Embratel e Cromai lançam solução de IA para identificação precisa de plantas daninhas

A Embratel lançou o Smart Field by Cromai, uma solução baseada em Inteligência Artificial (IA) que emprega Deep Learning para identificar e classificar com precisão plantas daninhas que representam uma ameaça para as lavouras de soja e cana-de-açúcar. A tecnologia utiliza imagens coletadas por drones em áreas determinadas pelos agricultores, processando essas imagens por meio de um sistema de aprendizado profundo com mais de 150 milhões de referências para comparar cores, formas e texturas. Isso possibilita a detecção e categorização de diferentes tipos de plantas daninhas, como trepadeiras, folhas largas, mamonas e gramíneas de baixo e alto porte.

Os resultados da análise são apresentados em uma plataforma interativa de mapa georreferenciado, mostrando a localização precisa de cada planta daninha, níveis de infestação por camada e a porcentagem de áreas onde o uso de herbicidas pode ser evitado. Com essas informações, os produtores podem tomar decisões embasadas em dados concretos, aplicando defensivos agrícolas apenas onde necessário, o que resulta em economia de insumos e recursos financeiros, aumento da produtividade e redução dos impactos ambientais causados pelos herbicidas.

Adriano Rosa, Diretor-Executivo da Embratel, destaca a possibilidade de expansão do uso da solução para outras culturas além da cana-de-açúcar e soja. Ele ressalta que o setor agrícola busca constantemente por soluções inovadoras que auxiliem na escolha do defensivo mais adequado para cada tipo de planta daninha, visando resolver o problema antes que ocorra uma infestação. Além disso, ele enfatiza que a solução da Embratel também contribui para o preparo do solo para novas safras, evitando o uso incorreto de herbicidas, que poderia comprometer a produtividade das terras e o meio ambiente.

A solução inclui suporte técnico especializado para integrar e configurar a solução com os drones utilizados pelo cliente. Além de fornecer análises sobre as plantas daninhas presentes no campo, a solução permite que os agricultores transformem os dados em mapas de pulverização detalhados e específicos, que podem ser usados em qualquer marca e modelo de drones e pulverizadores disponíveis no mercado. Isso permite uma aplicação automática e otimizada dos defensivos, liberando os trabalhadores no campo para atuarem de forma mais estratégica em outras atividades.

Eduardo Polidoro, Diretor de IoT da Claro, destaca que o Smart Field by Cromai, por ser baseado em IA, está em constante aprimoramento. À medida que processa mais dados, a solução melhora sua capacidade de reconhecer padrões entre as plantas daninhas de diferentes cultivos. Isso resulta em uma maior precisão nas análises ao longo do tempo, aumentando a confiabilidade da tecnologia. Ele ressalta que essa oferta amplia o portfólio da Embratel para o agronegócio de forma inovadora, utilizando dados para impulsionar a transformação digital no campo. Além disso, ao adotar o Smart Field by Cromai, os produtores também podem reduzir o desgaste de seus equipamentos agrícolas, graças à diminuição do uso durante as operações nas lavouras.

Empresas que fornecem máquinas agrícolas, serviços de engenharia e herbicidas também podem se beneficiar da tecnologia. Ao integrar seus serviços ao Smart Field by Cromai, elas podem oferecer aos clientes abordagens mais analíticas e completas, garantindo uma máxima eficiência no uso de equipamentos, serviços e insumos.

Além disso, a solução pode fornecer às seguradoras agrícolas uma compreensão mais detalhada dos riscos relacionados às perdas de safras com base no estado das lavouras. Isso permite que as companhias ofereçam coberturas mais personalizadas e adaptadas às necessidades específicas de cada tipo de cultivo. Para cooperativas que representam vários produtores, a adoção do Smart Field by Cromai também pode facilitar a gestão coletiva das áreas cultivadas.

Compartilhe:

Share on facebook
Share on twitter
Share on telegram
Share on whatsapp
você pode gostar de

Leonardo Bonato Felix

Tem graduação (UFSJ, 2002), mestrado (UFMG, 2004) e doutorado(UFMG, 2006) também em Engenharia Elétrica. Foi pesquisador visitante da University of Southampton-UK (2019-2020). É professor do Departamento de Engenharia Elétrica da UFV (2006-presente), nas disciplinas de Inteligência Computacional, Sinais e Sistemas, Modelagem e Identificação de Sistemas, Introdução à Engenharia Biomédica, Eletrônica, etc. É pesquisador 1D CNPq, atuando no processamento de sinais biológicos, teoria da detecção e aplicações de inteligência artificial.

Domingos Sárvio Magalhães Valente

Possui graduação em Engenharia Agrícola e Ambiental pela Universidade Federal de Viçosa (2003), mestrado em Engenharia Agrícola pela Universidade Federal de Viçosa (2007) na área de concentração em Pré-Processamento e Armazenagem de Produtos Agrícolas, doutorado em Engenharia Agrícola pela Universidade Federal de Viçosa (2010) na área de concentração em Mecanização Agrícola. Pós-doutorado na University of Illinois (Urbana-Champaign) nos Estados Unidos. Atualmente é Professor Associado da Universidade Federal de Viçosa, no Departamento de Engenharia Agrícola, atuando nas Áreas de Mecanização Agrícola, e Agricultura de Precisão e Digital.

José Augusto Miranda Nacif

Professor no Instituto de Ciências Exatas e Tecnológicas (IEF) do Campus UFV-Florestal da Universidade Federal de Viçosa (UFV). Possui mestrado e doutorado em Ciência da Computação (2004 e 2011) pela Universidade Federal de Minas Gerais e graduação em Engenharia de Controle e Controle e Automação (2001) pela Pontifícia Universidade Católica de Minas Gerais. Atualmente é orientador do Programa de Pós-Graduação em Ciência da Computação da UFV. É bolsista de produtividade do CNPq, nível 2. Tem experiência na área de Ciência da Computação, atuando principalmente nos seguintes temas: Internet das coisas, nanocomputação, computação de alto desempenho e aprendizado de máquina.

Moysés Nascimento

Possui graduação em Estatística pela Universidade Federal do Espírito Santo (2007), mestrado em Estatística Aplicada e Biometria pela Universidade Federal de Viçosa (2009) e doutorado em Estatística e Experimentação Agropecuária pela Universidade Federal de Lavras (2011). Realizou pós-doutorado em Análise de dados Genômicos, via Métodos Econométricos, na North Carolina State University (EUA, 2016). Atualmente, é professor Associado no Departamento de Estatística da Universidade Federal de Viçosa. Tem experiência na área de Probabilidade e Estatística Aplicada, com ênfase em Métodos Estatísticos Aplicados ao Melhoramento - Plantas e Animais, Inteligência Computacional e Aprendizado Estatístico.

Rodolpho Vilela Alves Neves

Possui graduação em Engenharia Elétrica pela Universidade Federal de Viçosa (2011), mestrado (2013) e doutorado (2018) em Engenharia Elétrica pela Universidade de São Paulo. Entre 2015 e 2016, foi pesquisador visitante na Aalborg University, Dinamarca. Atualmente, é professor adjunto no Departamento de Engenharia Elétrica da UFV. Atua principalmente nos temas geração distribuída e controle de sistemas de energia.

Sabrina de Azevedo Silveira

É graduada em Ciência da Computação pela Universidade Federal de Minas Gerais (UFMG-2008) e tem doutorado em Bioinformática (2013). Possui pós-doutorado no European Molecular Biology Laboratory-European Bioinformatics Institute (EMBL-EBI), em Cambridge, no Reino Unido (2019), e no Laboratório de Bioinformática e Sistemas (LBS), do Departamento de Ciência da Computação da Universidade Federal de Minas Gerais (2015). Atualmente, é professora no Departamento de Informática (DPI), da Universidade Federal de Viçosa (UFV). É orientadora do Programa de Pós-Graduação em Ciência da Computação da UFV (CAPES 4) e do Programa de Pós-Graduação em Bioinformática da UFMG (CAPES 7). Tem experiência na área de Ciência da Computação e Bioinformática, atuando principalmente nos seguintes temas: predição de função de enzima, mineração de dados, aprendizagem de máquinas, bases de dados biológicos e visualização de dados.

what you need to know

in your inbox every morning