35ª Defesa de Doutorado - Uso de Técnicas de Aprendizado Profundo para Melhorar a Resolução de Imagens Agrícolas de Plantíos de Cana-de-açúcar e Milho - Emilia Alves Nogueira

A crescente demanda por alimentos, associada às mudanças climáticas, tem impulsionado o desenvolvimento de tecnologias de monitoramento agrícola para aumentar a eficiência e a sustentabilidade da produção de culturas como cana-de-açúcar e milho. No entanto, a baixa resolução das imagens capturadas por Veículos Aéreos Não Tripulados (VANTs) do inglês Unmanned Aerial Vehicle (UAV) e satélites limita a análise detalhada de características agronômicas essenciais. Esta tese investiga métodos para melhorar a resolução de imagens agrícolas, comparando as Técnicas Tradicionais de Reamostragem (TTR), como Vizinho mais Próximos, Bilinear e Bicúbico, com algoritmos de Super Resolução com Redes Profundas (SRRP), como Real-ESRGAN, MuLUT e LeRF. O objetivo deste estudo é investigar a aplicação de técnicas de aprendizado profundo para melhorar a resolução de imagens agrícolas e avaliar se essas técnicas oferecem melhores resultados em comparação com os métodos clássicos de reamostragem. Para isso, foram revisados os métodos existentes, preparado o conjunto de dados agrícola e realizada uma análise inicial do impacto das técnicas investigadas no monitoramento de culturas. A pesquisa adotou uma abordagem experimental, e os métodos foram avaliados quantitativamente, usando métricas como Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM) e Learned Perceptual Image Patch Similarity (LPIPS), qualitativamente, por meio de análise visual. Os experimentos demonstram melhorias significativas na resolução das imagens usando esses algoritmos de SRRP em comparação aos TTR, com ganhos de 484,34% nas imagens de cana-de-açúcar, 234,4% no cenário do milho e 58.57% para as imagens de satélite. Embora as técnicas de SRRP tenham sido desenvolvidas para outros propósitos, como melhorar a resolução de imagens de pessoas e paisagens, seu desempenho considerável pode ser observado em imagens agrícolas. Os resultados obtidos neste estudo são significativos para a agricultura de precisão, pois o aumento da resolução das imagens pode auxiliar o monitoramento do crescimento e da saúde das plantas, proporcionando intervenções mais rápidas e efetivas. Em investigações futuras, esperamos ampliar as comparações com outros algoritmos de SRRP. Além disso, serão realizados testes para verificar como as imagens com resolução ampliada podem auxiliar na agricultura de precisão. Isso permitirá uma análise mais abrangente do impacto dessas soluções na área agrícola.