Adriano Soares de Oliveira Bailão

O monitoramento autônomo de rebanhos bovinos representa um desafio na Pecuária de Precisão, especialmente devido às variações de iluminação, oclusões dinâmicas e similaridade morfológica entre as categorias animais. Este estudo propõe a implementação de um sistema de visão computacional baseado na arquitetura YOLOv8s para a detecção e classificação biométrica simultânea de touros, vacas e bezerros em condições de campo aberto. O modelo foi treinado com um conjunto de dados anotado e particionado, submetido a técnicas de aumentação de dados para mitigar vieses de fundo. Os resultados indicaram eficácia discriminativa, alcançando Precisão global de 86,52%, Revocação de 81,67%, F1-Score de 84,02% e mAP@50 de 85,52%. A análise da matriz de confusão apontou desafios residuais na classificação de bezerros devido à entropia visual do pasto, enquanto as curvas de otimização confirmaram a convergência do modelo. Conclui-se que a arquitetura oferece robustez analítica para telemetria populacional, viabilizando intervenções zootécnicas e a futura integração com tecnologias de Edge Computing e Internet das Coisas (IoT). Complementarmente, o modelo treinado foi operacionalizado por meio de uma aplicação web denominada CattleVision, construída com o microframework Flask, que disponibiliza um módulo de classificação de imagens e de exportação de laudos em PDF, aproximando a solução do uso prático em ambientes de produção.

A programação matemática de fazenda inteira constitui uma abordagem consolidada para apoiar a alocação de recursos agrícolas, mas sua aplicação prática ainda é limitada pela distância entre modelos, dados de campo e usuários. Este estudo apresenta o AgroMPMAS-IoT v2, evolução do AgroMPMAS v1, registrado institucionalmente no IF Goiano, como uma plataforma web de código aberto que integra sensores IoT, aquisição automática, otimização por programação inteira mista, camada inteligente baseada em regras, atuadores e painel de acompanhamento. A solução foi implementada em PHP 8.3, com persistência em XML, solvers GLPK/CBC e firmware ESP32. A contribuição metodológica central consiste em representar a irrigação de precisão como benefício endógeno associado à adoção conjunta de sensoriamento e tecnologia de irrigação. Desse modo, o sensor deixa de ser apenas um custo e passa a influenciar a decisão ótima por meio da economia de água. A avaliação foi conduzida em experimento controlado de uma propriedade-exemplo com 10 ha, duas culturas, oferta hídrica limitada e série de umidade do solo em queda. Com o acoplamento ativado, o lucro ótimo aumentou de R$ 32.224,50 para R$ 34.396,20 (+6,7%), o uso de água diminuiu de 40,00 para 32,11 unidades (-19,7%) e a área cultivada retornou de 9,34 para 10,00 ha. Os resultados demonstram que a integração entre telemetria e otimização modifica a decisão de investimento, o plano produtivo e a ordem de atuação, ampliando a utilidade da modelagem de fazenda inteira para sistemas de apoio à decisão em agricultura de precisão.

A identificação automática de jabutis em imagens é fundamental para monitoramento ambiental e conservação da biodiversidade, uma vez que esses animais desempenham papel ecológico essencial na dispersão de sementes e no equilíbrio dos ecossistemas. No entanto, sua classificação manual é um processo trabalhoso e requer a atuação de especialistas, devido à semelhança morfológica entre espécies e à influência de fatores externos, como o ambiente e posição nas imagens. Este trabalho avaliou diversas versões da arquitetura YOLO (v8 a v12) para detecção de jabutis piranga e tinga, utilizando técnicas de aprendizado profundo e data augmentation para melhorar a robustez dos modelos. Foram realizados treinamentos extensivos, com análise comparativa de desempenho baseada nas métricas de precisão, recall e F1-score, além da avaliação do tempo computacional para cada versão. Os resultados demonstraram que as versões mais recentes alcançaram melhor equilíbrio entre acurácia, sensibilidade e F1-score, embora demandem maior tempo de treinamento. Enquanto a versão YOLOv8 apresentou a maior precisão (97,9%), a versão YOLOv12 destacou-se pelo equilíbrio superior entre recall (97,6%) e F1-score (97,5%), evidenciando sua maior capacidade de identificação. Para melhorar a usabilidade, desenvolveu-se uma interface gráfica desktop utilizando Electron.js, facilitando a interação do usuário com o software TortoiseVisionY Detect. Este estudo valida o uso de redes neurais profundas para apoio à pesquisa e conservação de quelônios, oferecendo uma solução tecnológica acessível e eficiente para o campo ambiental.

This study introduces AgroInsect, a smartphone-based system that combines on-device deep learning detection using the YOLOv11n model, deployed in the TensorFlow Lite (TFLite) format, with geostatistical mapping to support in-field pest monitoring in soybean and maize crops. The system detects four key pest species (Diabrotica speciosa, Dalbulus maidis, Diceraeus spp., and Spodoptera frugiperda) directly on the device, automatically extracts geolocation from image EXIF metadata, validates spatial consistency against farm boundaries using the Haversine formula, and synchronizes detections to a cloud database. Heatmaps and continuous incidence surfaces are generated via Ordinary Kriging (implemented in PyKrige), enabling visualization of spatial pest patterns. Field evaluations on a mid-range Android smartphone demonstrated strong detection performance, achieving 95.1% overall accuracy, F1-scores > 0.94 for all species, and a false detection rate of only 1.1%. Kriging validation under dense sampling yielded R² > 0.94, faithfully reproducing species-specific ecological distributions (localized for Diabrotica speciosa, diffuse for Dalbulus maidis.). The fully integrated, low-connectivity workflow proved robust in real field conditions, positioning AgroInsect as a scalable, practical tool for precision pest monitoring and faster IPM decision-making in resource-limited rural areas.