Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 20750
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Econômicas: ODS9 |
| Setor | Departamento de Informática |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Não |
| Primeiro autor | Lucas Alves Rezende Machado da Silva |
| Orientador | THIAGO LUANGE GOMES |
| Outros membros | MICHEL MELO DA SILVA |
| Título | Segmentação semântica de ambientes rurais utilizando dados sintéticos de voos de drones |
| Resumo | O uso de Veículos Aéreos Não Tripulados (VANTs) tem se expandido rapidamente na agricultura, especialmente no monitoramento de grandes áreas rurais. Essa tecnologia permite a captura eficiente de imagens aéreas de alta resolução, que podem ser utilizadas para tarefas como mapeamento de cultivos, detecção de pragas e análise da saúde da vegetação. Diante desse crescimento, torna-se essencial desenvolver modelos de Inteligência Artificial capazes de interpretar automaticamente essas imagens, extraindo informações relevantes para a tomada de decisões no campo. Entre essas tarefas, a segmentação semântica, que classifica cada pixel da imagem de acordo com sua categoria, é uma das mais relevantes e desafiadoras. No entanto, o treinamento eficaz de modelos de segmentação semântica, como redes neurais convolucionais, requerem grandes volumes de imagens rotuladas, algo raro no contexto agrícola devido ao alto custo e à dificuldade de anotação especializada. Para superar esse obstáculo, investigamos o uso de dados sintéticos como alternativa viável para o pré-treinamento e treinamento supervisionado desses modelos. Neste trabalho, adotamos como base a metodologia proposta em “Photo-Realistic and Labeled Synthetic UAV Flight Data Generation Using ROS and Gazebo”, que utiliza dados geoespaciais reais da Suíça (ortofotos e nuvens de pontos LiDAR) para gerar ambientes virtuais fotorrealistas. Neles, VANTs simulados realizam voos autônomos capturando imagens RGB, mapas de profundidade e rótulos semânticos. O sistema é desenvolvido nas plataformas ROS e Gazebo, que oferecem controle completo sobre os sensores, modelos de voo e coleta de dados. A essa metodologia foram adicionadas duas extensões. Primeiro, implementamos a composição de múltiplos blocos geográficos em um único ambiente virtual contínuo, aumentando a área simulada e permitindo voos mais longos e diversos. Segundo, inserimos objetos 3D adicionais, como bois e vacas, com posicionamento automático baseado nas coordenadas e na inclinação do terreno, o que confere maior realismo e riqueza semântica às cenas. Essas melhorias geram imagens mais representativas das condições reais observadas em propriedades rurais, incluindo variações topográficas, vegetação e presença de animais. Com esse novo conjunto de dados, treinamos redes neurais convolucionais para a tarefa de segmentação semântica. Os resultados obtidos indicam que os dados sintéticos propostos são eficazes na melhoria do desempenho dos modelos, aproximando o domínio simulado do real. Assim, este trabalho propõe uma abordagem prática e escalável para gerar bases de dados sintéticas voltadas à agricultura de precisão, oferecendo suporte ao avanço de soluções baseadas em visão computacional no setor agropecuário. Além disso, a metodologia proposta é flexível e pode ser adaptada a diferentes regiões e cenários agrícolas, possibilitando futuras pesquisas com simulações personalizadas. |
| Palavras-chave | Veículos Aéreos Não Tripulados (VANTs), segmentação semântica, dados sintéticos |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|