previstos a avaliação de capacidade de generalização do modelo e a elaboração de um protocolo de uso, visando a consolidação de uma ferramenta automatizada de apoio à tomada de decisão. O objetivo é que essa ferramenta contribua para a redução de desperdícios e o aprimoramento da sustentabilidade das operações da colheita. |
| Palavras-chave | Inteligência artificial, Plantio florestal, Floresta de precisão |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|