Além de gigantes como IBM, Intel e Microsoft, empresas do agronegócio, sobretudo as agtechs, têm despertado para o potencial da visão computacional para identificar padrões em escala
Para atingir as métricas estabelecidas nos Objetivos de Desenvolvimento Sustentável (ODS) da ONU, são necessários grandes avanços na agricultura. Inovações têm surgido em um ritmo alucinante. Enquanto as grandes revoluções na cadeia de produção levaram centenas de anos para se concretizar, um modelo ou algoritmo embarcado em alguma solução de hoje pode ficar obsoleto em poucos meses.
No atual cenário de necessidade crescente de uso sustentável dos recursos naturais e aumento das taxas de produção, há também uma alta demanda por melhorias em todas as fases dos processos agrícolas. O uso de tecnologias sofisticadas, auxiliadas pela Inteligência Artificial e pela Visão Computacional, é considerado um fator importante para a crescente adoção da agricultura de precisão e a entrada na era da agropecuária 4.0.
Tudo o que fazemos hoje pode ter o auxílio das novas tecnologias, desde acender uma lâmpada por meio de comando de voz até identificar padrões de qualidade na colheita de frutas. Uma destas novas tecnologias é a chamada Computer Vision – ou Visão Computacional, em bom português. Ela identifica e processa imagens por meio de Inteligência Artificial para auxiliar nas tomadas de decisões.
De acordo com a pesquisa Market Research Future, a Visão Computacional gerou um valor aproximado de US$ 9,2 milhões em 2020, com potencial de crescimento para US$ 48,3 milhões em 2023. Trata-se de um “subsetor” da Inteligência Artificial que pode ser definido pela aquisição, processamento e geração de informações que auxiliam na tomada de decisões a partir de imagens.
A diferença entre uma máquina que executa uma tarefa corriqueira e outra equipada com Inteligência Artificial vem da capacidade de conseguir realizar operações de maneira não ordenada, interpretar dados externos e aprender a partir dessa análise. Esse aprendizado, denominado Machine Learning, o aprendizado de máquina, é um dos pilares da Inteligência Artificial e ajuda a resolver tarefas específicas, agregando valor aos dados.
Afinal, o que é a Visão Computacional?
A Inteligência Artificial tem o poder de realizar simulações de funções cognitivas básicas do ser humano. Com ela, temos a Visão Computacional, que simula a visão humana e tem sido pesquisada e desenvolvida desde a década de 1960, quando Larry Roberts escreveu sua tese de doutorado no Massachusetts Institute of Technology (MIT), sobre a possibilidade de extrair informações geométricas 3D a partir de visualizações 2D.
Desde então, a expansão da Inteligência Artificial e da Visão Computacional tomou uma série de ramificações que impactaram na melhoria da qualidade de produtos e serviços para a sociedade e contribuíram significativamente para a área da computação. Isto é apenas o começo, pois o conhecimento ainda está restrito à limitação das nossas capacidades de hardware.
As aplicações da Visão Computacional mais utilizadas atualmente são: classificação, detecção e segmentação de imagens. Vejamos cada uma delas em detalhes:
Detecção - Nesse caso, a detecção é feita por meio de redes neurais convolucionais, ao se localizar determinados objetos previamente treinados em uma imagem e classificá-los;
Classificação - A máquina consegue classificar uma imagem por meio do treinamento de redes neurais, alimentadas com dados de treino, tornando-se capaz de, por exemplo, identificar a raça de um boi. Trata-se uma técnica de Machine Learning que imita o funcionamento do cérebro humano;
Segmentação - É uma forma de classificação pixel a pixel, em vez de rotular a imagem como um todo. É uma técnica muito comum em análise de imagens médicas, como as de ressonância magnética, de identificação de tumores etc.
O pilar de Digital Solutions do Centro de Excelência do Agronegócio (CEA), da EY, por exemplo, desenvolveu um protótipo para contagem de gado inteligente com um modelo de computação visual. A equipe formada por profissionais de Advanced Analytics e Desenvolvimento de Software reforça que é recomendável ao setor sempre andar lado a lado com a tecnologia, com a inovação e com as pessoas.
A Visão Computacional na agropecuária
Essa tecnologia já está presente na agricultura, como é o caso da própria contagem de gado, suínos e aves por detecção de imagem de drones e câmeras fixas ou na detecção de pragas em plantações. É possível, ainda, determinar a saúde dos animais, seu peso e a melhor data para o abate, entre muitas outras vantagens para o setor. Mas para executar soluções tão incríveis para o agronegócio, ainda é necessário enfrentar grandes desafios, desde a conectividade no campo até a qualificação de mão de obra especializada nessas tecnologias.
O agro vem passando por mudanças, se mostrando cada dia mais jovem e ávido por tecnologia e inovação, visando o aumento da produção atrelada à sustentabilidade. O setor, e principalmente as agtechs, tem aproveitado a Inteligência Artificial para criar modelos de negócios e fornecer as informações necessárias para alcançar pequenos agricultores em mercados emergentes.
Com a atividade crescente de negócios e de tamanho, haverá muitas oportunidades para o setor privado, no sentido de mobilizar seu capital para atender aos ODS relacionados à agricultura. Governos, investidores e indústria precisarão colaborar quanto ao tratamento de dados, à infraestrutura e às lacunas de capital humano.
Na prática, a solução já é viável, mas nem sempre é fácil implementá-la no Brasil, muitas vezes por uma questão cultural. Em muitos lugares, a prática tradicional do agro pode antagonizar soluções de alta tecnologia. Fato é que todo o ecossistema precisa estar conectado para testemunhar a chamada Revolução Agro 4.0.
Luis Valadão é diretor executivo da área Digital Data & Analytics da EY, responsável por projetos de tecnologia de Analytics, RPA, Digital, Engenharia de Software e Governança de Dados na unidade da EY em Campinas.
Gustavo Dopcke é gerente da EY na área de Advanced Analytics, com foco em Inteligência Artificial no desenvolvimento de modelos preditivos e de visão computacional.
