ads:
UNIVERSIDADE DE TAUBATÉ
DEPARTAMENTO DE ENGENHARIA MECÂNICA
YOSHIKAZU SUZUMURA FILHO
MÉTODO PARA AVALIAÇÃO
DA EFICIÊNCIA DE PULVERIZAÇÃO AGRÍCOLA
BASEADO EM PROCESSAMENTO DE IMAGENS
E REDE NEURAL
Taubaté, SP
2005
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
UNIVERSIDADE DE TAUBATÉ
DEPARTAMENTO DE ENGENHARIA MECÂNICA
YOSHIKAZU SUZUMURA FILHO
MÉTODO PARA AVALIAÇÃO
DA EFICIÊNCIA DE PULVERIZAÇÃO AGRÍCOLA
BASEADO EM PROCESSAMENTO DE IMAGENS
E REDE NEURAL
Dissertação apresentada ao Departamento de
Engenharia Mecânica da Universidade de
Taubaté, como parte dos requisitos para
obtenção do título de Mestre em Engenharia
Mecânica.
Área de Concentração: Automação e Controle
Industrial
Orientador: Prof. Dr. Paulo Estevão Cruvinel
Taubaté, SP
2005
ads:
Embrapa Instrumentação
Agropecuária
Centro Federal de
Educação Tecnológica
de São Paulo
Universidade de Taubaté
INPE - Instituto Nacional
de Pesquisas Espaciais
YOSHIKAZU SUZUMURA FILHO
MÉTODO PARA AVALIAÇÃO DA EFICIÊNCIA DE PULVERIZAÇÃO AGRÍCOLA
BASEADO EM PROCESSAMENTO DE IMAGENS E REDE NEURAL
Dissertação apresentada ao Departamento de
Engenharia Mecânica da Universidade de
Taubaté, como parte dos requisitos para
obtenção do título de Mestre em Engenharia
Mecânica.
Área de Concentração: Automação e Controle
Industrial
Data: ___/____/______
Resultado: __________________
Banca Examinadora:
Prof. Dr.: PAULO ESTEVÃO CRUVINEL Instituição:
Assinatura: _______________________
Prof. Dr.: AUGUSTO MASSASHI HORIGUTI Instituição:
Assinatura: _______________________
Prof. Dr.: JOSÉ CARLOS LOMBARDI Instituição:
Assinatura: _______________________
Dedico este trabalho
as famílias Suzumura e Rossignolo
pelo apoio e incentivo ao longo desta
jornada,
em especial a minha esposa INÊZ
companheira de todos os momentos e aos
meus filhos GIORGIA YOSHIKO e
GIULIO GUIYTI pelo amor, carinho e
respeito.
AGRADECIMENTOS
Ao Prof. Dr. Paulo Estevão Cruvinel, meu orientador, por seu profissionalismo,
habilidade e comprometimento na realização deste trabalho.
Ao Prof. Dr. Giorgio Eugenio Oscare Giacaglia, coordenador do curso de
mestrado em Engenharia Mecânica, por sua conduta.
Aos colegas de turma que mostraram o grande valor de um grupo
comprometido em atingir um ideal, para isso, utilizando uma regra básica chamada
de colaboração.
Aos professores Chester Contatori e Henrique Camargo Kottke, pelo espírito
de cooperação demonstrada no andamento do curso.
Ao professor Fábio Bento Takeda da UFSCAR, por sua colaboração.
Ao professor José Luiz Azzolino, pelo companheirismo ao longo desta
empreitada.
Ao professor Masamori Kashiwagi do CEFETSP, por sua amizade e
colaboração.
A professora Márcia Rejani da ETE GV, pela valorosa colaboração.
A professora Silvia Kaoru Kushima da escola TAMPOPO, por sua ajuda
preciosa.
Ao CEFETSP, na pessoa de seu diretor Prof. Dr. Garabed Kenchian, pela
realização do convênio UNITAU - CEFETSP.
À UNITAU através do corpo docente do programa de Mestrado em
Engenharia Mecânica, que no decorrer do curso mostram uma conduta impecável,
incentivando e colaborando.
À ROSSIGNOLO COTTON, na pessoa de seu diretor Claodemiro de Jesus
Rossignolo, em disponibilizar a fazenda Santa Tatiana no município de Populina -
SP para a realização de experimentos de campo.
SUMÁRIO
LISTA DE FIGURAS vii
LISTA DE TABELAS ix
LISTA DE EQUAÇÕES x
LISTA DE ABREVIATURAS E SIGNIFICADOS xi
RESUMO xii
ABSTRACT xiii
概要
xiv
MOTIVAÇÃO E ESTRUTURA DOS CAPITULOS xv
1. AMBIENTE AGRÍCOLA E TECNOLOGIA PARA APLICAÇÃO DA
PULVERIZAÇÃO
17
1.1 AMBIENTE AGRÍCOLA 17
1.1.1
Agricultura Convencional 17
1.1.2
Agricultura Precisão 17
1.2 TECNOLOGIA DE APLICAÇÃO DA PULVERIZAÇÃO 19
1.2.1
Sistemas de Aplicação 19
1.2.2
Pulverizadores 20
1.2.2.1
Pulverização Terrestre 21
1.2.2.2
Pulverização Aérea 22
1.3 PONTAS HIDRAÚLICAS DE PULVERIZAÇÃO 24
1.3.1
Vazão 29
1.3.2
Espaçamento entre Bicos 30
1.3.3
Ângulo da Pulverização e Densidade 31
1.3.4
Alturas mínimas de Pulverizações recomendadas 32
1.3.5
Seleção das Pontas de Pulverização 32
1.4 EFICIÊNCIA DA PULVERIZAÇÃO DE UM TRATAMENTO
AGROQUÍMICO
34
1.4.1
Etapas envolvidas na Eficácia dos Métodos de Aplicação de
Agroquímicos
35
1.4.2
Volume de Aplicação 36
1.4.3
Densidade de Gotas - (DG) 37
1.4.4
Diâmetro de Gotas - (D) 38
1.4.5
Espectro de Gotas - (EG) 39
1.4.6
Principais Parâmetros Utilizados para Caracterizar uma
População de Gotas
41
1.4.6.1
Diâmetro Mediano Numérico - (DMN) 41
1.4.6.2
Diâmetro Mediano Volumétrico - (DMV) 42
1.4.6.3
Uniformidade do Espectro - (UE) 45
1.5 FATORES QUE AFETAM A APLICAÇÃO 47
1.5.1
Deslocamento das Gotas (Deriva) 47
1.5.2
Evaporação 49
2. PROCESSO DE CAPTURA DA INFORMAÇÃO E RECONHECIMENTO
DE PADRÕES DE DENSIDADE E DISTRIBUIÇÃO DE GOTAS
51
2.1 METODOLOGIAS DE CAPTURA DA INFORMAÇÃO 51
2.1.1
Alvo Natural 51
2.1.2
Alvo Artificial 52
2.2 RECONHECIMENTO DO TAMANHO DE GOTA E DEFINIÇÃO DO
ESPECTRO
53
2.3 TÉCNICAS DE RECONHECIMENTO DE PADRÕES DE
DENSIDADE E ESPECTRO DE GOTAS PARA TOMADA DE
DECISÃO
56
2.4 VETORES DOS PADRÕES DE GOTAS UTILIZADOS PARA
ANÁLISE DA QUALIDADE
58
3. SISTEMA DE AVALIAÇÃO COM TOMADA DE DECISÃO UTILIZANDO
REDE NEURAL PERCEPTRON BACKPROPAGATION
61
3.1 REDES NEURAIS ARTIFICIAIS 61
3.1.2
Principais Funções de Ativação 65
3.1.3
Arquitetura de Rede 68
3.1.4
Aprendizagem 70
3.2
REDE NEURAL ARTIFICIAL DO TIPO PERCEPTRON
BACKPROPAGATION
71
3.2.1
Rede Perceptron Feedforward Multilayers - MLP
73
3.2.2
Treinamento Backpropagation
75
3.2.3
Pseudocódigo de aprendizado 78
3.2.4
Escolha das Estruturas de Redes 82
4. RESULTADOS E CONCLUSÕES 84
4.1 INTRODUÇÃO 84
4.2 ESTUDOS DE CASOS 84
4.2.1 Etapas desenvolvidas nos Estudos de Casos 84
4.2.2 Resultados obtidos nas Etapas de Processamento 88
4.3 FIGURA DE MÉRITO DE QUALIDADE 90
4.4 USO DA REDE NEURAL ARTIFICIAL 96
4.4.1 Ferramenta 96
4.4.2 Preparação dos Dados 97
4.4.3 Arquitetura da RNA 98
4.4.4 Treinamento da RNA 99
4.4.5 Avaliação dos Estudos de Casos com base no uso de RNA 101
4.5 CORRELAÇÃO DOS RESULTADOS OBTIDOS ENTRE A FMQ E
RNA
103
4.6 CONCLUSÕES 105
REFERÊNCIAS
107
APÊNDICE
111
A Pseudocódigo para obtenção da Transformada de Hough
para objetos circulares
111
B
Pseudocódigo Backmapping
112
C Amostras dos 20 papéis Hidrosensíveis utilizados para os
Estudos de Casos, representando a aplicação da
pulverização
113
D Etapas desenvolvidas com a ferramenta MATHLAB para
implementação da RNA
114
vii
LISTA DE FIGURAS
FIGURAS PÁG.
Figura 1.01 Equipamento terrestre de pulverização com tecnologia embarcada
para aplicação em doses variáveis com mapas digitais
22
Figura 1.02 Equipamento terrestre de pulverização com tecnologia embarcada
para aplicação em doses variáveis com sensores
22
Figura 1.03 Equipamento aéreo de pulverização com tecnologia embarcada
para aplicação em doses variáveis com mapas digitais
23
Figura 1.04 Formação de gotas através dos bicos pulverizadores 24
Figura 1.05 Componentes básicos de um bico pulverizador 25
Figura 1.06 Ponta de jato plano do tipo impacto 27
Figura 1.07 Ponta de jato plano do tipo leque 27
Figura 1.08 Ponta de jato plano cônico cheio 28
Figura 1.09 Ponta de jato plano cônico vazio 28
Figura 1.10 Representação da relação entre pressão e vazão no sistema de
pulverização
30
Figura 1.11 Representação da relação entre pressão e ângulo de pulverização
formado pelo jato pulverizador
32
Figura 1.12 Eficácia de um tratamento agroquímico 34
Figura 1.13 Representação do volume de aplicação (Volume de Calda) em
função de densidade
38
Figura 1.14 Relação entre tamanho de gota e densidade em um alvo biológico
39
Figura 1.15 Padrão de espectro de gotas em função do DMV 40
Figura 1.16 Espectro de distribuição de número de gotas em função do
diâmetro
41
Figura 1.17 Representação do DMV em um espectro de gotas 42
Figura 1.18 Espectro de distribuição do volume de gotas em função do
diâmetro
44
Figura 1.19 Fatores que afetam a aplicação em termos de altura de vôo e
distância em metros
48
Figura 2.01 Placa de Petri com gotas de chuvas calibrados em volume e
distribuídos em óleo de alta densidade
53
Figura 2.02 Diagrama de blocos do subsistema de análise e mensuração de
gotas utilizando a transformada circular rápida de Hough
54
Figura 2.03 Exemplo de Figura de mérito composta pelos descritores DMV,
DMN, DV
0,1
, DV
0,9
, Extensão (Ex) e Número de Gotas (Ng) e Área
59
Figura 3.01 Neurônio artificial de McCulloch e Pitts 63
Figura 3.02 Um neurônio artificial, ou rede neural artificial 64
Figura 3.03 Representação das funções de ativação de uma RNA 67
Figura 3.04 Representação de uma estrutura de uma RNA 67
Figura 3.05 Exemplos de arquiteturas de redes neurais 69
Figura 3.06 Exemplo sobre classificação de padrões linearmente separáveis 72
Figura 3.07
Perceptron de uma camada
72
Figura 3.08 Exemplo classificação de padrões não linearmente separáveis 74
Figura 3.09
Arquitetura de uma rede neural perceptron de múltiplas camadas
com uma camada oculta
74
Figura 3.10 Generalização de Dados 77
Figura 3.11 Dois fluxos básicos em uma rede neural MLP 78
viii
Figura 4.2.1.1
Papel hidrosensível digitalizado do 1º estudo de caso
85
Figura 4.2.1.2
Tratamento da informação fase de limiarização do 1º estudo de
caso
85
Figura 4.2.1.3
Tratamento da informação fase da aplicação do filtro
Laplaciano do 1º estudo de caso
85
Figura 4.2.1.4
Etapa de processamento utilizando transformada de Hough do
1º estudo de caso
86
Figura 4.2.1.5
Geração de resultados do 1º estudo de caso
86
Figura 4.2.1.6
Histograma de resultados do 1º estudo de caso
87
Figura 4.2.1.7
Composição do vetor qualidade do 1º estudo de caso
87
Figura 4.2.1.8
Histograma do vetor qualidade do 1º estudo de Caso
88
Figura 4.2.3.1
Histograma dos vetores qualidade das 20 amostras analisadas 89
Figura 4.3.1 Histograma dos vetores qualidade das 20 amostras analisadas
normalizadas
91
Figura 4.3.2
Figura de mérito de qualidade do 1º, 2º, 3º, 4º e 5º estudo de
caso.
92
Figura 4.3.3
Figura de mérito de qualidade do 6º, 7º, 8º, 9º e 10º estudo de
caso.
93
Figura 4.3.4
Figura de mérito de qualidade do 11º, 12º, 13º, 14º e 15º estudo
de caso.
94
Figura 4.3.5
Figura de mérito de qualidade do 16º, 17º, 18º, 19º e 20º estudo
de caso.
95
Figura 4.4.3.1
Arquitetura da RNA implementada 99
Figura 4.4.4.1
Evolução do treinamento da RNA em função da meta de erro 100
Figura 4.4.5.1
Resultados da etapa de teste da RNA ilustrando os parâmetros
de qualidade na saída.
102
Figura 4.4.5.2
Resultados da etapa de teste da RNA ilustrando os erros em
função ao padrão de treinamento
102
Figura 4.5.1 Parâmetro de qualidade da pulverização com A
FMQ
e RNA 104
Figura 4.5.2 Correlação dos parâmetros de qualidade da RNA com as áreas
das FMQ
105
Figura a.01
Utilizando o Toolbox de RNA
115
Figura a.02
Formatação dos dados: Entrada e Target
116
Figura a.03 Configuração da RNA 116
Figura a.04
Configuração da RNA (Get from input) para Data1
117
Figura a.05 Inicialização da RNA 117
Figura a.06
Geração dos pesos para a 1ª camada da RNA
118
Figura a.07
Geração do bias para a 1ª camada da RNA
118
Figura a.08
Geração dos pesos para a 2ª camada da RNA
118
Figura a.09
Geração do bias para a 2ª camada da RNA
118
Figura a.10 Treinamento da RNA 119
Figura a.11 Teste da RNA 119
Figura a.12 Exportação dos dados de entradas e saída do teste da RNA
para workspace
120
Figura a.13
Área de workspace, dados referente à RNA para geração de
dados na forma analítica ou gráfica.
120
ix
LISTA DE TABELAS
TABELAS PÁG.
Tabela 1.01 Espaçamento entre Bicos e fatores de correção para
espaçamento entre os bicos de 50 cm
31
Tabela 1.02 Espaçamento entre Bicos e fatores de correção para
espaçamento entre os bicos de 75 cm
31
Tabela 1.03 Espaçamento entre Bicos e fatores de correção para
espaçamento entre os bicos de 100 cm
31
Tabela 1.04 Recomendações de alturas dos bicos em função do
espaçamento e ângulo de pulverização
33
Tabela 1.05 Seleção de pontas de pulverização para pulverização em área
total
33
Tabela 1.06 Seleção de pontas de pulverização para pulverização em faixa
de jato dirigido
34
Tabela 1.07 Classificações de volume de aplicação 36
Tabela 1.08 Volume de aplicação ideal para cada tipo de classe de produto 37
Tabela 1.09 Densidade das gotas em função das classes de produtos 37
Tabela 1.10 Classificação das gotas em função do DMV 44
Tabela 1.11 Velocidade de queda das gotas 48
Tabela 1.12 Tempo de vida de gotas em aplicações em função da
temperatura e distância de queda
49
Tabela 4.01 Vetores qualidade de pulverização 88
Tabela 4.02 Resultados das Normalizações dos descritores de cada Vetor
obtidos nos Estudos de Casos
90
Tabela 4.03 Áreas das figuras de mérito 96
Tabela 4.04 Vetores qualidade para treinamento e teste da RNA 98
Tabela 4.05 Padrão de treinamento da RNA 99
Tabela 4.06 Valor obtido na etapa de treinamento 100
Tabela 4.07 Dados de entradas, saída e erros provenientes dos testes
realizados com a RNA
101
Tabela 4.08 Quadro comparativo entre a saída da RNA e as áreas das FMQ 103
x
LISTA DE EQUAÇÕES
EQUAÇÕES PÁG.
Equação 1.01 Volume de aplicação de um bico hidráulico de pulverização 29
Equação 1.02 Relação entre pressão e vazão em um bico pulverizador 30
Equação 1.03 Porcentagem acumulada do volume de gota 42
Equação 1.04 Volume de uma gota 43
Equação 1.05 Superfície de cobertura 43
Equação 1.06 Relação de superfície e volume 43
Equação 1.07 Representação acumulativa percentual em função do volume 43
Equação 1.08 Representação acumulativa percentual em função do diâmetro
43
Equação 1.09 Diâmetro médio geométrico numérico de gotas 45
Equação 1.10 Diâmetro médio geométrico volumétrico de gotas 45
Equação 1.11 Extensão 46
Equação 1.12 Amplitude Relativa 46
Equação 1.13 Dispersão da distribuição 46
Equação 1.14 Coeficiente de variação 46
Equação 1.15 Distribuição normal logarítmica 47
Equação 1.16 Ponto de deposição máxima 47
Equação 1.17 Tempo de extinção 49
Equação 1.18 Distância de queda 49
Equação 2.01 Área da figura de mérito de qualidade (A
FMQ
) 59
Equação 2.02 Área de um triângulo em função do angulo 60
Equação 3.01 Ativação de um neurônio 62
Equação 3.02 Estímulos ponderados 64
Equação 3.03 Função de transferência 65
Equação 3.04 Função linear 65
Equação 3.05 Função rampa 65
Equação 3.06 Função degrau 66
Equação 3.07 Função sigmoidal 66
Equação 3.08 Ativação das unidades de entrada usando transferência
sigmóide
80
Equação 3.09 Ativações das unidades da camada oculta, para as unidades
da camada de saída
80
Equação 3.10 Cálculo do erro na camada de saída 80
Equação 3.11 Cálculo dos deltas das unidades da camada de saída 80
Equação 3.12 Cálculo dos deltas das unidades da camada oculta 80
Equação 3.13 Cálculo da correção para os pesos entre a camada oculta e a
camada de saída
81
Equação 3.14 Cálculo da correção para os pesos entre a camada de entrada
e a camada oculta
81
Equação 3.15 Ajuste dos pesos entre a camada oculta e a camada de saída 81
Equação 3.16 Ajuste dos pesos entre a camada de entrada e a camada
oculta
81
Equação 3.17 Quantidade de neurônios da camada oculta 83
Equação 4.01
Relação entre DPI e µm
87
xi
LISTA DE ABREVIATURAS E SIGNIFICADOS
AC Agricultura Convencional
AFMQ Área da Figura de Mérito de Qualidade
AP Agricultura de Precisão
AR Amplitude Relativa
ATV Aplicação a Taxa Variável
AV Alto Volume
BV Baixo Volume
dg Diâmetro Geométrico Médio de Gotas
DGPS Diferencial Global Positioning System (Sistema Diferencial de
Posicionamento Global)
DMV Diâmetro Mediano Volumétrico
DMN Diâmetro Mediano Numérico
dpi Pontos por polegada
DV
0,1
Diâmetro com 10% do Volume acumulativo
DV
0,5
Diâmetro com 50% do Volume acumulativo
DV
0,9
Diâmetro com 90% do Volume acumulativo
EG Espectro de Gotas
Ex Extensão
EP Elemento processador
FMQ Figura de Mérito de Qualidade
GPS Global Positioning System (Sistema de Posicionamento Global)
GIS Geographic Information System (Sistema de Informação
Geográfica)
Ng Número de gotas
MV Médio Volume
MLP MultiLayers Perceptron ( Perceptron MultiCamadas)
R Dispersão das gotas
RNA Redes Neurais Artificiais
TADVMD Tecnologia de Aplicação em Doses Variáveis com Mapas Digitais
TADVS Tecnologia de Aplicação em Doses Variáveis com Sensores
UBV Ultra Baixo Volume
µm Micrometro
Agroquímicos Produtos químicos utilizados na agricultura.
Fertirrigação Processo que utiliza a irrigação para aplicação de fertilizantes.
Atomizadores Equipamento responsável pela geração de gotas através de
atuadores rotativos.
xii
RESUMO
Este trabalho apresenta um método de análise da qualidade do processo de
pulverização, processo este que requer atenção especial devido ao seu impacto
ambiental, impacto social e impacto econômico. Um dos fatores principais para a
avaliação da qualidade da aplicação de uma pulverização é a densidade de gotas.
Esse fator tem como parâmetros de base o tamanho de gotas, quantidade de gotas
e o espectro de gotas. Para tanto, este método utiliza o processamento de imagem
digital e a transformada de Hough para obtenção dessas informações a partir de
papéis hidrosensíveis digitalizados, seguido da análise dos descritores diâmetro
mediano numérico (DMN), diâmetro mediano volumétrico (DMV), diâmetro
volumétrico acumulativo de 90% (DV
0,9
), diâmetro volumétrico acumulativo de 10%
(DV
0,1
), extensão (Ex) e número de gotas (Ng). Adicionalmente é utilizada uma rede
neural artificial (RNA) do tipo backpropagation a qual viabiliza a automatização da
obtenção da figura de mérito de qualidade (FMQ). Resultados ilustram a
confiabilidade do método e sua utilidade quanto a aplicação sustentável de
herbicidas em ambiente agrícola.
Palavras Chaves: automação; qualidade da pulverização; rede neural artificial;
processamento de imagem
xiii
ABSTRACT
This work presents a method of analysis of the quality of the pulverization
process which requests special attention due to its environmental, social and
economic impacts. One of the main factors for the quality evaluation of the
pulverization application is the density of drops. This has as base parameters the
drops size, amount of drops and the spectrum of drops. For so, this method uses the
digital image processing and transformed of Hough for obtaining those information
from digitalized water-sensitive papers, followed by the analysis of the describers
numeric median diameter (NMD), volumetric median diameter (VMD), accumulative
volumetric diameter of 90% (DV
0,9
), accumulative volumetric diameter of 10% (DV
0,1
),
extension (Ex) and drops number (Dn). Besides this an artificial neural network
(ANN) of the backpropagation type is used which makes possible the automation of
the obtaining of the illustration of quality merit (IQM). Results illustrate the reliability
of the method and its usefulness as the sustainable application of herbicides in
agricultural environment.
Keywords: automation; quality of the pulverization; artificial neural network; image
processing.
xiv
概要
概要概要
概要
この論文は噴霧プロセスの品質を分析する方法を記述しますが、噴霧プロセ
スに於いて環境や社会的そして経済的に与える影響があるので、それに対し特別な
注意が必要であります。噴霧をした場合、その質的評価をする主な要素の一つとし
て滴の密度があります。この要素は噴霧滴の大きさ、噴霧量、噴霧のスペクトル
(分光)を基本的パラメータとして判定する事にあります。そのような事から、この要
素の分析にはデジタル化した水感ペーパーから滴の情報を得るためにデジタルイメ
ージプロセシング(デジタル画像処理)と HOUGH Trasform を用います。その後、
噴霧滴の直径中央値(NMD)、直径中央容積値(VMD)、90%の直径累積容積値(DV )
、10%の直径累積容積値(DV )、噴霧の広がり(Ex)と滴数(Dn)の分析ができます。そ
の外にIllustration of Quality Merit (IQM) の優れた質の画像を自動的に得る事ができる
backpropagation 型のニューラルネットワーク(ANN) を使用します。結果として農業
環境に於る除草剤の使用に関し、噴霧の方法とその使用に対する信頼度を表わして
いる。
キーワード: 自動化、噴霧プロセスの質、ニューラルネットワーク、 デジタルイメ
ージプロセシング。
xv
MOTIVAÇÃO
Com 19 anos de formação em engenharia elétrica industrial, com
especialização em automação e sistemas digitais atuando na área industrial, e 15
anos como professor de eletrônica e telecomunicação atuando na área de
educação, ao visitar uma cultura de algodão o autor verificou a importância das
etapas envolvidas no cultivo, nas técnicas utilizadas, no valor econômico despendido
e nas dificuldades encontradas. Motivado em colaborar com técnicas para este
ambiente, muito significativo aos seus antepassados, e diante da possibilidade de
realização do mestrado em automação, o autor direcionou o tema do seu trabalho à
automação aplicada na área agrícola, em especial nos sistemas de controle de
pulverizações, buscando assim contribuir com uma área tão importante no panorama
nacional.
ESTRUTURA DOS CAPÍTULOS
O trabalho está organizado em 4 capítulos, onde:
No capítulo 1 é apresentada uma visão geral da tecnologia utilizada para
aplicação da pulverização no ambiente agrícola com os principais conceitos teóricos
relativos a equipamentos, técnicas envolvidas, critérios e parâmetros utilizados para
a sua eficácia.
No capítulo 2 estão mencionadas as metodologias utilizadas para a captura e
análise da informação, com a descrição da ferramenta de reconhecimento de
xvi
padrões de gotas utilizando a Transformada Rápida de Hough para objetos
circulares, onde as imagens digitalizadas para reconhecimento do tamanho de gotas
são processadas e os descritores obtidos são utilizados para a elaboração de uma
Figura de Mérito de Qualidade (FMQ) para análise da pulverização.
No capítulo 3 é apresentada uma revisão da teoria sobre redes neurais
artificiais, focando os conceitos para implementação de uma rede neural artificial tipo
backpropagation a ser utilizada neste trabalho.
No capítulo 4 são relacionados os Estudos de Casos realizados, onde as
amostras digitalizadas foram tratadas e processadas com a Transformada Rápida de
Hough e os descritores obtidos foram utilizados na elaboração das Figuras de Mérito
de Qualidade para análise da aplicação. Para avaliar a eficiência de pulverização foi
implementada uma Rede Neural Artificial tipo backpropagation com base no padrão
de qualidade estabelecido com as Figuras de Méritos de Qualidade. Finalizando
têm-se as conclusões deste trabalho.
17
Capítulo 1
AMBIENTE AGRÍCOLA E TECNOLOGIA PARA APLICAÇÃO DA
PULVERIZAÇÃO
1.1 AMBIENTE AGRÍCOLA
Um ambiente agrícola pode ser classificado quanto ao seu sistema de cultura:
policultura e monocultura. Nesse ambiente agrícola de monocultura o objetivo
principal é a alta produtividade e para se atingir este objetivo tem-se duas formas de
atuação: agricultura convencional e agricultura de precisão.
1.1.1 Agricultura Convencional (AC)
Na agricultura convencional, o objetivo é alcançar maior produtividade, e para
tanto, a plantação é analisada como um todo. Como em geral as áreas são tratadas
com base na monocultura, isso favorece o aparecimento de pragas, doenças e
plantas invasoras, fazendo com que o agricultor tenha que utilizar, em geral, grandes
quantidades de produtos químicos e tóxicos para conseguir produzir.
Portanto, o agricultor está sempre dependendo das grandes empresas, seja
para comprar sementes, fertilizantes, inseticidas, herbicidas, etc. e quem acaba por
ficar com a maior parte (40% a 80%) do lucro são elas (MIDEI, 2005). O modelo de
agricultura convencional, se não praticado devidamente, pode levar a uma redução
da capacidade produtiva dos solos (ALTIERI, 1999).
1.1.2 Agricultura de Precisão (AP)
O Conselho Nacional de Pesquisa dos EUA definiu a Agricultura de Precisão,
como sendo, uma estratégia de manejo que usa a tecnologia da informação para a
18
obtenção de dados provenientes de várias fontes, visando dar suporte a decisões
associadas à produção agropecuária (EMBRAPA, 00).
Uma outra definição fornecida pelo "US Farm Bill", diz tratar-se de um sistema
de produção agropecuário baseado na integração da informação com a produção,
visando aumentar, em longo prazo, a eficiência da produção numa área da
propriedade ou no todo aumentar o lucro, com simultânea minimização dos impactos
indesejáveis no meio ambiente e na vida selvagem.
O Centro Australiano de Agricultura de Precisão da Universidade de Sidney
declara que a AP não deve ser entendida como uma técnica que busca uma
produtividade uniforme na lavoura, a não ser que o potencial na lavoura seja
uniforme. A AP propicia identificar a diversidade no potencial de produtividade e das
condições ambientais durante o estabelecimento de operações de manejo
(EMBRAPA, 00).
Agricultura de Precisão não é uma definição nova, pois planejamento da
irrigação e fertirrigação podem ser considerados como uma espécie de AP. O que
ocorre é que, recentemente, ela progrediu bruscamente com o surgimento de
inovações tecnológicas tais como: uso de satélites, sistema de posicionamento
global (GPS, do inglês Global Positioning System), monitoramento de colheita,
videografia, sofisticados programas de computador para mapeamento e
armazenamento de dados e aplicação de insumos a taxas variáveis.
Importante mencionar que AP não se resume na aquisição de equipamentos
sofisticados de alta tecnologia, mas sim na aquisição e uso racional da informação
obtida a partir daquela tecnologia e no desenvolvimento de métodos que visem o
aumento de produtividade com menor utilização de insumos agrícolas e melhoria na
redução de impacto do meio ambiente.
19
Apenas para ilustrar, pode-se hoje, por exemplo, coletar uma amostra num
ponto na lavoura e registrar as coordenadas geográficas (latitude e longitude) do
ponto amostrado com o GPS. Em seguida, ao se obter um resultado de análise da
amostra coletada, pode-se então saber exatamente de onde veio à amostra na
lavoura e, assim, executar um tratamento exatamente naquele ponto graças ao GPS
que contém as coordenadas geográficas do ponto amostrado (EMBRAPA, 00).
Ao contrário do conceito convencional da aplicação de insumos pela média,
onde extensas áreas são gerenciadas de forma idêntica, como um sistema uniforme,
a Aplicação a Taxa Variável (ATV) diminui os riscos de contaminação ambiental
causados pela aplicação de alguns nutrientes em doses acima da necessária, e de
ineficiência do insumo devido à aplicação de doses abaixo da necessária às reais
necessidades de cada local. Além disso, essa técnica pode reduzir os custos de
produção, com a economia de insumos aplicados provocada pela otimização na
utilização dos mesmos, mantendo ou melhorando o nível de produção e acarretando
ganho de produtividade e maximização dos lucros (ORTIZ, 2005). No âmbito da AP
tem-se buscado otimizar as aplicações de agro-químicos, dada a importância, na
mesma proporção que têm-se enfatizado a economia de outros insumos agrícolas.
1.2 TECNOLOGIA DE APLICAÇÃO DA PULVERIZAÇÃO
Pulverizar é um processo físico-mecânico de transformação de uma
substância líquida em partículas ou gotas (ANDEF, 2003). Aplicação é um processo
que visa colocar o produto químico no alvo (CHRISTOFOLETTI, 1999).
1.2.1 Sistemas de Aplicação
Pode-se classificar a aplicação da pulverização em dois sistemas:
20
convencional e eletrostática.
A pulverização convencional baseia-se na pressão hidráulica para quebra das
gotas e a deposição do produto no alvo pela força da gravidade, limitando a
possibilidade de trabalhar com gotas muito pequenas, as quais sofrem o efeito da
deriva e evapotranspiração, havendo desta forma um maior gasto do produto para
garantir a deposição da quantidade mínima deste no alvo.
A pulverização eletrostática consiste na técnica de transferir cargas elétricas
às gotas, as quais quando se aproximam do objeto aterrado (planta) com carga de
sinal contrário a sua, são fortemente atraídas a este. A eficiência da captura das
gotas pela planta é maior e as perdas pela deriva são minimizadas (MATUO, 1983).
Para se ter uma idéia da eficiência dos vários métodos de pulverização, uma
comparação entre os dois sistemas acima citados com relação aos rendimentos de
deposição do produto agroquímico na planta de algodão a pulverização eletrostática
foi 123% superior à convencional (MULROONEY, 1997; SUMMER, 2000;
EMBRAPA, 05; LAW, 1993).
1.2.2 Pulverizadores
São máquinas e equipamentos responsáveis pelo: transporte, geração de
gotas e aplicação do produto agroquímico em um alvo.
Na busca de melhor produtividade agrícola, novas tecnologias vem sendo
implementadas nesse ambiente, onde se destacam os pulverizadores para aplicação
terrestre e aérea. Nesses pulverizadores o nível de automação embarcada é
altíssimo, obtendo resultados extremamente satisfatórios e de precisão na aplicação,
aumentando a eficácia e reduzindo insumo.
21
1.2.2.1 Pulverização Terrestre
Destacam-se na pulverização terrestre os pulverizadores denominados
autopropelidos que são equipamentos automotrizes que desenvolvem altíssimo
rendimento operacional nas aplicações de defensivos agrícolas, podendo chegar a
50 ha.h
-1
.
Dentre as tecnologias embarcadas destacam-se:
a) Tecnologia de Aplicação em Doses Variáveis com Mapas Digitais –
TADVMD (figura 1.01): Nesse tipo de aplicação de agroquímicos em doses
variáveis, é necessário um levantamento prévio da localização do alvo
biológico na área de aplicação, pois essa tecnologia não utiliza sensores de
identificação de alvo em tempo real. Inicialmente, as informações sobre a
localização dos alvos na cultura são marcadas com um GPS
(georeferenciamento dos dados) e arquivadas para posteriormente serem
analisadas por sistemas de informações geográficas (GIS, do inglês
Geographic Information System). Os softwares de GIS são responsáveis
pelo auxilio a elaboração dos mapas digitais de aplicação. Nesses mapas
digitais será planejada a aplicação de agroquímicos com doses
diferenciadas em função dos diferentes níveis de desenvolvimento do alvo
biológico em diversos lugares na cultura (LOBO, 2005).
b) Tecnologia de Aplicação em Doses Variáveis com Sensores – TADVS
(figura 1.02): Nesse tipo de aplicação de agroquímicos em doses variáveis,
o pulverizador é equipado com sensores de identificação de alvos
biológicos em tempo real. Não existe a necessidade de um mapeamento
prévio dos alvos biológicos na área de aplicação, pois a partir do momento
da identificação do alvo biológico, o sistema determina o princípio ativo a
22
ser utilizado e a dose necessária para o controle químico (LOBO, 2005).
Figura 1.01 - Equipamento Terrestre de Pulverização com Tecnologia
Embarcada para Aplicação em Doses Variáveis com Mapas Digitais,
onde: 1) Receptor GPS; 2) Antena do GPS; 3) Computador de Bordo; 4)
Sist. de integração da eletrônica de bordo; 5) Reservatório de água
limpa; 6) Sistema de injeção direta de agroquímicos e 7) Sensor de
velocidade (Radar).
Figura 1.02 - Equipamento Terrestre de Pulverização com Tecnologia
Embarcada para Aplicação em Doses Variáveis com Sensores, onde: 1)
Sensor de Alvos Biológicos (ex. Plantas Daninhas); 2) Computador de
Bordo (Controle do Sistema de Pulverização); 3) Receptor GPS
(conectado ao radar de velocidade); 4) Reservatório de Água e
Agroquímicos e 5) Sistema de Pulverização (injeção direta de
agroquímicos).
1.2.2.2 Pulverização Aérea
A pulverização aérea utiliza uma aeronave como plataforma de pulverização,
transformando-a em um avião agrícola para pulverização. São verdadeiras máquinas
de pulverização de alto rendimento operacional acima de 100 hectares por hora,
23
possibilitando uma intervenção mais rápida no alvo. Em áreas superiores a 1000
hectares este tipo de pulverização é fundamental.
Assim como nos autopropelidos, os aviões agrícolas possuem alta tecnologia
embarcada em sistemas de controle e automação, conforme está representado na
figura 1.03.
Figura 1.03 - Equipamento Aéreo de Pulverização com Tecnologia
Embarcada para Aplicação em Doses Variáveis com Mapas Digitais,
onde: 1) Antena do GPS; 2) Barra de Luzes para orientação da
aplicação do agro-químico em faixas paralelas sem falhas e
sobreposição; 3) Computador de Bordo que possibilita a aplicação
automática com fluxo variável em função das mudanças de velocidade e
em doses variáveis, em função dos diferentes níveis de infestação dos
alvos biológicos na área de aplicação; 4) Receptor GPS; 5) Sistema de
Controle de Fluxo para determinar o volume de aplicação em função das
modificações da velocidade operacional e 6) Sistema de Pulverização
para controle da deposição de gotas sobre os alvos biológicos (LOBO,
2005).
Atualmente os aviões agrícolas contam com Sistemas Diferenciais de
Posicionamento por Satélites (DGPS) que semelhante ao que ocorre na
aerofotogrametria, podem seguir um planejamento de vôo, composto por linhas
projetadas que recobrem a área a ser pulverizada. A aeronave pode ser mantida
segundo estas linhas, acionando automaticamente o sistema de pulverização ao
cruzar o limite da área e encerrando ao sair (INFOGEO, 2000).
Tanto nos aplicadores terrestres quanto aplicadores aéreos o dispositivo mais
importante são os bicos pulverizadores, pois deles depende a característica da
24
aplicação efetuada. Para cada tipo de aplicação, em função do tipo do alvo (solo ou
planta), estágio da cultura (inicial ou adulto), estágio da praga e condições
ambientais, a pulverização tem que ter determinadas características para ser mais
eficiente. Essas características específicas (volume, tamanho da gota, distribuição,
penetração, resistência à deriva), dependem do tipo de bico e suas condições
operacionais.
1.3 PONTAS HIDRÁULICAS DE PULVERIZAÇÃO
Os bicos são os componentes finais do circuito hidráulico do pulverizador. A
calda a ser aplicada, sob pressão, é forçada a passar por uma pequena abertura,
formando uma lâmina delgada que se desintegra em pequenas partículas ou gotas,
conforme mostra a figura 1.04 (LOUZAN, 2000).
Figura 1.04 – Formação de Gotas Através dos Bicos Pulverizadores.
Habitualmente o termo "bico de pulverização" é utilizado como sinônimo de
"ponta de pulverização", entretanto, corresponde a estruturas diferentes. O bico é
composto por todo o conjunto com suas estruturas de fixação na barra (corpo,
peneira, ponta e capa) representado na figura 1.05, enquanto que ponta
corresponde ao componente do bico responsável pela formação das gotas
(LOUZAN, 2000).
As pontas hidráulicas de pulverização agrícola têm três funções: 1)
Determinar a Vazão = função: tamanho do orifício, características do líquido e
25
(a)
(b)
(c)
(d)
pressão; 2) Distribuição = função: modelo da ponta, característica do líquido e
pressão; 3) Tamanho de gotas = função: modelo da ponta, características do líquido
e pressão.
Figura 1.05 – Componentes Básicos de um Bico Pulverizador, onde: (a) -
Corpo; (b) - Filtro; (c) - Capa e (d) - Ponta.
Existem vários modelos de pontas disponíveis no mercado, sendo que cada
uma produz um espectro de tamanho de gotas diferente, bem como larguras e
padrões diferentes de deposição. Portanto, é muito importante saber escolher a
ponta mais adequada ao trabalho a ser realizado.
O tipo e tamanho mais adequados são selecionados em função do produto
agroquímico que se deseja aplicar, da superfície a ser tratada e do volume de calda
1
necessária.
Cada modelo de ponta de pulverização apresenta algumas características
peculiares que os diferencia.
No entanto, todos eles apresentam uma faixa ideal de pressão de trabalho e
estão disponíveis com aberturas de diferentes tamanhos.
Os principais modelos de pontas de pulverização para bicos hidráulicos são:
Pontas de jato plano: que podem ser do tipo de impacto conforme
1
- Volume de Calda é igual ao Volume do produto (agroquimico + água) em função de um hectare (10000 m
2
).
26
representada na figura 1.06, ou do tipo leque (conforme figura 1.07) que produzem
jato em um só plano e o seu uso é mais indicado para alvos planos, como solo.
Na maioria dos herbicidas, que é aplicada na superfície do solo, ficou
arraigada ao senso comum de que ponta de jato plano só serve para aplicação de
herbicidas. No entanto, ela também pode ser indicada para aplicação de inseticidas
e fungicidas ao solo e em parede, nesse último, em programas de Saúde Pública.
No campo, para seleção da ponta, deve-se considerar todos os fatores que
qualificam sua função: vazão, distribuição e tamanho de gotas geradas e o alvo.
As pontas de jato plano 'leque' podem ainda ser subdivididas em:
1) padrão: perfil elíptico, ideal para utilização em barras;
2) uniforme: para utilização em faixas, sem sobreposição;
3) baixa pressão: trabalham a pressões mais baixas que o padrão,
produzindo gotas maiores;
4) redutora de deriva: possui um pré-orifício especialmente desenhado
para proporcionar gotas mais grossas e reduzir o número de gotas
pequenas com tendência de deriva;
5) injeção de ar: possui uma câmara onde a calda é misturada ao ar
succionado por um sistema venturi, proporcionando gotas mais grossas
e reduzindo o número de gotas pequenas;
6) leque duplo: possui dois orifícios idênticos produzindo um leque voltado
30º para frente e outro 30º para trás em relação à vertical.
Todas estas pontas são produzidas em uma grande variedade de tamanho e
ângulos de abertura do leque, embora os de uso mais freqüente sejam os de 80 e
27
(a)
(b)
(c)
110º. As de ângulo maior oferecem um leque maior, mas geralmente produzem
gotas menores.
Figura 1.06 - Ponta de Jato Plano do Tipo Impacto, onde: a) Aspecto
construtivo da ponta; b) Fluxo dentro da ponta e c) Padrão de
distribuição da ponta de Jato Plano do tipo Impacto.
Figura 1.07 - Pontas de Jato Plano do Tipo Leque onde: (a) Aspecto da
Ponta de Jato Plano Tipo Leque; (b) Fluxo dentro da ponta; (c)
Distribuição Normal e (d) Distribuição Uniforme.
Pontas de jato cônico estão representadas nas figuras 1.08 e 1.09, bem
como, ponta e padrão de distribuição: são tipicamente compostas por dois
componentes denominados de ponta (ou disco) e núcleo (difusor, caracol, espiral ou
core).
(a)
(b)
(c)
(d)
28
(a)
(b)
(c)
(a)
(b)
(c)
Freqüentemente as pontas são encontradas como peças separadas, mas
também podem ser encontradas incorporadas em uma única peça. O núcleo possui
um ou mais orifícios em ângulo, que faz com que o líquido ao passar por eles
adquira um movimento circular ou espiral. Após tomar esse movimento, o líquido
passa através do orifício circular do disco e então se abre em um cone.
Figura 1.08 - Ponta de Jato Plano Cônico Cheio, onde: (a) Sentido do
fluxo na Ponta; (b) Montagem Ponta e Difusor; (c) Padrão de Deposição.
Figura 1.09 - Ponta de Jato Plano Cônico Vazio, onde: (a) Sentido do
fluxo na Ponta; (b) Montagem Ponta e Difusor; (c) Padrão de Deposição.
Uma grande variedade de taxas de fluxo, de ângulos de deposição e de
tamanhos de gotas pode ser obtida através de várias combinações entre o tamanho
do orifício do disco, número e tamanho dos orifícios do núcleo, tamanho da câmara
formada entre o disco e o núcleo e a pressão do líquido. Em geral, pressões mais
elevadas com orifícios menores no núcleo e maiores no disco proporcionam ângulos
de deposição mais amplos e gotas menores. As pontas do tipo cone podem ser de
basicamente dois tipos: cone vazio e cone cheio.
29
A deposição no cone vazio se concentra somente na periferia do cone, sendo
que no centro praticamente não há gotas. No cone cheio, o núcleo possui também
um orifício central que preenche com gotas o centro do cone, proporcionando um
perfil de deposição mais uniforme que o do cone vazio, sendo mais recomendado
em pulverizações com barras em tratores.
As pontas de jato cônico são utilizadas na pulverização de alvos irregulares,
como por exemplo: as folhas de uma cultura, pois como as gotas se aproximam do
alvo de diferentes ângulos, proporcionam uma melhor densidade das superfícies
(ANDEF, 2003). A uniformidade na distribuição da calda aplicada pela barra, em
pulverizações de defensivos agrícolas, é dada pelas suas condições de montagem e
de operação: espaçamento entre bicos, altura da barra, ângulo de abertura dos
bicos e pressão de trabalho.
1.3.1 Vazão
A vazão em um bico hidráulico de pulverização agrícola é fornecida em litros
por minuto
2
, podendo ser obtida por:
1111
60000WhkmhaLminL
−−−−
××⋅×⋅=⋅
(1.01)
onde: L.min
-1
é a Vazão em litros por minuto; L.ha
-1
é o Volume de aplicação dado
em litros por hectare; km.h
-1
é a Velocidade de deslocamento do aplicador em
kilometros por hora
3
e W é o espaçamento entre bicos
4
(cm).
2
- Foi utilizado como unidade de tempo o minuto por ser usualmente praticada no meio agrícola;
3 - Foi utilizado como unidade velocidade o kilometros por hora por ser usualmente praticada no meio agrícola;
4 - Foi utilizado como unidade de distância (espaçamento) o centímetro por ser usualmente praticada no meio agrícola.
30
A vazão de um bico varia com a pressão de pulverização. Em geral, a relação
entre a vazão e a pressão é dada por (TEEJET, 2005):
2
1
1
2
1
1
bar
bar
minL
minL
=
⋅
⋅
−
−
(1.02)
onde: L .min
1
-1
é a Vazão inicial; L .min
2
-1
é a Vazão final; bar
1
é a Pressão inicial e
bar
2
é a Pressão final.
A equação 1.02 é explicada mediante a figura 1.10. Em que, para dobrar o
fluxo através de um bico, deve-se quadruplicar a pressão.
Uma pressão maior não somente aumenta a vazão de um bico, como também
influi no tamanho das gotas e na velocidade de desgaste dos orifícios. Com o
aumento da pressão de pulverização diminui o tamanho das gotas e é acelerado o
desgaste dos orifícios.
Figura 1.10 - Representação da Relação entre Pressão e Vazão no
sistema de Pulverização.
1.3.2 Espaçamento entre Bicos
Quando o espaçamento entre os bicos da sua barra pulverizadora for
diferente do especificado nas tabelas 1.01, 1.02 e 1.03, multiplicar os valores de
volume de aplicação em L.ha
-1
na tabela por um dos seguintes fatores (TEEJET,
2005).
1,0 bar
2,8 bar
0,8 L.min
-
1
0,4 L.min
-
1
31
Tabela 1.01 - Espaçamento entre Bicos e Fatores de Correção para
Diferentes Espaçamentos.
Baseadas num espaçamento entre os bicos de 50 cm
Espaçamento (cm) 20 25 30 35 40 45 55 60 75
Fator de Conversão 2,50 2,00 1,67 1,43 1,25 1,11 0,91 0,83 0,66
Tabela 1.02 - Espaçamento entre Bicos e Fatores de Correção para
Diferentes Espaçamentos.
Baseadas num espaçamento entre os bicos de 75 cm
Espaçamento (cm) 40 45 50 60 70 80 90 110 120
Fator de Conversão 1,88 1,67 1,50 1,25 1,07 0,94 0,83 0,68 0,63
Tabela 1.03 - Espaçamento entre Bicos e Fatores de Correção para
Diferentes Espaçamentos.
Baseadas num espaçamento entre os bicos de 100 cm
Espaçamento (cm) 70 75 80 85 90 95 105 110 120
Fator de Conversão 1,43 1,33 1,25 1,18 1,11 1,05 0,95 0,91 0,83
1.3.3 Ângulo de Pulverização e Densidade
Dependendo do tipo e tamanho do bico, a pressão de trabalho pode ter um
efeito significativo sobre o ângulo de pulverização e a qualidade da distribuição.
Como é mostrada na figura 1.11, para uma ponta de pulverização de jato plano, a
diminuição da pressão resultará num ângulo de pulverização menor e numa
considerável redução da densidade (TEEJET, 2005).
Geralmente, os líquidos mais viscosos que a água forma ângulos de
32
pulverização relativamente menores. Entretanto, os líquidos com tensões superficiais
menores que as da água produzirão ângulos de pulverização mais amplos. Em
situações em que a uniformidade da distribuição for importante, deve-se prestar
atenção especial para se trabalhar com as pontas de pulverização dentro da faixa de
pressão apropriada.
Figura 1.11 - Representação da relação entre pressão e ângulo de
pulverização formado pelo jato pulverizador.
1.3.4 Alturas Mínimas de Pulverização Recomendadas
As recomendações de alturas de bicos na tabela 1.04, são baseadas na
sobreposição mínima necessária para obter uma distribuição uniforme. Entretanto,
em muitos casos os ajustes típicos da altura são baseados na relação espaçamento
entre os bicos para altura de 1:1 (TEEJET, 2005).
1.3.5 Seleção das Pontas de Pulverização
Para se escolher adequadamente uma ponta de pulverização deve-se levar
em conta o tipo de pulverização necessária para atender os requisitos da aplicação,
de acordo com o tipo de produto químico (inseticida, fungicida, herbicida etc.), modo
de ação (contato ou sistêmico) e tipo de aplicação (pré ou pós-emergência, em área
total ou em faixa). Em cada caso, para que haja maior eficácia do produto, há uma
1,0 bar
92 cm
46 cm
90 º
2,8 bar
131 cm
46 cm
110 º
33
determinada pulverização cujas características são as melhores. Portanto, deve-se
escolher a ponta que produza a pulverização mais adequada para tal.
Visando auxiliar: técnicos e usuários na escolha da ponta de pulverização
mais adequada para o trabalho a realizar, cada fabricante elabora o "Guia de
Seleção de Pontas de Pulverização", indicando aquelas mais específicas para cada
caso.
Tabela 1.04 – Recomendações de Alturas dos Bicos em Função do
Espaçamento e Ângulo de Pulverização
5
.
Altura Mínima do Bico (cm)
Ângulo de
Pulverização
Espaçamento
50 cm
Espaçamento
75 cm
Espaçamento
100 cm
65º 75 100 Não Recomendado
80º 60 80 Não Recomendado
110º 40 60 Não Recomendado
As tabelas 1.05 e 1.06 são exemplos de Guias de Seleção de Pontas de
Pulverização do fabricante TeeJet Mid-Tech.
Tabela 1.05 - Seleção de pontas de pulverização para pulverização em área
total, do catálogo: Guia de seleção de bico para área total, fonte: (TEEJET, 2005)
5
- Foi utilizado como unidade de altura e faixa de densidade o centímetro por ser usualmente praticada no campo agrícola.
Guia de seleção TeeJet para pulverização em área total
Herbicidas Fungicidas Inseticidas
Pós-Emergência
Incorporado
no solo
Pré
Emergência
Contato
Sistêmico
Contato
Sistêmico
Contato
Sistêmico
XR
Teejet
Boa Ótima Boa Ótima Ótima Ótima Boa Ótima
Tee
Jet
----- Boa Boa Boa Boa ----- Boa -----
DG
TeeJet
Ótima Ótima ----- Ótima ----- Ótima ----- Ótima
Twin
jet
----- ----- Ótima ----- ----- ----- Ótima -----
TB
Floodjet
Ótima Ótima ----- Ótima ----- Ótima ----- Ótima
Full
Jet
Ótima Ótima ----- ----- ----- ----- ----- -----
Flood
Jet
Boa ----- ----- ----- ----- ----- ----- -----
34
Tabela 1.06 - Seleção de pontas de pulverização para pulverização em faixa
de jato dirigido, do catálogo: Guia de seleção de bico para área total, fonte:
(TEEJET, 2005).
1.4 EFICIÊNCIA DA PULVERIZAÇÃO DE UM TRATAMENTO AGROQUÍMICO
A eficiência de um programa controle de agentes biológicos na agricultura
através da pulverização de agroquímicos, representados na figura 1.12, depende
fundamentalmente de duas componentes consideradas controláveis que são:
eficiência produto químico a ser aplicado e da qualidade de sua aplicação, a terceira
componente deste sistema considerado fatores não controláveis são componentes
encontrados no meio, como por exemplo: condições meteorológicas, biológicas,
agronômicas (MIDEI, 2005).
Figura 1.12 – Eficácia de um tratamento agroquímico
Guia de seleção TeeJet para pulverização em faixa e jato dirigido
Herbicidas Fungicidas Inseticidas
Pós Emergência
Regulador
de
Crescimento
Pré
Emergência
Contato
Sistêmico
Contato
Sistêmico
Contato
Sistêmico
Tee
Jet
Boa Ótima Boa Ótima Boa Ótima ----- Ótima
Cone
Jet
----- Boa Ótima ----- ----- ----- Ótima -----
Twin
Jet
----- ----- Ótima ----- Boa ----- Ótima -----
TGFull
Cone
Ótima ----- ----- ----- ----- ----- ----- -----
Disc
Core
----- ----- ----- ----- Ótima Boa Ótima Boa
Eficiência
Biológica
Produto
Eficiente
Fatores não
Controláveis
Qualidade
da
Aplicação
35
1.4.1 Etapas Envolvidas na Eficácia dos Métodos de Aplicação de Agroquímicos.
A qualidade da aplicação de um produto agroquímico, que é objeto deste
trabalho, tem como meta a preservação das colheitas, mediante a neutralização do
ataque de pragas e patógenos e anulando-se a competição por parte das plantas
invasoras. Neste contexto destacam-se quatro pontos fundamentais a serem
considerados (CIBA AGRO, 1998):
1) Timing - (momento oportuno) consiste no momento ideal de
aplicação em função das características do produto agroquímico
junto com as condições do meio, como: Nível de infestação, Estágio
de Infestação e Condições climáticas. Não implicando em qualquer
custo adicional, a observação do timing possibilita a ação do produto
na oportunidade em que o agente biológico lhe esteja mais
vulnerável – e quando o custo dos danos causados seria igual ou
maiores que o do tratamento.
2) Segurança - Durante, a aplicação de um defensivo, qualquer que
seja sua classe toxicológica, é fundamental que todas as precauções
de manipulação e aplicação sejam tomadas para a segurança do
homem, dos animais e do meio ambiente sejam preservadas.
3) Densidade - Para a obtenção do máximo efeito biológico sobre o
agente causador dos danos, é necessário que o equipamento de
pulverização esteja muito bem ajustado, de forma a proporcionar
uma densidade mínima e uniforme do alvo (solo ou, superfícies
foliares) objetivado.
4) Dose - Fator indispensável na aplicação de qualquer defensivo, a
36
manutenção da dose correta durante todo o processo assegura
economia: a dose excessiva, além de provocar danos à cultura pela
fitotoxicidade, naturalmente eleva os custos. A dose correta
assegura a maior eficiência no controle, inclusive como garantia do
efeito residual previsto, o que não se obtém quando das aplicações
em subdoses.
1.4.2 Volume de Aplicação
A tabela 1.07 mostra as principais classificações dos Volumes de Aplicações
utilizados.
Tabela 1.07 - Classificações de Volume de Aplicação
Quanto menor o volume aplicado, maior o rendimento operacional dos
equipamentos, porém, menor será o diâmetro das gotas e menor a área de
densidade. Com exceção daquelas que é efetuado a ultrabaixo volume (UBV), em
que normalmente se utilizam volumes abaixo de 5 L.ha
-1
, a maioria das aplicações
com produtos diluídos em água é feita com volumes entre 10 e 50 L.ha
-1
. A escolha
do volume ideal para cada tipo de produto está em função da necessidade de
densidade, de acordo com as características e modo de ação dos agentes biológicos
visados (fungos, pragas ou plantas daninhas). Também deve ser levado em conta se
o produto tem efeito de contato ou sistêmico, bem como serem consideradas as
condições climáticas do local em que se realiza a aplicação (Tabela 1.08).
Aplicação
Litros/hectare
(L.ha
-1
)
Alto Volume (AV) > 50
Médio Volume (MV) 30 - 50
Baixo Volume (BV) 5 - 30
Ultra Baixo Volume (UBV) < 5
37
1.4.3 Densidade de Gotas (Cobertura)
A densidade das gotas (cobertura) é expressa em número de gotas por
centímetro quadrado
6
(cm
2
) que constitui o parâmetro mais fácil de ser determinado,
sendo que somente por ele se pode estabelecer a qualidade de uma aplicação.
Experimentações realizadas em vários países demonstraram a densidade das gotas
necessárias para se obter resultados satisfatórios com diferentes classes de
produtos (tabela 1.09).
Tabela 1.08 – Volume de aplicação ideal para cada tipo de classe de produto,
fonte: (CIBA AGRO, 1998).
Tabela 1.09 - Densidade das gotas em função das classes de produtos, fonte:
(CIBA AGRO, 1998).
6 - É utilizado como parâmetro de Densidade de Cobertura o centímetro quadrado por ser usualmente praticado.
Volume de Aplicação / DMV
Classe do Produto
Volume de
Aplicação
(L.ha
-1
)
DMV
(µm)
Faixa de
Aplicação
(m)
Inseticidas - UBV <5 100 a 200 25
Inseticidas - UB 10 a 30 200 a 400 20
Fungicidas - UB 20 a 50 200 a 400 20
Herbicidas pré-emergentes 20 a 50 > 400 15
Herbicidas pós-emergentes 20 a 50 200 a 400 15
Hormonais 20 a 50 > 600 15
Obs. Faixa de aplicação válida para as aeronaves Ipanema, Agwagon e Pawnee.
Densidade das Gotas em função das Classes de Produtos
Classe do Produto
Densidade das Gotas (gotas.cm
-2
)
Inseticidas 20 a 30
Herbicidas Pré-emergentes 20 a 30
Herbicidas Pós-emergentes 30 a 40
Fungicidas Sistêmicos 30 a 40
Fungicidas de Contato > 70
38
Um exemplo para volume de aplicação pode ser visto na figura 1.13. Neste
caso observa-se que uma densidade de 20 gotas.cm
-2
é um marco utilizado como
base para faixa de alta ou baixa densidade de gotas.cm
-2
por ser obtida com
diferentes volumes de calda ou tamanho de gota (CIBA AGRO, 1998).
Figura 1.13 – Representação do Volume de Aplicação (Volume de
Calda) em função de Densidade
1.4.4 Diâmetro de Gotas
A qualidade da densidade, portanto a eficiência biológica da aplicação está na
dependência direta do diâmetro das gotas, conforme a representação na figura 1.13.
Em uma pulverização é o diâmetro de gota que determina o nível de densidade e
também estabelece o seu comportamento quanto à distância de deslocamento
(deriva), penetração na folhagem, perda por evaporação (CIBA AGRO, 1998).
Mantendo constante um determinado volume de líquido, pode-se variar à área
1,0 L
200 L.ha
-
1
2 L.ha
-
1
1000 L.ha
-
1
960 µm 570 µm
125 µm
20 gotas.cm
-
2
.
TAMANHO
DA GOTA
VOLUME DE
APLICAÇÃO
PRODUTO
VOLUME APLICAÇÃO/DENSIDADE
DENSIDADE
39
de densidade, apenas alterando o diâmetro das gotas. A superfície de densidade irá
crescer na razão inversa do diâmetro das gotas, isto é, à medida que se for
reduzindo o diâmetro das gotas, estará se aumentando a superfície, conforme está
representado na figura 1.14, onde ilustra a relação entre tamanho de gota e
densidade de gota (cobertura), comparado com um alvo biológico.
Figura 1.14 – Relação entre Tamanho de Gota e Densidade em um alvo
biológico (LOBO, 2005).
1.4.5 Espectro de Gotas (EG)
Uma nuvem de partículas de pulverização, gerada pelos bicos hidráulicos ou
atomizadores rotativos, é constituída por gotas de diferentes diâmetros. Sua
distribuição, em porcentagem, é feita por classes de tamanhos e forma do espectro
de gotas. Se as gotas apresentarem uma diferença pequena entre os seus
diâmetros, a pulverização terá um EG homogêneo e se a diferença for grande o EG
será heterogêneo (SPILLMAN, 1976).
O espectro característico emanado da maioria dos equipamentos de
pulverização é constituído por um número maior de gotas pequenas e um reduzido
número de gotas grandes. A porcentagem de gotas pequenas, assim como a das
grandes, permanece mais ou menos constante, como mostra a figura 1.15, onde há
três diferentes padrões de volume (20, 30, 40 L.ha
-1
) com três diferentes espectros
de gotas (DMV), 200, 300, 400 µm, fonte: (SYNGENTA , 2005).
40
Figura 1.15 – Padrão de Espectro de Gotas em função do DMV
(SYNGENTA, 2005), onde: a) DMV = 200 µm, 20 L.ha
-1
com 129
gotas.cm
-2
; b) DMV = 200 µm, 30 L.ha
-1
com 194 gotas.cm
-2
; c) DMV =
200 µm, 40 L.ha
-1
com 258 gotas.cm
-2
; d) DMV = 300 µm, 20 L.ha
-1
com
38 gotas.cm
-2
; e) DMV = 300 µm, 30 L.ha
-1
com 51 gotas.cm
-2
; f) DMV =
300 µm, 40 L.ha
-1
com 76 gotas.cm
-2
; g) DMV = 400 µm, 20 L.ha
-1
com
16 gotas.cm
-2
; h) DMV = 400 µm, 30 L.ha
-1
com 24 gotas.cm
-2
; i) DMV =
400 µm, 40 L.ha
-1
com 32 gotas.cm
-2
.
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(i)
41
1.4.6 Principais Parâmetros Utilizados para Caracterizar uma População de Gotas
A população de gotas pode ser caracterizada considerando os diferentes
diâmetros medianos, ou seja, os diâmetros que permitem dividir uma população em
duas partes iguais, no que relaciona ao seu número, diâmetro, área coberta ou
volume. Os parâmetros mais utilizados são: diâmetro mediano numérico e o
diâmetro mediano volumétrico.
1.4.6.1 Diâmetro Mediano Numérico - (DMN)
O diâmetro mediano numérico (DMN) é o diâmetro mediano de gota dentro do
espectro da pulverização que permite dividir uma população de gotas em duas
quantidades iguais, ou seja, metade do número de gotas tem diâmetro maior que o
DMN e a outra metade têm diâmetro menor (SPILLMAN, 1976), conforme
representada na figura 1.16 (CIBA AGRO, 1998), onde se pode verificar que valor do
DMN depende principalmente das gotas menores.
Figura 1.16 – Espectro de distribuição de número de gotas em função do
Diâmetro.
Relativamente à distribuição considera-se que o percentual acumulado é dado
por:
DMN
Diâmetro
das Gotas
Máx.
Número
de Gotas
0
42
)
N
N
(100.P
h
1i
g
i
i
∑
=
=
(1.03)
onde: P
i
é a porcentagem acumulada; N
i
é o número de gotas da classe i; N
g
é o
número total de gotas (N
g
= Σ N
i
) e h é o número de classes consideradas.
1.4.6.2 Diâmetro Mediano Volumétrico - (DMV)
O DMV pode ser definido como sendo aquele tamanho de gota (em um
espectro) que divide o volume em duas partes iguais - uma metade constituída por
gotas com diâmetros inferiores; e a outra, por gotas com diâmetros superiores aos
daquela, ilustrada na figura 1.17 (CIBA AGRO, 1998).
Figura 1.17 – Representação do DMV em um Espectro de Gotas, fonte:
(CIBA AGRO, 1998).
O valor do DMV depende fundamentalmente das gotas grandes, pois estas
apresentam um aumento de volume muito superior à variação do diâmetro. Quando
existe uma percentagem elevada de gotas grandes o DMV não dá idéia do espectro
da população, pois o volume ocupado pelas gotas pequenas é muito reduzido
embora o seu número seja muito grande.
43
O volume de uma gota varia em função cúbica do seu diâmetro, de acordo
com a fórmula matemática:
6
.πd
.r.
3
4
V
3
3
==
π
(1.04)
Se a superfície de cobertura de uma gota é obtida pela fórmula matemática:
4
.d
S
2
π
= (1.05)
logo é válida a relação:
d
6
V
S
=
(1.06)
O que demonstra que a densidade aumenta com a redução do diâmetro e as
gotas.
Relativamente à sua representação cumulativa tem-se:
(1.07)
ou
(1.08)
∑
∑
=
=
=
h
1i
i
1i
i
(Ni.Vi)
(Ni.Vi)
100.P
∑
∑
=
=
=
h
1i
3
i
1i
3
i
)(Ni.di
)(Ni.di
100.P
44
Considerando este parâmetro, pode-se dividir as gotas de acordo com os
valores apresentados na tabela 1.10 (MATHEWS, 1979).
Tabela 1.10 - Classificação das gotas em função do DMV, fonte:
(MATHEWS, 1979).
Relativamente aos valores dos diâmetros medianos o DMV é superior ao
DMN, pois um pequeno número de gotas grandes contribui muito para aumentar o
DMV não alterando praticamente o segundo, enquanto que o aumento do número de
gotas pequenas tem um efeito contrário, ou seja, não altera sensivelmente o DMV
embora altere significativamente o DMN (KEPNER, 1978).
A curva de distribuição configura-se aproximadamente igual para qualquer
espectro de gotas, conforme representada na figura 1.18.
Figura 1.18 – Espectro de distribuição do Volume de Gotas em função
do Diâmetro, fonte (CIBA AGRO, 1998).
Diâmetro (µm) Classificação
< 50 aerosois
51 - 100 gotas muito finas
101 - 200 gotas finas
201 - 400 gotas médias
> 400 gotas grandes
DMV
Diâmetro
das Gotas
0,45 de Máx. Máx.
Volume
de Gotas
0
50%
50%
45
Assim a relação entre o DMV e o DMN, cujos valores dependem
principalmente das gotas grandes e pequenas, indica a variação do espectro, sendo
este tanto mais homogêneo quanto mais esta relação se aproximar da unidade.
A distribuição normal logarítmica destes diâmetros medianos, que permite
representar a maioria dos espectros dimensionais das gotas, juntamente com a sua
representação gráfica (JOHNSTONE, 1978), torna possível determinar os diâmetros
geométricos médios das gotas (dg). Assim, o diâmetro numérico e volumétrico é
dado respectivamente por:
g
N
hhii11g
N...dN...dNd (N)d =
(1.09)
g
3N
hhii11g
3N...d3N...d3Nd(V)d =
(1.10)
1.4.6.3 Uniformidade do Espectro
A análise da uniformidade do espectro utiliza valores de termos apresentados
em DV
0,1
, DV
0,5
e DV
0,9
que representa o diâmetro da gota tal que a porcentagem de
volume acumulativo da pulverização é de 10%, 50% e 90%, respectivamente, utiliza-
se também a relação DMV/DMN (R), que traduz a dispersão das gotas. O diâmetro
com 50% do volume acumulativo (DV
0,5
) representa o DMV.
A uniformidade da distribuição de gotas é um importante fator relacionado
com as características do espectro do tamanho de gotas, e afeta a eficácia e a
deriva de diferentes bicos. Dois termos que servem para expressar a uniformidade,
são:
46
0,10,9
DVDV(Ex) Extensão
−
=
(1.11)
0,5
DV
Extensão
(AR) Relativa Amplitude =
(1.12)
O valor da Extensão do espectro (Ex) quantifica a faixa de tamanho que
engloba 80% do volume da pulverização. A Amplitude Relativa (AR) é um índice não
dimensional comparativo entre as gotas que compõem a pulverização. Quanto maior
for esse valor, mais heterogêneo é o espectro da pulverização (MARTINEZ, 2002).
Segundo Johnstone (JOHNSTONE, 1978) o desvio padrão geométrico,
considerando a dispersão da distribuição, é obtido por:
16
50
50
84
d
d
d
d
δg ==
(1.13)
onde: d
84
, d
50
e d
16
são as dimensões para baixo das quais se encontram 84, 50 e
16 % do número (volume) das gotas.
O coeficiente de variação é dado por:
50
g
g
d
δ
100.CV =
(1.14)
sendo os valores diferentes conforme d
50
, referente ao DMN ou ao DMV.
Relativamente à uniformidade do espectro, e para a distribuição normal
logarítmica, o seu valor, segundo Johnstone (JOHNSTONE, 1978), é dado por:
47
2
g
3
)][ln.(δeRn =
(1.15)
o que, para os bicos hidráulicos, cônicos ou de leque, dá valores compreendidos
entre 2 e 3 (δg= 1,65 e 1,8); quanto mais próximo da unidade estiver o valor de R
maior é a uniformidade das gotas (LECOCQ, 1991).
1.5 FATORES QUE AFETAM A APLICAÇÃO
1.5.1 Deslocamento das Gotas (Deriva)
A Deriva é uma característica inerente à aplicação: as partículas são geradas
e liberadas a uma altura que poderá variar entre 2 e 4 metros, e durante sua
trajetória rumo ao alvo sofre a influência do vento. A distância de arrasto, portanto,
está em função do: diâmetro das gotas, velocidade do vento, altura do lançamento e
densidade do produto, demonstrado na figura 1.19 (CIBA AGRO, 1998).
O ponto de deposição máxima das partículas é definido pela fórmula:
S
V
H.U
D =
(1.16)
onde: D é a posição da deposição máxima (m), H é a altura de lançamento (m), U é
a média de velocidade do vento (m.seg
-1
) e Vs é a velocidade de sedimentação das
gotas (m.seg
-1
).
Como a velocidade de sedimentação está em função do diâmetro das gotas,
como mostra a Tabela 1.11, e do peso específico do líquido, se for fixado aquele
diâmetro se obterá a distância (D) na qual ocorrerá a deposição máxima. Esta
48
também pode ser mantida fixa alterando, neste caso, o valor de H de acordo com a
variação da velocidade do vento (CIBA AGRO, 1998).
Figura 1.19 – Fatores que afetam a Aplicação em termos de altura de
vôo e distância em metros (CIBA AGRO, 1998).
Tabela 1.11 – Velocidade de queda das gotas, fonte: (CIBA AGRO, 1998).
Diâmetro das Gotas
(µm)
Velocidade de Sedimentação
(m.seg-1)
20 0,012
40 0,047
60 0,102
80 0,175
100 0,270
120 0,355
140 0,445
160 0,536
180 0,625
200 0,705
250 0,940
300 1,150
350 1,200
400 1,630
500 2,080
400µm
300µm
200µm
100µm
10
20
30
40
50
Distância (m)
U – Vento (m.seg
-
1
)
Altura de Vôo
0
Vs
H
49
T
.
80
d
t
2
∆
=
1.5.2 Evaporação
Dependendo das condições de temperatura e umidade relativa do ar no
momento da aplicação, e principalmente do diâmetro das gotas, o líquido poderá
desaparecer completamente antes de atingir o alvo, conforme se pode observar na
tabela 1.12 (CIBA AGRO, 1998), onde o tempo de extinção e a distância de queda
são dados pelas expressões de Amsden, ou seja:
Fórmula de Amsden:
(1.17)
(1.18)
onde: t é o Tempo (seg), d é o Diâmetro das Gotas (µm), ∆T é a Diferença de
temperatura entre bulbos seco e úmido (ºC) e o D é a Distância de queda (m).
Tabela 1.12 – Tempo de vida de gotas em função da temperatura e distância
de queda, fonte: (CIBA AGRO, 1998).
Condições
Ambientais
T = 20 ºC ∆
∆∆
∆T = 2,2 ºC
Umidade Relativa = 80%
T = 30 ºC ∆
∆∆
∆T = 7,7 ºC
Umidade Relativa = 80%
Diâmetro de gotas
(µm)
Tempo para
extinção
(seg.)
Distância de
queda
(m)
Tempo para
extinção
(seg.)
Distância de
queda
(m)
50 14 0,50 4 0,15
100 57 8,50 16 2,50
200 227 136,00 65 39,00
300 511 690,60 146 197,00
400 909 2182,00 260 623,00
T
80.
.d10 x 1,5
D
46
∆
=
−
50
Assim, com padrão de densidade e o espectro das gotas analisadas, bem
como os processos envolvidos em uma pulverização, para avaliar a eficácia da
pulverização e a qualidade dos insumos e dos equipamentos utilizados, a etapa de
captura e reconhecimento das informações é uma etapa importantíssima no
processo para a obtenção de uma figura de mérito para analise dessas informações,
que serão tratados no capítulo seguinte.
51
Capítulo 2
PROCESSO DE CAPTURA DA INFORMAÇÃO E RECONHECIMENTO DE
PADRÕES DE DENSIDADE E DISTRIBUIÇÃO DE GOTAS
2.1 METODOLOGIAS DE CAPTURA DA INFORMAÇÃO
No processo de pulverização a densidade e espectro (distribuição) de gotas
podem ser mensurados através dos métodos: qualitativos e quantitativos, tais como,
uso de escala de notas visuais, medidas ópticas e análise química. Essas
metodologias que estimam a deposição e distribuição das gotas em uma
pulverização podem ser realizadas em alvos natural e artificial.
2.1.1 Alvo Natural
Neste tipo de metodologia utiliza-se a própria folha da cultura para captura da
gota, o que implica no uso de soluções químicas traçantes constituída por corantes
brilhantes e/ou fluorescentes com o objetivo de gerar dados sobre a quantidade do
traçante depositado, assim como o comportamento da distribuição das gotas sobre
as folhas.
A distribuição das gotas é avaliada utilizando luz ultravioleta onde através de
um critério visual ou processamento de imagem pode-se estabelecer a qualidade da
densidade.
A deposição é avaliada através da lavagem do alvo natural (folhas) para
análise da solução recuperada com a lavagem, utilizando para isso um
espectrofotômetro.
52
2.1.2 Alvo Artificial
Neste tipo de metodologia é utilizado um suporte não pertencente à cultura
para captura da gota, e sistemas de análise visual da deposição e distribuição das
gotas, podendo ser realizado no campo ou no laboratório. Os suportes mais
utilizados são: as lâminas de vidro cobertas com óxido de magnésio, as placas de
Petri com duas camadas líquidas, as lâminas de vidro com silicone e o papel
hidrosensível ou óleo-sensível. Na pulverização nesses suportes não se deve utilizar
velocidades de deslocamento dos bicos superiores a 3 m.s
-1
(MIRALLES, 1987).
As lâminas de vidro cobertas com óxido de magnésio permitem analisar os
depósitos das gotas, especialmente os de diâmetro compreendido entre 20 e 200
µm, pois, quando do seu impacto, formam pequenas crateras.
A placa de Petri com duas camadas liquida consiste em colocar duas
camadas de massa e viscosidade diferentes, não miscíveis com o produto do
tratamento, cujas gotas permanecem entre aquelas, não se alterando assim a sua
forma e não se evaporando; estas gotas são normalmente coloridas para melhorar o
seu contraste relativamente ao meio, a espessura de 2 mm para a camada oleosa
inferior e 1,5 mm para a superior, e considera que se devem analisar pelo menos
2000 gotas em cada ensaio. A figura 2.01 apresenta um exemplo de gotas de água
com diferentes volumes em uma placa de Petri contendo óleo mineral com alta
viscosidade. As lâminas de vidro com silicone são assim denominadas por terem
uma fina camada de silicone, em que se depositam as gotas sob a forma de um calo
esférico. Esta técnica permite obter fotografias das lâminas, sendo depois os
negativos utilizados para as determinações, para se evitar os erros cometidos pela
evaporação das gotas.
53
Figura 2.01 - Placa de Petri com gotas de chuvas calibrados em volume
e distribuídos em óleo de alta densidade, fonte:
(CRUVINEL, 1999).
O papel hidrosensível ou óleo-sensível tem uma cor amarela ou cinzenta que
reage instantaneamente ao impacto das gotas de solução a base de água ou que
contenha óleo em sua mistura, tornando-se preto ou azul nessas zonas. Podem ser
analisados diretamente ou fotografados e digitalizados para análise.
2.2 RECONHECIMENTO DO TAMANHO DE GOTA E DEFINIÇÃO DO ESPECTRO
O reconhecimento do tamanho de gota e a definição do seu espectro podem
ser feitos utilizando varias técnicas, desde a mais simples, que inclui os
microscópios de bolso com um retículo (MATHEWS, 1979), como as mais
complexas como: método da fotografia (ROELS, 1981), método do Óleo (EIGEL,
1983), método do processamento de imagens com correlação em freqüência
(CRUVINEL, 1996a) (CRUVINEL, 1999) e o método do processamento de imagens
com uso da transformada de Hough (MARTINEZ, 2002; CRUVINEL, 2003).
Este trabalho utilizou como ferramenta de obtenção da dimensão e espectro
de gota o método com processamento de imagem utilizando a transformada rápida
de Hough para objetos circulares. A figura 2.02 ilustra em diagrama de blocos do
subsistema de análise e mensuração de gotas de um processo de pulverização.
54
Figura 2.02 – Diagrama de blocos do subsistema de análise e
mensuração de gotas de um processo de pulverização utilizando a
transformada circular rápida de Hough (MARTINEZ, 2002).
Para a utilização da ferramenta de processamento de imagem, a aquisição da
informação (imagem) é realizada por um sistema de captura com uma câmera de
vídeo, onde se utiliza uma placa de captura para digitalização de imagens, ou um
scanner para digitalização de imagens e seu processamento, conforme se apresenta
no papel hidrosensível.
Para o diagrama de blocos apresentado na figura 2.02 considera-se o
seguinte detalhamento:
1) Aquisição da imagem utilizando papel hidrosensível como suporte;
2) Abertura da imagem para seu processamento;
3) Verificação de existência de ruído;
4) Caso exista, é feito um pré-processamento para eliminação dos ruídos
na imagem capturada, o qual pode ser utilizado tanto o
filtro da media
Aquisição da
info
rmação
Abertura da
imagem
Ruído
Zoom
Pré
processamento
Limiarização
Filtro
Laplaciano
Transformada
de Hough
Circular
Backmapping
Detecta
Gotas
Detectou
Todas
Gerar
Resultado
N
S
S
N
55
como o
filtro mediano;
5) Realizar um zoom
para aumentar a imagem e melhorar a visualização
das gotas a serem analisadas. Este zoom é feito com a digitalização
da informação em um software de tratamento de imagens com uma
resolução de 300 dpi.
6) A imagem é
limiarizada para separar o
que é fundo e o
que é gota e
tirar os ruídos restritos, para a realização da transformada de Hough.
7) A segmentação da imagem consiste na detecção de bordas utilizando
o
operador Laplaciano para destaque de forma mais precisa das
circunferências.
8) A etapa da transformada de Hough Circular viabiliza a obtenção de
dados da imagem, nas posições: horizontal e vertical mapeando para
o espaço de parâmetros. Na seqüência gera-se o
arranjo acumulador
com as informações de linha, coluna e raio que são informados pela
transformada de Hough e definindo um espaço de parâmetros de
transformação ao tridimensional. O apêndice (A) apresenta o
pseudocódigo onde é realizada a transformada de Hough do arranjo
acumulador tridimensional e inserem-se os valores no novo arranjo
acumulador que é o bidimensional, mudando a definição do espaço de
parâmetros somente pelas variáveis paramétricas (a, b).
9) Para resolver o problema de falsos picos é realizado o
método de
Backmapping (COSTA, 2000), onde é gerado um segundo arranjo
acumulador, ou seja, um arranjo somente com os dados dos picos do
primeiro. Neste segundo arranjo utilizam-se somente informações de
56
linha e coluna, sem a necessidade do valor do raio. Sendo assim é um
arranjo acumulador bidimensional. O pseudocódigo do Backmapping
está representado no apêndice (B).
10) Na etapa de detecção, todas as gotas aparecem na imagem de uma
só vez, pois pelo fato de diversificarem em tamanho, threshold
mostrando que vai apagando as gotas detectadas e refazendo a
transformada para ir detectando as gotas gradualmente.
As análises de gotas consideram também as quebras de clusters onde em
uma imagem é detectada uma parte do cluster e, em novas análises da imagem são
detectadas as partes que o complementam. Isto facilita a identificação dos mesmos.
11) Após a detecção e reconhecimento dos padrões de gotas o sistema
fornece o cálculo da quantidade de gotas e seu respectivo volume,
juntamente com o DMV (Diâmetro Mediano Volumétrico), DMN
(Diâmetro Médio Numérico) e a sua densidade.
2.3 TÉCNICAS DE RECONHECIMENTO DE PADRÕES DE DENSIDADE E
ESPECTRO DE GOTAS PARA TOMADA DE DECISÃO.
Na análise do processo da pulverização, quanto às características quantitativa
e qualitativa para tomada de decisão, devem-se conhecer os fatores que contribuem
para isto. Sabe-se que as pulverizações são constituídas de uma quantidade muito
grande de gotas e o objetivo do equipamento pulverizador é distribuir o produto
selecionado, conforme o tipo de agricultura, de maneira uniforme, proporcionando
uma boa densidade.
57
A distribuição da calda aplicada pela barra de maneira uniforme é dada pelas
condições de montagem e de operação espaçamento entre bicos, altura da barra,
ângulo de abertura dos bicos e pressão de trabalho, onde cada tipo de bico possui
um padrão de distribuição característico, que determina a altura do bico em relação
ao alvo.
A qualidade do equipamento pulverizador e conseqüentemente qualidade da
densidade fica em função dos parâmetros característicos das gotas e seu espectro
de distribuição, ou seja, do padrão estabelecido como qualidade.
Um padrão é uma estrutura de medidas quantitativas e qualitativas que
representam alguma entidade na imagem origem. Em geral um padrão é formado
por um ou mais descritores, em que um descritor é uma das medidas que compõem
a estrutura do padrão. Entretanto, um padrão é geralmente visto como um arranjo de
descritores, na quantia necessária para classificá-lo, arranjado de forma a fornecer
informações adequadas a respeito do padrão estabelecido (FU, 1981; GIACINTO,
1997).
Uma das técnicas mais utilizadas na etapa de reconhecimento de padrões é a
que faz uso de medições (descritores) sobre os objetos. No caso as medidas podem
ser realizadas sobre regiões da imagem ou sobre objetos identificados na etapa de
segmentação.
Os padrões elaborados para o reconhecimento e a classificação de objetos,
utilizando imagens digitais desenvolvidas no passado trabalhavam bem em objetos
2D ou objetos 3D em diferentes posições, e ainda continua apresentando problemas
para um caso tridimensional, se caracterizando como um problema a ser tratado na
pesquisa.
58
2.4 VETORES DOS PADRÕES DE GOTAS UTILIZADOS PARA ANÁLISE DE
QUALIDADE
Os descritores utilizados neste trabalho para análise de densidade de gotas e
de seu espectro foram: DMV, DMN, DV
0,1
, DV
0,9
, Extensão (Ex) e Número de Gotas
(Ng) os quais foram estabelecidos em cada
sítio-específico e obtidos na análise de
processamento de imagem, utilizando transformada de Hough. Cada conjunto de
descritores obtido na etapa de processamento de imagens forma a base para
geração de uma figura de mérito do grau de eficiência da aplicação. Os valores
máximos dessas variáveis são normalizados em função da medida do raio de um
círculo de verificação, cuja área inscrita, que é obtida pala união dos vértices da
figura poligonal formada, define o indicador procurado, conforme exemplo
apresentado na figura 2.03. Investigações preliminares quanto à validade desta
metodologia foram recentemente apresentados em caráter de simulação no
Congresso Internacional de Agricultura de Precisão realizado em Sete Lagoas MG
(CRUVINEL, 2005).
A Figura de Mérito de Qualidade (FMQ) da aplicação do herbicida ilustra que
ao ocorrer uma flutuação na variação do tamanho de gotas de chuva nos sítios-
específicos, ocorre simultaneamente uma variação na área da figura de mérito
(A
FMQ
) gerada no circulo unitário, em função da alteração dos descritores DMV,
DMN, DV
0,1
, DV
0,9
, Extensão (Ex) e Número de Gotas (Ng). Observa-se que a
melhor figura de mérito quanto à eficiência e redução de perdas do insumo utilizado,
com conseqüente redução de impacto ambiental, ocorre quando as flutuações na
variação de tamanho de gotas nos sítios específicos forem menores.
59
Figura 2.03 – Exemplo de Figura de Mérito de Qualidade (FMQ)
composta pelos descritores DMV, DMN, DV
0,1
, DV
0,9
, Extensão (Ex),
Número de Gotas (Ng) e Área (A
FMQ
).
A área resultante da Figura de Mérito de Qualidade (FMQ) pode ser obtida
por:
∑
=
=
6
1i
iFMQ
∆ A
(2.01)
em que: A
FMQ
é a área total da figura de mérito;
i
∆
são áreas dos triângulos que
formam a figura de mérito de qualidade, onde na expressão 2.02 está representado
o cálculo da área do triângulo formado pelos Descritores a exemplo de Ex e DMN,
cujo ângulo entre eles é de 60º:
DMN
Círculo
de
Raio Unitário
Região para
definição da
Figura de Mérito
A
FMQ
60º
Figura
de
Mérito
Ex
Ng
DV
0,1
DV
0,9
DMV
60
2
DMN) .(Ex 60sen
∆
o
1
=
(2.02)
Adicionalmente, os valores dos indicadores são normalizados e utilizados
como entradas para uma Rede Neural Artificial (RNA) a ser tratada no próximo
capítulo deste trabalho. Esta RNA será usada para auxilio a tomada de decisão
quanto à qualidade do processo de aplicação de pulverização em campo agrícola.
61
Capítulo 3
SISTEMA DE AVALIAÇÃO COM TOMADA DE DECISÃO UTILIZANDO REDE
NEURAL ARTIFICIAL TIPO PERCEPTRON BACKPROPAGATION
3.1 REDES NEURAIS ARTIFICIAIS
No ramo da ciência que estuda a funcionalidade do cérebro humano,
pretendendo justificar que um comportamento inteligente pode ser implementado
artificialmente em computadores (Inteligência Artificial), diversos pesquisadores têm
buscado criar modelos computacionais que representam a funcionalidade do
cérebro. Um destes modelos resultou na criação das Redes Neurais Artificiais
(RNA).
As redes neurais tornaram-se uma realidade na computação, especialmente
para fins de reconhecimentos de padrões. Isto se deve a sua capacidade de
aprender e assim modificar seu comportamento frente a um conjunto de estímulos
de entrada. Na verdade, ela aprende a dar uma resposta específica para um
determinado conjunto de estímulos fornecidos. Devido a esta capacidade, as redes
neurais podem realizar tarefas diferenciais em relação aos sistemas convencionais
tradicionais.
Segundo Haykin (ALVES, 2001) uma rede neural, pode ser definida como um
processador maciço, paralelamente distribuído, constituído de unidades de
processamento simples, as quais têm propensão natural para armazenar um
conhecimento experimental e torná-lo disponível para uso. Ela assemelha-se ao
cérebro em dois aspectos: (a) o conhecimento é adquirido pela rede a partir de seu
ambiente através de um processo de aprendizagem; (b) forças de conexão entre
62
neurônios (os pesos sinápticos) são utilizadas para armazenar o conhecimento
adquirido.
O interesse em redes neurais data do início da década de 40, com o trabalho
pioneiro de McCulloch e Pitts (BRAGA, 2000). Warren McCulloch foi um psiquiatra e
neuroanatomista, o qual estudou por cerca de 20 anos a representação de um
evento no sistema nervoso. Walter Pitts, que foi um prodígio matemático, se uniu a
McCulloch em 1942, para em 1943 escreverem um artigo que se tornou clássico e
recebeu muita atenção da comunidade que estudava o modelo do neurônio
(BRAGA, 2000).
No modelo de McCulloch, o neurônio possui i entradas (equivalente ao
dentritos) x
1
, x
2
,..., x
m
e apenas uma saída (equivalente ao axônio) y. Para simular a
sinapse, cada entrada do neurônio tem um peso w
1
, w
2
,...,w
m
cujos valores podem
ser positivos (excitatórios) ou negativos (inibitórios). Os pesos têm como finalidade
armazenar o conhecimento e determinar a intensidade com que cada entrada
contribuirá no resultado do neurônio. O corpo celular é emulado simplesmente
somando os valores do produto de suas entradas com seus respectivos pesos, x
i
w
i
,
e, se a soma for maior que o seu limiar, a sua saída é ativada com valor 1, ou não,
ativada com valor 0 (zero). Resumindo o neurônio será ativo quando:
∑
=
≥
m
1i
ii
.w x
ϕ
(3.01)
onde: m é o número de entrada do neurônio, w
i
é o peso associado à entrada x
i
e
ϕ
é o limiar do neurônio, conforme ilustrado na figura 3.01.
A diferença entre o neurônio de McCulloch e Pitts em relação ao neurônio
63
biológico é que os artificiais trabalham sincronamente, isto é, são ativados ao
mesmo tempo.
Figura 3.01: Neurônio artificial de McCulloch e Pitts, fonte: (BRAGA,
2000).
Já os biológicos não possuem este tipo de sincronização. No sistema
biológico, a saída do neurônio depende das ativações anteriores, devido aos
neurotransmissores liberados anteriormente que levam algum tempo para se
recombinarem. Nos neurônios artificiais são usados pesos negativos para
representar a inibição.
A principal limitação do neurônio de McCulloch e Pitts é que ele foi proposto
com pesos fixos, isto é, não-ajustáveis, e não conseguem implementar funções
linearmente separáveis.
Uma RNA baseia-se em técnica computacional que implementa um modelo
matemático de um sistema neural biológico simplificado, com capacidade de
aprendizado, generalização, associação e abstração. As RNAs tentam aprender
padrões diretamente dos dados através de um processo de repetidas apresentações
dos dados à rede, ou seja por experiência. Dessa forma, uma RNA procura por
relacionamentos, constrói modelos automaticamente, e os corrige de modo a
diminuir seu próprio erro.
ϕ
Σ
x
2
x
1
x
m
y
j
w
j1
w
j2
w
j3
64
Semelhante ao sistema biológico, as RNA são formadas por neurônios e
conexões entre eles. O neurônio (figura 3.02) representa a região onde informações
são processadas. Além de seus três elementos básicos: pesos sinápticos (w),
função de soma (Σ) e a função de transferência (
ϕ
), o neurônio pode apresentar um
bias
7
que tem o efeito de aumentar ou diminuir a entrada líquida da função de
ativação (HAYKIN, 2001), dependendo se ele for positivo ou negativo,
respectivamente.
Figura 3.02 – Um Neurônio Artificial, ou rede neural, fonte: (HAYKIN, 1999)
A função de soma processa os estímulos ponderados pelos respectivos
pesos, ou seja:
mjm
m
j
.xwΣy =
(3.02)
onde: y
j
é a saída gerada por cada neurônio da camada anterior.
7 - Bias: Parâmetro de deslocamento da função de ativação.
Σ
x
2
x
1
x
m
y
j
w
j1
w
j2
w
jm
ϕ
Bias
b
j
v
j
Entradas
Pesos
Sinápticos
Soma
Função de
Ativação
Saída
65
A função de transferência, também chamada de função de ativação, limita a
amplitude do intervalo do sinal de saída do neurônio, para algum valor finito,
geralmente no intervalo normalizado (0,1) ou (-1,1).
)f(xy
jj
=
(3.03)
3.1.2 Principais Funções de Ativação
A partir do modelo proposto por McCulloch e Pitts vários outros modelos
foram desenvolvidos, permitindo a produção de qualquer saída, não
necessariamente zero ou um, e com diferentes funções de ativação. Destacam-se
quatro funções de ativação, ou seja:
1) Função Linear: Representada graficamente pela figura 3.03a e definida
pela seguinte equação:
α.x
y
=
(3.04)
onde: α é um número real que define a saída linear para os valores de entrada, y é
a saída e x é a entrada.
2) A função linear pode ser restringida para produzir valores constantes
em um faixa (-y,+y), e neste caso, passar a ser a função rampa,
representada graficamente na figura 3.03b e definida pela notação abaixo.
−
+
=
y
x
y
f(x)
se
se
se
yx
yx
y
x
−≤
=
≥
(3.05)
66
3) Função Degrau: Esta função é similar à função rampa, pois produz na
saída +y para valores de x maiores que zero caso contrário, a função
produz o valor de –y. A função degrau é definida pela notação abaixo e
representada pela figura 3.03c.
−
+
=
y
y
f(x)
se
se
0x
0x
≤
>
(3.06)
4) Função Sigmoidal: É uma função semilinear, também conhecida como
S-shape. Uma das funções sigmoidais mais importantes é a função
logística, a qual se encontra representada pela figura 3.03d, sendo
definida por:
x/T
e
1
1
y
−
+
=
(3.07)
onde: o parâmetro T determina a suavidade de curva.
Em uma RNA os neurônios são arranjados em camadas, com conexões entre
si. A figura 3.04 representa conceitualmente uma arquitetura de uma RNA simples.
Os círculos representam os neurônios, as linhas representam os pesos das
conexões.
Por convenção, tem-se para uma RNA uma camada de entrada, onde os
padrões são apresentados à rede; uma camada de saída, onde é apresentado o
resultado e as camadas internas, onde é feita a maior parte do processamento
através das conexões ponderadas. É tradicionalmente chamada de camada oculta.
67
Uma RNA pode conter uma ou várias camadas ocultas, de acordo com a
complexidade do problema a ser tratado.
Figura 3.03 – Representação das Funções de Ativação de uma RNA,
onde: (a) função linear; (b) função rampa; (c) função degrau e (d) função
sigmoidal.
Figura 3.04 – Representação de uma estrutura de uma RNA, fonte:
(ALVES, 2001).
x
x
f(x)
f(x)
(a)
(b)
x
x
f(x)
f(x)
(c)
(d)
Camada
Oculta
Camada
de
Entrada
Sinal de
Entrada
(estímulo)
Sinal de
Saída
(resposta)
Camada
de Saída
conexão
neurônio
68
A camada de entrada, na verdade, não é formada por neurônios reais, pois
eles não realizam nenhum processamento. Eles simplesmente distribuem os valores
das entradas da rede para os neurônios da primeira camada oculta. Já a camada
intermediária tem a função de processar a informação oriunda da camada de
entrada ou de outra camada intermediária que a antecede. O tipo de conexão, o
número de camadas de neurônios e o tipo de treinamento são os aspectos que
diferem os tipos de redes neurais. Cada um é mais adequado para um determinado
tipo de tarefa.
3.1.3 Arquitetura de Rede
Como parte da definição da arquitetura de uma RNA tem-se: quantidades de
camadas, números de neurônios em cada camada e tipo de conexão entre os
neurônios (BRAGA, 2000).
Quanto ao número de camadas:
1) redes de camada única: é a forma mais simples de uma rede em
camada. Surge quando se tem uma camada de entrada que se projeta
para camada de saída, como mostrado na figura 3.05 (a e d);
2) redes com múltiplas camadas: diferencia-se das redes com camada
única pela presença de uma ou mais camadas ocultas, como mostradas
na figura 3.05 (b e c).
Quanto aos tipos de conexões:
1) feedforward ou acíclica: a saída do neurônio na i-ésima camada não
pode ter entradas com neurônios em camadas de índice menor ou igual a
i, como mostrado na figura 3.05 (a, b e c);
69
2) feedback ou cíclica: a saída do neurônio na i-ésima camadas tem
entradas com neurônios em camadas de índice menor ou igual a i, como
mostrado na figura 3.05 (d).
Quanto a sua conectividade:
1) rede fracamente (ou parcialmente) conectada, como na figura 3.05 (c);
2) rede completamente conectada, como mostrada na figura 3.05 (a, b e
d).
Figura 3.05 – Exemplos de arquiteturas de Redes Neurais, onde: (a) é
uma RNA feedforward de uma camada; (b) é uma RNA feedforward de
uma camada oculta; (c) é uma RNA feedforward de uma camada oculta
com entrada diferenciada e (d) é uma RNA feedback de uma camada,
fonte: (RIBEIRO, 2003).
Camada
de Saída
(a)
Entrada
Camada
Oculta
(b)
Entrada
Camada
de Saída
Camada
Oculta
(c)
Entrada
Camada
de Saída
(d)
Operadores
de atraso
unitário
Entrada
Camada
de
Saída
Z
-
1
Z
-
1
Z
-
1
70
3.1.4 Aprendizagem
A característica mais importante das redes neurais é a habilidade de aprender
o seu ambiente e com isso melhorar seu desempenho. Isto é realizado por meio de
um processo iterativo de ajustes de seus pesos sinápticos e níveis de bias. O
aprendizado ocorre quando a rede neural atinge uma solução generalizada para
uma classe de problemas. Uma definição de aprendizagem que é adaptada de
Haykin (HAYKIN, 1999), estabelece: a aprendizagem é um processo de estimulação
pelo ambiente no qual a rede está inserida.
Para aprender as redes neurais são treinadas a partir dos dados de entrada,
aprendendo com eventos e não através de programação. Por este motivo, deve-se
tomar cuidado com a formação do conjunto de treinamento. Este conjunto deve ser
gerado através de dados históricos, ou seja, de experiências e fatos ocorridos no
passado.
A rede deve ser capaz de generalizar. Mas, ao mesmo tempo, deve-se tomar
cuidado para que não aconteça um super treinamento e memorização dos dados.
Se uma rede neural é submetida a um super treinamento, ela perde a capacidade de
reconhecer padrões fora do conjunto de treinamento. Para evitar esta situação deve-
se ter um conjunto de teste com dados diferentes do conjunto de treinamento, e a
rede deve ser capaz de classificá-los corretamente, provando assim sua flexibilidade
e capacidade de generalização.
Os principais paradigmas de aprendizagem são:
1) Aprendizagem supervisionada (ou aprendizagem com professor),
quando é utilizado um agente externo que indica à
rede a resposta
desejada para o
padrão de entrada. O ajuste dos pesos ocorre quando o
71
sistema compara a saída da rede com a resposta previamente conhecida;
2) Aprendizagem não-supervisionada (ou aprendizagem sem professor),
quando não existe um agente externo indicando a resposta desejada para
os padrões de entrada. A rede neural utiliza o neurônio como
classificadores, e os dados de entrada como elementos de classificação.
Esse tipo de rede trabalha essas entradas e se organiza de modo a
classificá-las mediante algum critério de semelhança;
3) Aprendizagens híbridas: parte dos pesos é determinada através da
aprendizagem supervisionada, enquanto outros são obtidos através da
aprendizagem não-supervisionada.
Encontra-se na literatura descrições de uma série de tipos de redes neurais
(ALVES, 2001; ROSENBLATT, 1962; GUMZ, 2002). Neste trabalho é utilizada uma
rede neural do tipo Perceptron Backpropagation.
3.2 REDE NEURAL ARTIFICIAL DO TIPO PERCEPTRON BACKPROPAGATION
A Perceptron é a rede neural pioneira que tem a forma mais simples de RNA
para classificar o tipo especial de padrão denominado de linearmente separável, isto
é, padrões que ficam em lados opostos de um hiperplano. Essa rede é capaz de
classificar apenas padrões linearmente separáveis. Ou seja, padrões que caem em
determinadas posições de um hiperplano na qual podem ser separados por uma
linha reta, conforme apresentado na figura 3.06 (RIBEIRO, 2003). Basicamente, a
Perceptron constitui-se de uma camada simples com ajuste dos pesos sinápticos e
um limiar, conforme a ilustração da figura 3.07. O pseudocódigo de ajuste dos
parâmetros livres dessa rede foi desenvolvido por ROSENBLATT (BRAGA, 2000).
72
Ele provou que o pseudocódigo converge se o padrão (vetor) do treinamento for
delineado por duas classes separáveis linearmente. O pseudocódigo também
estabelece a superfície de separação na forma de um hiperplano entre duas classes
(ROSENBLATT, 1962).
Figura 3.06 – Exemplo sobre classificação de padrões linearmente
separáveis.
Figura 3.07 – Perceptron de uma camada, fonte: (HAYKIN, 1994)
.
O pseudocódigo de treinamento do modelo Perceptron permite distinguir
classes no conjunto de entradas, se estas forem linearmente separáveis em termos
de algum espaço de decisão. Os Perceptrons tomam decisões, e determinam se um
padrão de entrada se encaixa ou não em certo padrão. O pseudocódigo de
treinamento do Perceptron corresponde ao chamado teorema de convergência para
C
1
C
2
x
1
x
2
Saída
y
Limiar
ϕ
(Threshold)
Entrada
X
1
X
2
X
m
73
RNA Perceptron.
Nesse teorema, a RNA tipo Perceptron pode aprender tudo o que ele pode
representar (ROSENBLATT, 1962). Desta forma, há diferença entre representação e
aprendizagem. A representação é a capacidade de uma rede simular uma função
específica, enquanto que a aprendizagem requer a existência de um procedimento
sistemático de ajuste dos pesos da rede para produzir esta função.
3.2.1 Rede Perceptron Feedforward Multicamadas - MLP (Multi Layer Perceptron)
Como visto anteriormente, as redes de apenas uma camada (Perceptron),
resolvem apenas problemas linearmente separáveis. Minsky; Papert (MINSKY,
1969) demonstraram que o Perceptron não resolvia problemas não linearmente
separáveis. Em 1986, Rumelhart e colaboradores (RUMELHART, 1986)
desenvolveram o pseudocódigo de treinamento denominado backpropagation,
demonstrando que era possível treinar com eficiência redes com camadas
intermediárias. Isto resultou no modelo de RNA mais utilizado atualmente, as Redes
Perceptron MultiCamadas (MLP). Portanto, a MLP é uma extensão do Perceptron,
mas com algumas particularidades (RUMELHART, 1986).
Nesta modalidade a rede Perceptron é utilizada no reconhecimento de
padrões, filtragem de sinal, compressão de dados e comparação de padrões
heteroassociativos, que associa um padrão a outro. As redes feedforward
multicamadas possuem um melhor desempenho devido à passagem unidirecional do
sinal pela rede.
O processamento da informação ocorre no sentido progressivo através da
interconexão entre os neurônios das camadas adjacentes. Além disso, estas redes
podem ser utilizadas para classificação de padrões não linearmente separáveis
74
como ilustra a figura 3.08.
Figura 3.08 – Exemplo sobre classificação de padrões não linearmente
separáveis.
Uma rede neural feedforward típica é representada na figura 3.09. Observa-se
na figura uma camada de entrada, uma camada oculta e uma camada de saída.
Neste tipo de rede pode-se ter uma ou mais camadas ocultas. Cada camada é
plenamente interconectada à camada vizinha. A saída de cada elemento
processador (EP), que não esteja na última camada propaga sua saída para todos
os EPs da camada posterior.
Figura 3.09 – Arquitetura perceptron de múltiplas camadas com uma
camada oculta, fonte: (HAYKIN, 1994).
C
1
C
2
x
1
x
2
Camada
de
Saída
Estímulo
yj
Camada
de
Entrada
Camada
Escondida
yj
yj
yk
yk
yk
yj
w
kj
w
jm
e
k
x
0
x
1
x
2
x
m
m
j
k
Resposta
75
Na arquitetura apresentada na figura 3.09 os índices m, j e k se referem às
camadas diferentes na rede; propagando através da rede da esquerda para a direita,
a camada m encontra-se na camada de entrada, a j na camada oculta e a k na
camada de saída.
Esta rede pode ter uma grande variedade de mapeamentos complexos. Isto
porque os elementos de processamento das camadas escondidas aprendem a
responder às características da entrada. Estas características se referem às
correlações de atividades entre os diferentes EPs de entrada, possibilitando uma
representação abstrata da informação de entrada nas camadas escondidas. Além da
capacidade de abstração, a rede possui capacidade de generalização, sendo capaz
de classificar corretamente um padrão complexo mesmo quando este não pertença
ao conjunto de treinamento da rede.
3.2.2 Treinamento Backpropagation
O pseudocódigo backpropagation é utilizado para treinamento desta
arquitetura e durante o treinamento com esse pseudocódigo, a rede opera em uma
seqüência de dois passos.
Primeiro, um padrão é apresentado à camada de entrada. A atividade
resultante flui através da rede, camada por camada, até que a resposta seja
produzida pela camada de saída. No segundo passo, a saída obtida é comparada à
saída desejada para esse padrão particular e o erro calculado. O erro é propagado a
partir da camada de saída até a camada de entrada, e os pesos das conexões das
unidades das camadas internas vão sendo modificados conforme o erro é
retropropagado.
As redes que utilizam o backpropagation operam com uma variação da regra
76
denominada Delta Generalizada. Este pseudocódigo procura minimizar o erro obtido
pela rede por meio do método do gradiente descendente. O objetivo deste gradiente
é buscar um mínimo global. Sendo que, o mínimo global é considerado como uma
solução teórica ótima, pois apresenta o menor erro possível.
No treinamento de uma RNA complexa, a solução obtida pode não
corresponder à global pois a função pode apresentar mínimos locais. Quando o tipo
de superfície do erro não é conhecido, o pseudocódigo verifica uma grande
quantidade de possibilidades até determinar a melhor solução. A taxa de
aprendizado é um elemento muito importante neste processo, pois ela controla o
tempo de aprendizado levando em conta a taxa de convergência entre a solução
atual e o mínimo global. Portanto, o treinamento das redes multicamadas com
backpropagation pode requerer um número excessivo de iterações, resultando em
um tempo de treinamento consideravelmente longo.
Uma maneira de otimizar a regra Delta generalizada é introduzir o termo
"momentum", que é uma constante que determina o efeito das mudanças passadas
dos pesos na direção atual do movimento no espaço de pesos, que tem por objetivo
permitir o aumento da taxa de aprendizagem, sem que ocorram oscilações, bem
como atuar no aumento da velocidade de convergência.
Considerando uma RNA como um mapeamento não linear de entrada-saída
representada na figura 3.10 (a), onde os pontos identificados como dados de
treinamento foram utilizados na aprendizagem e o ponto marcado como
generalização é visto como resultado da interpolação realizada pela rede. A rede
pode ter generalização pobre devido à memorização, representada na figura 3.10 (b)
para os mesmos dados representados na figura 3.10 (a). A memorização implica que
o mapeamento de entrada–saída da rede não é suave (HAYKIN, 1999).
77
Figura 3.10 – Generalização de Dados (a) Dados ajustados
adequadamente; (b) Dados ajustados em excesso, fonte: (HAYKIN,
1999).
As redes Perceptron multicamadas podem ser vistas como aproximadores
universais de funções. As redes neurais multicamadas com uma única camada
escondida e a função sigmóide podem aproximar qualquer função contínua arbitrária
(GALVÃO, 1999).
Entrada
Saída
Mapeamento
não-linear
Generalização
Dados de treinamento
(a)
Entrada
Saída
Mapeamento
não-linear
Generalização
Dados de treinamento
(b)
78
Desta maneira, os passos necessários para o desenvolvimento de aplicação
utilizando RNA são:
1) Coleta de dados;
2) Separar conjuntos de treinamento e verificação;
3) Configuração da rede;
4) Treinamento;
5) Verificação;
6) Integração da rede como um todo.
3.2.3 Pseudocódigo de aprendizado
O pseudocódigo de retropropagação de erro possui duas fases distintas,
como representado na figura 3.11 (RIBEIRO, 2003):
Figura 3.11: Ilustração das direções de dois fluxos básicos em um
perceptron de múltiplas camadas: propagação para frente e a
retropropagação para trás.
1) para frente ou propagação (forward). As características de uma
amostra são introduzidas na camada de entrada, propaga-se para frente
(neurônio por neurônio) através da rede e emerge na camada de saída da
Para frente
Para trás
79
rede;
2) para trás ou retropropagação (backward). Os erros que se originam
nos neurônios da camada de saída, se propagam para trás (camada por
camada) por meio da rede, atualizando os seus pesos.
Kevin (KNIGHT, 1990) definiu uma metodologia básica para o treinamento de
uma RNA usando o pseudocódigo de retropropragação, ou seja:
1) Definir a arquitetura da rede. O tamanho da camada de entrada
depende de quantas características o objeto possui mais a unidade de
bias. Na camada oculta é definida empiricamente e deve-se ter em conta
que utilizando unidades demais pode levar a rede a memorizar os
exemplos. Este problema é chamado de overfitting; de outro modo, com
pequeno número pode ocorrer underfitting, onde a rede não consegue
convergir durante o treinamento. A camada de saída é a quantidade de
classes que o objeto pode ser classificado;
2) Inicializar os pesos w aleatoriamente entre [−1, 1];
3) Inicializar as ativações das unidades que introduzem os limiares nas
unidades da camada posterior: x
0
= 1,0 e y
0
= 1,0. Em alguns casos
poderia ser -1;
4) Entrar com um exemplo de treinamento x
i
(n) (no modo seqüencial
escolhido aleatoriamente do conjunto de treinamento);
5) Propagar a ativação das unidades de entrada, que são os próprios
dados de entrada, para as unidades da camada oculta, usando a função
de transferência sigmóide:
80
∑
=
−+
=
m1
0i
iji
i
).xw( exp1
1
y para j = 1, 2, ..., m
2
(3.08)
6) Propagar as ativações das unidades da camada oculta, para as
unidades da camada de saída de forma que:
∑
=
−+
=
m2
0j
jkj
k
).yw( exp1
1
y
para k = 1, 2, ..., m
3
(3.09)
7) Calcular o erro e
k
(n) na camada de saída do neurônio k:
)y(de
kkk
−
=
(3.10)
8) Calcular os deltas das unidades da camada de saída, denotada por δ
k
de forma que:
kkkk
e )y(1yδ −=
para k = 1,..., m
3
(3.11)
9) Calcular os deltas das unidades da camada oculta, denotados por δ
j
de forma que:
∑
=
−=
m3
1k
j
kkjjj
.wδ )y(1 yδ
para j = 1,..., m
2
(3.12)
81
10) Calcular a correção para os pesos entre a camada oculta e a camada
de saída de forma que:
jkkj
.yη.δ∆w
=
para k = 1,..., m
3
e j = 0,..., m
2
(3.13)
11) Cálculo da correção para os pesos entre a camada de entrada e a
camada oculta de forma que:
ijji
.yη.δ∆w
=
, para i = 0, 1, ..., m
1
e j = 1, 2, ..., m
2
(3.14)
12) Ajustar os pesos entre a camada oculta e a camada de saída de
forma que:
kjkjkj
∆w(n)w1)(nw +=+
(3.15)
13) Ajustar os pesos entre a camada de entrada e a camada oculta de
forma que:
jijiji
∆w(n)w1)(nw
+
=
+
(3.16)
14) Retornar ao passo 4 e repetir o procedimento.
Os passos de 4 a 14 são repetidos para tantas épocas
8
quantas forem
desejadas, ou até se atingir um erro médio desejado.
8- Época: Definição dada após a conclusão da apresentação de todos os pares entrada-saída em uma RNA .
82
O símbolo ε(n) se refere à soma dos erros quadráticos na iteração n. A média
de ε(n) sobre todos os valores de n (ou seja, o conjunto inteiro de treinamento)
produz o erro médio EQM. O símbolo ε
k
(n) se refere ao erro na camada de saída do
neurônio k, para a iteração n. O símbolo d
k
(n) se refere à resposta desejada para o
neurônio k e é usado para calcular e
k
(n). O símbolo y
j
(n) se refere à função de
ativação que aparece na saída do neurônio j, na iteração n. O símbolo y
j
(n) se refere
à função de ativação que aparece na saída do neurônio k, na iteração n. O símbolo
w
ji
(n) representa o peso sináptico conectando a saída do neurônio i à entrada do
neurônio j na iteração n.
A correção aplicada ao peso na iteração n é representada por ∆w
ji
(n). O i-
ésimo elemento do vetor (padrão) de entrada é representado por x
i
(n). O parâmetro
da taxa de aprendizagem é representado por η. O símbolo m
1
representa o tamanho
da camada de entrada, m
2
o tamanho da camada oculta e m
3
tamanho da camada
de saída.
Neste método o modo de treinamento é do tipo seqüencial, isto é, os pesos w
são atualizados a cada entrada de x.
3.2.4 Escolha das Estruturas de Redes
Normalmente a quantidade de neurônios existentes tanto na camada de
entrada como na camada de saída é determinado pelo tipo de problema a ser
resolvido. Já a quantidade de neurônios na camada oculta pode variar
consideravelmente. Na maioria das implementações com redes neurais, a
quantidade de neurônios na camada oculta pode ser solucionada inicialmente pela
fórmula (3.17).
83
12.n O
+
=
(3.17)
onde: n é a quantidade de neurônios na entrada da rede e O é a quantidade de
neurônios da camada oculta.
Após ser treinada e testada, a RNA pode não apresentar os resultados
esperados. Recomenda-se iniciar o treinamento com poucos neurônios artificiais na
camada oculta (GUMZ, 2002).
84
Capítulo 4
RESULTADOS E CONCLUSÕES
4.1 INTRODUÇÃO
De forma a avaliar os resultados do método que é apresentado, foram
elaborados 20 estudos de caso com base no uso de informações que foram obtidas
com a digitalização dos papéis hidrosensíveis sensibilizados pela aplicação da
pulverização agrícola convencional em uma área de 1 ha de cultura de laranja na
região de Araraquara. Uma vez obtidas as imagens digitais, as mesmas foram
utilizadas para o reconhecimento dos padrões circulares e uso da Transformada
Rápida de Hough e os resultados utilizados para a determinação da Figura de Mérito
da Qualidade (FMQ) do processo de aplicação cujo resultado auxilia a tomada de
decisão quanto ao processo sob análise.
4.2 ESTUDOS DE CASOS
Na elaboração dos Estudos de Casos, este trabalho aplicou os conceitos e
técnicas anteriormente apresentado em 20 amostras de papeis hidrosensíveis com
dimensões de 1 cm
2
, conforme apresentados no apêndice (C).
4.2.1 Etapas Desenvolvidas nos Estudos de Casos
Para exemplificação das etapas dos Estudos de Casos, é ilustrado passo a
passo o desenvolvimento do primeiro Estudo de Caso:
• Inicialmente realiza-se o tratamento da informação, envolvendo a etapa de
Digitalização do Papel Hidrosensível, utilizando-se um scanner com
85
resolução de 300 dpi, apresentado na figura 4.2.1.1.
Figura 4.2.1.1 – Papel hidrosensível digitalizado do primeiro Estudo de
Caso.
• Como passo seguinte é realizado o pré-processamento da informação,
com as etapas de Limiarização e Filtro Laplaciano, onde a Limiarização
realiza a binarização da imagem digitalizada e o Filtro Laplaciano gera os
contornos da imagem, conforme mostram as figuras 4.2.1.2 e 4.2.1.3.
Figura 4.2.1.2 – Tratamento da Informação Fase da Limiarização, do
primeiro Estudo de Caso.
Figura 4.2.1.3 – Tratamento da Informação Fase da aplicação do Filtro
Laplaciano, do primeiro Estudo de Caso.
86
• O próximo passo é o processamento da informação, utilizando a
Transformada Rápida de Hough para a identificação dos padrões de gota,
como mostra a figura 4.2.1.4.
Figura 4.2.1.4 – Etapa de Processamento utilizando a Transformada de
Hough, do primeiro Estudo de Caso.
• O último passo é a geração de resultados, com apresentação dos
descritores e histograma do processo, conforme mostram as figuras
4.2.1.5 e 4.2.1.6.
Figura 4.2.1.5 – Geração de Resultados dos Descritores DMV, DMN e
Ng do primeiro Estudo de Caso.
87
Como a unidade padrão de medida de diâmetro de gotas é o µm, utiliza-se a relação
da equação 4.01 para a conversão.
300 dpi = 25400 µm (4.01)
Figura 4.2.1.6 – Histograma da Geração de Resultados do primeiro
Estudo de Caso.
Com os descritores obtidos na etapa de geração de resultados e com o auxilio
das expressões (1.11) e (4.01) determina-se o Vetor de Qualidade e o Histograma,
onde para o primeiro Estudo de Caso estão representados pelas figuras 4.2.1.7 e
4.2.1.8.
Figura 4.2.1.7 – Composição do Vetor Qualidade do primeiro Estudo de
Caso.
DMV
(µm)
DMN
(µm)
DV
0,9
(µm)
DV
0,1
(µm)
Extensão
(µm)
Número
de Gotas
254,001
25,000 228,601
25,400 203,201 250
88
Figura 4.2.1.8 – Histograma do Vetor Qualidade do primeiro Estudo de
Caso.
4.2.2 Resultados obtidos na Etapa de Processamento
Os Vetores Qualidade de Pulverização resultante pelo processamento das 20
amostras estudadas estão relacionados na tabela 4.01 e representados na figura
4.2.2.1.
Tabela 4.01 – Vetores Qualidade de Pulverização
Descritores
Vetores
Qualidade
DMV
(µm)
DMN
(µm)
DV
0,9
(µm)
DV
0,1
(µm)
Extensão
(µm)
Número de
Gotas
01 254,001
25,000 228,601
25,400 203,201 250
02 169,334
22,200 152,401
16,933 135,467 222
03 169,334
23,200 152,401
16,933 135,467 232
04 169,334
36,098 152,401
16,933 135,467 361
05 169,334
43,798 152,401
16,933 135,467 438
06 169,334
43,800 152,401
16,933 135,467 438
07 254,001
37,900 228,601
25,400 203,201 379
08 254,001
39,900 228,601
25,400 203,201 399
09 169,334
44,900 152,401
16,933 135,467 449
10 169,334
50,000 152,401
16,933 135,467 500
11 254,001
31,100 228,601
25,400 203,201 311
12 169,334
39,900 152,401
16,933 135,467 399
13 169,334
27,700 152,401
16,933 135,467 277
14 169,334
22,200 152,401
16,933 135,467 220
15 169,334
67,000 152,401
16,933 135,467 670
16 254,001
20,800 228,601
25,400 203,201 208
17 169,334
29,700 152,401
16,933 135,467 297
18 169,334
31,100 152,401
16,933 135,467 311
19 169,334
32,099 152,401
16,933 135,467 321
20 169,334
41,598 152,401
16,933 135,467 416
Descritores do 1º Estudo de Caso
0
100
200
300
400
500
DMV
(µm)
DMN
(µm)
DV
0,9
(µm)
DV
0,1
(µm)
Ex
(µm
)
Ng
89
Figura 4.2.2.1
– Histograma dos vetores de qualidade obtidos com a etapa de processamento de imagem das
amostras dos Estudos de Casos
0
100
200
300
400
500
600
700
800
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
DMV (µm)
DMN (µm)
DV
0,9
(µm)
DV
0,1
(µm)
Extensão (µm)
Número de Gotas
(Vetores
qualidade de
pulverização
das Amostras)
90
4.3 FIGURA DE MÉRITO DE QUALIDADE
Para elaboração da FMQ inscrita em um círculo de raio unitário, os
descritores das 20 amostras obtidas na etapa de processamento tiveram seus
valores normalizados em função do maior valor. Os Vetores Qualidade normalizados
estão ilustrados na figura 4.3.1 e apresentados na tabela 4.02.
Tabela 4.02 – Resultados das normalizações dos descritores de cada vetor
obtidos nos Estudos de Casos.
Com os valores de cada vetor qualidade normalizado são elaboradas as FMQ
conforme mencionado anteriormente. Em que: a figura 4.3.2 representa as FMQ dos
Estudos de Casos 1, 2, 3, 4 e 5; a figura 4.3.3 representa as FMQ dos Estudos de
Casos 6, 7, 8, 9 e 10; a figura 4.3.4 representa as FMQ dos Estudos de Casos 11,
12, 13, 14 e 15 e a figura 4.3.5 representa as FMQ dos Estudos de Casos 16, 17,
18, 19 e 20.
Descritores Normalizados
Vetores
Qualidade
DMV
(µm)
DMN
(µm)
DV
0,9
(µm)
DV
0,1
(µm)
Extensão
(µm)
Número de
Gotas
01 1,000 0,373 1,000 1,000 1,000 0,373
02 0,667 0,331 0,667 0,667 0,667 0,331
03 0,667 0,346 0,667 0,667 0,667 0,346
04 0,667 0,539 0,667 0,667 0,667 0,539
05 0,667 0,654 0,667 0,667 0,667 0,654
06 0,667 0,654 0,667 0,667 0,667 0,654
07 1,000 0,566 0,667 0,667 0,667 0,566
08 1,000 0,596 0,667 0,667 0,667 0,596
09 0,667 0,670 0,667 0,667 0,667 0,670
10 0,667 0,746 0,667 0,667 0,667 0,746
11 1,000 0,464 1,000 1,000 1,000 0,464
12 0,667 0,596 0,667 0,667 0,667 0,596
13 0,667 0,413 0,667 0,667 0,667 0,413
14 0,667 0,331 0,667 0,667 0,667 0,331
15 0,667 1,000 0,667 0,667 0,667 1,000
16 1,000 0,310 1,000 1,000 1,000 0,310
17 0,667 0,443 0,667 0,667 0,667 0,443
18 0,667 0,464 0,667 0,667 0,667 0,464
19 0,667 0,479 0,667 0,667 0,667 0,479
20 0,667 0,621 0,667 0,667 0,667 0,621
91
11
12
13
14
15
16
17
18
19
20
0
0,2
0,4
0,6
0,
8
1,0
1
2
3
4
5
6
7
8
9
10
Figura 4.3.1 – Histograma dos Vetores de Qualidade Normalizados
DMV (µm)
DMN (µm)
DV
0,9
(µm)
DV
0,1
(µm)
Extensão (µm)
Número de Gotas
(Vetores
qualidade de
pulverização
das Amostras)
92
Figura 4.3.2 – Figuras de Mérito de Qualidade, onde: (a) FMQ referente
ao 1º Estudo de Caso, (b) FMQ referente ao 2º Estudo de Caso, (c) FMQ
referente ao 3º Estudo de Caso, (d) FMQ referente ao 4º Estudo de Caso
e (e) FMQ referente ao 5º Estudo de Caso.
(a)
(
b
)
(c)
(d)
(e)
93
Figura 4.3.3 – Figuras de Mérito de Qualidade, onde: (a) FMQ referente
ao 6º Estudo de Caso, (b) FMQ referente ao 7º Estudo de Caso, (c) FMQ
referente ao 8º Estudo de Caso, (d) FMQ referente ao 9º Estudo de Caso
e (e) FMQ referente ao 10º Estudo de Caso.
(b)
(a)
(c)
(d)
(e)
94
Figura 4.3.4 – Figuras de Mérito de Qualidade, onde: (a) FMQ referente
ao 11º Estudo de Caso, (b) FMQ referente ao 12º Estudo de Caso, (c)
FMQ referente ao 13º Estudo de Caso, (d) FMQ referente ao 14º Estudo
de Caso e (e) FMQ referente ao 15º Estudo de Caso.
(b)
(c)
(e)
(d)
(a)
95
Figura 4.3.5 – Figuras de Mérito de Qualidade, onde: (a) FMQ referente
ao 16º Estudo de Caso, (b) FMQ referente ao 17º Estudo de Caso, (c)
FMQ referente ao 18º Estudo de Caso (d) FMQ referente ao vetor 19º
Estudo de Caso e (e) FMQ referente ao 20º Estudo de Caso.
(b)
(c)
(e)
(d)
(a)
96
Utilizando as expressões (2.01) e (2.02) pode-se calcular a área da Figura de
Mérito (A
FMQ
) de cada amostra. Os resultados obtidos estão relacionados na tabela
4.03, onde serão utilizados para análise do comportamento da aplicação da
pulverização, assim como, na etapa de Avaliação da Eficácia.
Tabela 4.03 – Áreas das Figuras de Mérito
4.4 USO DA REDE NEURAL ARTIFICIAL
4.4.1 Ferramenta
Com a finalidade de automatizar a avaliação da A
FMQ
foi utilizada uma RNA
que auxilia na avaliação da eficácia da pulverização agrícola. A mesma foi
implementada com o MatLab
(versão 6.5) como ferramenta de base. Esta
ferramenta oferece um toolbox destinado as RNAs, facilitando as etapas de
elaboração, ensaios e operação, conforme apresentado no apêndice (D).
Áreas das Figuras de Mérito
Figura de Mérito Área (unidades de área)
01 1,512
02 0,768
03 0,785
04 1,008
05 1,141
06 1,141
07 1,217
08 1,256
09 1,159
10 1,247
11 1,670
12 1,074
13 0,862
14 0,768
15 1,541
16 1,403
17 0,897
18 0,921
19
0,939
20 1,103
97
4.4.2 Preparação dos Dados
Os dados de entrada da RNA são os vetores qualidades, compostos pelos
seus descritores. Diversas preparações de dados foram elaboradas para as entradas
e saídas da RNA, onde as principais foram:
a) Em função das menores A
FMQ
os vinte vetores qualidade foram
divididos em quatro grupos de cinco vetores cada, formando cinco
entradas. Foram configuradas três saídas do tipo binárias compondo
índices de qualidade de pulverização;
b) Entrada preparada igualmente conforme procedimento descrito no item
anterior. A saída foi configurada do tipo vetor com cinco parâmetros
compondo o índice de qualidade da pulverização;
c) Os vinte vetores qualidade foram divididos em dois grupos de dez
vetores cada, em função das menores A
FMQ
, formando dez entradas. A
configuração de saída foi do tipo vetor com dez parâmetros compondo
o índice de qualidade da pulverização;
d) Os vinte vetores qualidade foram considerados como entradas
independentes, um parâmetro de saída representando o índice de
qualidade.
Para várias configurações e implementações de RNA os resultados
encontrados nas elaborações (a), (b) e (c) não estabeleciam, entretanto, o parâmetro
da qualidade desejada para a pulverização. O resultado obtido com a elaboração do
procedimento (d) obteve a resposta ideal e adequada para a interpretação do
método pretendido, conforme apresentada na tabela 4.04.
98
Tabela 4.04 – Vetores Qualidade para treinamento e teste da RNA.
4.4.3 Arquitetura da RNA
Foi selecionada uma RNA do tipo Backpropagation e para sua implementação
vários testes com diferentes funções de ativação e de treinamento foram realizados,
devido às facilidades de configuração e operação a função de treinamento escolhida
foi do tipo Resilient Propagation Network (RPN) e conforme mencionado
anteriormente na preparação dos dados a melhor arquitetura na implementação da
RNA contém uma entrada com seis descritores e uma saída com um parâmetro de
qualidade, assim a arquitetura adotada contém um neurônio na camada oculta com
função de transferência tangente sigmoidal e um neurônio na camada de saída com
função de transferência linear, conforme ilustrado na figura 4.4.3.1.
Descritores
Vetores
Qualidade
DMV
(µm)
DMN
(µm)
DV
0,9
(µm)
DV
0,1
(µm)
Extensão
(µm)
Número
de Gotas
Conjunto
01 254,001
25,000 228,601 25,400 203,201
250 Teste
02 169,334
22,200 152,401 16,933 135,467
222 Treinamento/Teste
03 169,334
23,200 152,401 16,933 135,467
232 Teste
04 169,334
36,098 152,401 16,933 135,467
361 Teste
05 169,334
43,798 152,401 16,933 135,467
438 Teste
06 169,334
43,800 152,401 16,933 135,467
438 Teste
07 254,001
37,900 228,601 25,400 203,201
379 Teste
08 254,001
39,900 228,601 25,400 203,201
399 Teste
09 169,334
44,900 152,401 16,933 135,467
449 Teste
10 169,334
25,000 152,401 16,933 135,467
500 Teste
11 254,001
31,100 228,601 25,400 203,201
311 Teste
12 169,334
39,900 152,401 16,933 135,467
399 Teste
13 169,334
27,700 152,401 16,933 135,467
277 Teste
14 169,334
22,200 152,401 16,933 135,467
220 Teste
15 169,334
67,000 152,401 16,933 135,467
670 Teste
16 254,001
20,800 228,601 25,400 203,201
208 Teste
17 169,334
29,700 152,401 16,933 135,467
297 Teste
18 169,334
31,100 152,401 16,933 135,467
311 Teste
19 169,334
32,099 152,401 16,933 135,467
321 Teste
20 169,334
41,598 152,401 16,933 135,467
416 Teste
99
Figura 4.4.3.1 – Arquitetura da RNA implementada.
A RNA implementada tem como entrada os vetores qualidade das amostras
processadas e os descritores que compõem os vetores foram normalizados em
função de seu maior valor numérico igualando-o ao valor 1, este procedimento não
afeta o resultado e evita que os pesos sejam muito baixos, facilitando a execução do
processamento. Na saída da RNA tem-se o parâmetro de qualidade da pulverização
analisada.
4.4.4 Treinamento da RNA
A informação de entrada para o treinamento da RNA foi o vetor qualidade 02
com valor normalizado. A saída considerada padrão de treinamento teve como
referencial a A
FMQ
obtida anteriormente, conforme apresentado na tabela 4.05.
Tabela 4.05 – Padrão de Treinamento da RNA
Descritores Normalizados
Entrada
Vetor
Qualidade
DMV
(µm)
DMN
(µm)
DV
0,9
(µm)
DV
0,1
(µm)
Extensão
(µm)
Número
de Gotas
Saída
Alvo
02 0,667 0,331 0,667 0,667 0,667 0,331 0,768
Ex
DMN
DMV
DV
0,9
DV
0,1
Ng
Função
de
Ativação
Tangente
Sigmoidal
Função
de
Ativação
Linear
Σ
Peso
jw
(2,1)
bias
(2)
Σ
Peso
iw
(1,1)
bias
(1)
Entrada
1x6
camada oculta
1
camada saída
1
Saída
100
O erro máximo atingido no treinamento foi da ordem de 10
-24
o que representa
um erro praticamente nulo alcançado com 70 épocas de treinamento, conforme
apresentado na figura 4.4.4.1, significando que a arquitetura escolhida foi adequada
para a análise da qualidade da pulverização.
Figura 4.4.4.1 – Evolução do treinamento da RNA em função da meta de erro.
Os resultados obtidos com o treinamento estão apresentados na tabela 4.06.
Tabela 4.06 – Valor obtido na etapa de treinamento
Vetor 02
Saída 0,768
Erro 1,005x10
-12
101
4.4.5 Avaliação dos estudos de casos com base no uso de RNA
Em cada avaliação, para os estudos de casos considerados, utilizou-se um
vetor qualidade de entrada, gerando-se na saída um parâmetro de qualidade de
pulverização, bem como, o erro médio quadrático em função do padrão de
treinamento. As informações normalizadas dos vetores qualidade de entrada,
parâmetros de qualidade de saída e erros da RNA estão apresentadas na tabela
4.07 e ilustradas na figura 4.4.5.1 e 4.4.5.2.
Tabela 4.07 – Dados de Entradas, Saídas e Erros na etapa de testes
realizados com a RNA.
Descritores Normalizados
Entrada
Vetores
Qualidade
DMV
(µm)
DMN
(µm)
DV
0,9
(µm)
DV
0,1
(µm)
Extensão
(µm)
Número
de Gotas
Saída
Parâmetro
Qualidade
Erro
01 1,000 0,373 1,000 1,000 1,000 0,373 0,827 -0,0588
02 0,667 0,331 0,667 0,667 0,667 0,331 0,768 0,0000
03 0,667 0,346 0,667 0,667 0,667 0,346 0,770 -0,0018
04 0,667 0,539 0,667 0,667 0,667 0,539 0,790 -0,0224
05 0,667 0,654 0,667 0,667 0,667 0,654 0,801 -0,0328
06 0,667 0,654 0,667 0,667 0,667 0,654 0,801 -0,0328
07 1,000 0,566 0,667 0,667 0,667 0,566 0,807 -0,0391
08 1,000 0,596 0,667 0,667 0,667 0,596 0,809 -0,0413
09 0,667 0,670 0,667 0,667 0,667 0,670 0,802 -0,0341
10 0,667 0,746 0,667 0,667 0,667 0,746 0,808 -0,0401
11 1,000 0,464 1,000 1,000 1,000 0,464 0,831 -0,0633
12 0,667 0,596 0,667 0,667 0,667 0,596 0,796 -0,0277
13 0,667 0,413 0,667 0,667 0,667 0,413 0,777 -0,0094
14 0,667 0,331 0,667 0,667 0,667 0,331 0,768 0,0000
15 0,667 1,000 0,667 0,667 0,667 1,000 0,825 -0,0567
16 1,000 0,310 1,000 1,000 1,000 0,310 0,823 -0,0553
17 0,667 0,443 0,667 0,667 0,667 0,443 0,781 -0,0127
18 0,667 0,464 0,667 0,667 0,667 0,464 0,783 -0,0149
19 0,667 0,479 0,667 0,667 0,667 0,479 0,784 -0,0165
20 0,667 0,621 0,667 0,667 0,667 0,621 0,801 -0,0323
102
Figura 4.4.5.1 - Resultados da etapa de teste da RNA ilustrando os
parâmetros de qualidade de saída.
Figura 4.4.5.2 - Resultados da etapa de teste da RNA ilustrando os erros
encontrados em função ao padrão de treinamento.
103
Conforme observado, a saída como parâmetro de qualidade da pulverização
quando comparado com o valor do erro médio quadrático em função do padrão de
treinamento apresentou o comportamento esperado, ou seja, apresentou um menor
erro para uma maior saída.
4.5 CORRELAÇÃO DOS RESULTADOS OBTIDOS ENTRE A A
FMQ
E A RNA
Com base nos resultados obtidos pela RNA e com a A
FMQ
pode-se comparar
as análises de qualidade da pulverização pelos dois processo. A tabela 4.08
apresenta e a figura 4.5.1 ilustra estas comparações.
Tabela 4.08 – Quadro comparativo entre a saída da RNA e as áreas das
FMQ.
Entrada
(Vetor Qualidade)
FMQ
(A
FMQ
)
RNA
(Parâmetro de Qualidade)
01 1,512 0,827
02 0,768 0,768
03 0,785 0,770
04 1,008 0,790
05 1,141 0,801
06 1,141 0,801
07 1,217 0,807
08 1,256 0,809
09 1,159 0,802
10 1,247 0,808
11 1,670 0,831
12 1,074 0,796
13 0,862 0,777
14 0,768 0,768
15 1,541 0,825
16 1,403 0,823
17 0,897 0,781
18 0,921 0,783
19 0,939 0,784
20 1,103 0,801
104
(a)
(b)
Figura 4.5.1 – Parâmetro de Qualidade da pulverização, onde (a) obtido
com a A
FMQ
e (b) obtido com a RNA.
105
A figura 4.5.2 ilustra os resultados de correlação existente entre a A
FMQ
e a
saída da RNA tomando como base os vetores qualidade normalizados. O alto índice
de correlação (R
2
= 0,98) verificado ilustra a confiabilidade do resultado obtido.
Figura 4.5.2 – Correlação dos parâmetros de qualidade da RNA com as
áreas das FMQ.
4.6 CONCLUSÕES
Foi apresentado um método para avaliação da eficiência de pulverização
agrícola com base em processamento de imagem digital, análise multiparametral e
rede neural artificial. Na etapa de processamento de imagem foi utilizando a
transformada de Hough para analisar as amostras digitalizadas. Com os descritores
obtidos e calculados nesta etapa definiu-se a composição do vetor qualidade de
cada amostra processada, constituído pelo Diâmetro Mediano Numérico (DMN),
Diâmetro Mediano Volumétrico (DMV), Diâmetro Volumétrico acumulativo de 90%
(DV
0,9
), Diâmetro Volumétrico acumulativo de 10% (DV
0,1
), Extensão (Ex) e Número
de gotas (Ng). O resultado obtido garantiu a precisão do parâmetro de qualidade da
106
pulverização. Pode-se avaliar a qualidade da pulverização com a análise
multiparametral, envolvendo o estabelecimento de um polígono denominado figura
de mérito de qualidade A
FMQ
inscrito em um círculo de raio unitário, onde os vértices
da figura foram formados pelos descritores que compõem o vetor qualidade. Em
função das áreas estabeleceu-se o parâmetro de qualidade da pulverização. Para
automatizar o processo de avaliação utilizou-se uma rede neural do tipo
backpropagation devido as suas características de reconhecimento de padrões,
detecção de regularidades e extração de informações apresentadas de forma não
explicitas. A rede neural foi configurada em função do vetor qualidade de entrada e o
parâmetro de qualidade da saída. Os resultados obtidos foram então comparados
com as análises realizadas com base na A
FMQ
. Verificou-se o mesmo padrão de
variação e certificando-se da aplicabilidade do método para automatização da
análise do processo de pulverização agrícola, em termos de sua eficácia e
confiabilidade.
107
REFERÊNCIAS
ALTIERI, M. A., “Agroecologia Bases Científicas para uma Agricultura
Sustentável”, 1999, disponível no site www.planetaorganico.com.br/newamb58.htm,
acessado em julho de 2005.
ALVES, C. A. M. “Uma ferramenta d Extração de Regras de Redes Neurais”,
Dissertação (Mestrado em Ciências em Engenharia Civil – COPPE, UFRJ, Rio de
Janeiro), 2001.
ASSOCIAÇÃO NACIONAL DE DEFESA VEGETAL (ANDEF), disponível no site
www.andef.com.br/aplicação 2003, acessado em julho de 2005.
BRAGA, A. P.; LUDERMIR, T. B.; CARVALHO, A. C. P. L. F., “Redes Neurais
Artificiais Teoria e Aplicações”, Editora LTC, 2000.
CHRISTOFOLETTI, J. C., “Pulverização ou Aplicação ?”, In: Boletim Técnico
BT01/99. São Paulo: Teejet South América, p. 2 – 5, 1999.
CIBA AGRO, “Manual de Aplicação Aérea”, p.1 – 45, 1998.
COSTA, L. F., CESAR JR., R. M., “Shape analysis and classification: theory and
practice”, New York: CRC Press, 659 p., 2000.
CRUVINEL, P. E., MINATEL, E. R., MUCHERONI, M. L., VIEIRA, S. R.,
CRESTANA, S., “An automatic method based on image processing for
measurements of drop size distribution from agricultural sprinklers”,
SIBGHAPI, Simpósio Brasileiro de Computação gráfica e Processamento de
Imagens, vol. 9, SBC/UFMG, Caxambu, MG, pp. 39 – 46, 1996a.
CRUVINEL, P. E.; VIEIRA, S. R.; CRESTANA, S.; MINATEL, E. R.; MUCHERONI,
M. L.; NETO, T. A., “Image processing in automated measurements of raindrop
size and distribution”, Computers and Electronics in Agriculture, Amsterdam, p.
205-217, 1999.
CRUVINEL, P. E., MARTINEZ, A. C., KOENIGKAN, L., “Estudo comparativo entre
análise de correlação no domínio da freqüência e transformada rápida de
hough para determinação do volume de gotas de chuva”, Congresso Brasileiro
de Engenharia Agrícola, 32 – CONBEA, 2003.
108
CRUVINEL, P. E., OLIVEIRA V. A., KOENIGKAN, L. V., BRESSAN, G. M., PARASI,
F., MANTOVANI, E. C., “Metodologia para o mapeamento georeferenciado da
aplicação de chuva artificial em área de plantio com base no uso de visão
computacional”, 3º Simpósio Internacional de agricultura de precisão – SIAP 2005
– Sete Lagoas MG, 16 a 18 de agosto de 2005.
EIGEL, J. D. AND MORE, I. D., “A simplified technique for measuring raindrop
size and distribution”, transactions of the ASAE 26: p. 1079 – 1084, 1983.
EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA – EMBRAPA SOLOS -
“Agricultura de Precisão para a Recomendação de Adubação da Soja sob
Plantio Direto”, Autor: Pedro L. O. A. Machado, data de publicação no site:
07/08/2000.
EMPRESA BRASILEIRA DE PESQUISA AGROPECUÁRIA - EMBRAPA –
“Bocal Elestrostático”, disponível no site,
www.cnpma.embrapa.br/novidades/bocal_eletro.hmtl, acessado em junho de 2005.
FU, K. S., MUI, J. K., “A survey on image segmentation”, Pattern Recognition,
Ezmsford , v. 13, 3-16, 1981.
GALVÃO, C. O., VALENÇA, M. J. S., “Sistemas Inteligentes: aplicações a
recursos hídricos e ciências ambientais”, 1ª ed. Porto Alegre, (Coleção ABRH de
Recursos Hídricos; vol.7) Editora da Universidade/UFRGS/ABRH, 246p., 1999.
GIACINTO, G., PAOLUCCI, R., ROLI, F., “Application of neural networks and
statistical pattern recognition algorithms to earthquake risk evaluation”, Pattern
Recognition Letters, Amsterdam, v. 18, n. 11/13, p. 1353-1362, 1997.
GUMZ, R. A., “Protótipo de um sistema de identificação de minúcias em
impressões digitais utilizando redes neurais artificiais multicamada”, Trabalho
de Conclusão de Curso (Bacharelado em Ciências da Computação), Centro de
Ciências Exatas e Naturais, Universidade Regional de Blumenau, Blumenau, 2002.
HAYKIN, S., “Neural Networks: A Comprehensive Foundation”, New York:
Macmillan College Publishing Company, 1994.
HAYKIN, S., “Neural Networks a Comprehensive Foundation”, Second
Edition, Prentice Hall, 1999.
HAYKIN, S., “Redes Neurais, Princípios e Prática”, 2.ed. Porto Alegre: Bookman,
2001.
109
REVISTA INFOGEO Nº 11 “O Papel das Geotecnologias no Desenvolvimento da
Agricultura”, pág. 27 e 28, jan/fev de 2000.
JOHNSTONE, D.R., “Statistical description of spray drop size for controlled
drop application”, Symposium on controlled drop application, 35-41, 1978b.
KEPNER, R., BAINER, R., BARGER, E., “Principles of farm machinery 3th
edition”, Connecticut. AVI Publishing Company INC., 1978.
KNIGHT, K., “Connection Ideas and Algorithms”, Communications of the ACM,
No.11/ Vol 33, November 1990.
LAW, S. E., DAÍ, Y, COOPER, S. C., “Spray deposition characteristics in cotton
canop using air-assisted eletrostatic technology”, In: Proc. Beltwide Cotton
Conf., New Orleans, LA. 10-4 jan. 1993. Natl. Cotton Counc. Am., Memphis, N. 1993.
LECOCQ, J., “Suspensions des rampes de pulverisateurs”, Tracteurs et
Machines Agricoles 894, 1991.
LOBO Jr., M. I., “Deriva nas Aplicações de Defensivos Agrícolas”, disponível no
site www. Pulverizador.com.br., acesso em junho 2005.
LOUZAN, A. L., AGOSTINI, E. S., “Bico de Pulverização”, disponível no site
www.agropage.hpg.ig.com.br/diversos/bicospulverizadores.htm 2000-2005, acesso
em junho 2005.
MARTINEZ, A. C. “Um Novo Método para Medidas de Gotas de Chuva com
Técnicas do Processamento Digitais” – Orientador: Prof. Dr. Paulo Estevão
Cruvinel – Universidade de São Paulo – Escola de Engenharia de São Carlos -
2002.
MATHEWS, G.A., “Pesticides application methods”, London: Butler & Tanner,
1979.
MATUO, T., “Fitossaidade do Algodoeiro”, Trabalhos Apresentados In: Simpósio
Hoechst – Rio de Janeiro, p. 33 – 36, 25 e 26 de agosto de 1983.
MIDEI, D., NOGUEIRA JR., L. R., MIDEI, W., “Agroecologia”, disponível no site
http://agroecologia.com.br/amaranthus/pro_convencional.htm, acessado em junho
de 2005.
110
MINSKY, M. L.; PAPERT, S.A., “Perceptrons: an introduction to computational
geometry”, Massachusetts, MIT Press, 1969.
MIRALLES, A., “Lánalyse d'image en pulverisation agricole”, Montepellier Centre
Nacional du Machinisme Agricole, du Génie Rural, des Eaux et des Forêts, 1987.
MULROONEY, J. E. & SKJÖLDAGER, L., “Evaluation of an air-assisted ground
sprayer for control of boll weevil (Coleoptera: Curculionidae) and beet
armyworm (Lepidoptera:Noctuidae)”, Southwest. Entomol, 22: 315-322, 1997.
ORTIZ, J. L., “Mapeamento da Produtividade, dos Atributos do Solo e do
Relevo e Aplicação Localizada de Fertilizantes” Artigos: Agricultura de Precisão –
disponível no site www.gpsglobal.com.br/Artigos/Agricola/Jonas.html#04, acessado
em julho de 2005.
RIBEIRO, L. N., “Rede Neural com Retropropagação: uma Aplicação na
Classificação de Imagens de Satélite”, Dissertação (Mestrado em Redes Neurais
Artificiais) – UFMS, 12 - 2003.
ROELS, J. M., “Personal Communication”, Lab. Physical Geography,
Geographical Institut, Univ., Utrecht, Netherlands, 1981.
ROSENBLATT, F., “Principles of Nerodynamics: Perceptrons and the theory of
brain mechanisms”, New York, Spartan Books, 1962.
RUMELHART, D. E., HINTON, G. E.; WILLIAMS, R. J., “Learning representations
by back-propagating errors”, Nature, 323, pp. 533-536, 1986.
SPILLMAN, J. J., “Optimum droplet sizes for spraying against flying targets”,
Agricultura Aviation, v. 17, n. 1/ 4, 1976.
SUMMER, H. R., BADER, M., MULLINIX, B. G., “Chemical Application Equipment
for Improved Deposition in Cotton Dep. De Entomologia”, Univ. de Geógia, In:
The Journal of Cotton Science 4:19-27, 2000.
SYNGENTA Manual do papel hidro-sensível para monitoramento distribuição
da pulverização, 2005.
TEEJET MID-TECH SOUTH AMERICA, Boletim Técnico disponível em
www.teejet.com
- Acesso em maio de 2005.
111
Transformada de Hough para objetos circulares
Begin
Inteiro acumulador(max( a)+max(raio )/2, max(b)+max(raio)/2, max(raio));
Para f(x,y) faça (1)
Begin
Se pixel diferente de 0 então
Begin
Para (raio começando de raio inicial até o raio ser menor que o raio final) faça (3)
Begin
Para (teta = 0 até teta menor 360) faça (4)
Begin
a = x - raio * cosseno[teta];
b = y - raio * seno[teta];
a = a + deslocamento de x;
b = b + deslocamento de y;
acumulador(a,b,raio) = acumulador(a,b,raio)+1;
End; (faça 4)
End; (faça 3)
End; ( Se)
End; (faça 1)
End.
APÊNDICE
APÊNDICE A - PSEUDOCÓDIGO PARA OBTENÇÃO DA TRANSFORMADA DE
HOUGH PARA OBJETOS CIRCULARES.
112
Backmapping
Begin
int max_acc = -10000;
int max_a=0, max_b=0;
Para f(x,y) faça (1)
Begin
Se pixel diferente de 0 Então
Begin
Para (raio começando de raio inicial até o raio ser menor que o raio final) faça (3)
Begin
Para (teta = 0 até teta menor 360) faça (4)
Begin
a = x - raio * cosseno[teta];
b = y - raio * sen[teta];
a = a + deslocamento de x;
b = b + deslocamento de y;
Se (acumulador ( valor do arranjo acumulador na posição(a,b,raio)) >
max_acc)
Begin
max_acc=acumuc( valor do arranjo acumulador na posição(a,b,
raio));
max a=a;
max b=b;
End; (Se)
End; (faça 4)
End; (faça 3)
End; ( Se)
acc2(max_a, max_b) = acc2(max_a, max_b)+1;
max_acc=-10000;
End; (faça 1)
End.
APÊNDICE B - PSEUDOCÓDIGO DO BACKMAPPING.
113
APÊNDICE C - AMOSTRAS DOS 20 PAPÉIS HIDROSENSÍVEIS UTILIZADOS
PARA OS ESTUDOS DE CASOS, REPRESENTANDO A APLICAÇÃO DA
PULVERIZAÇÃO.
Amostra 1 Amostra 2
Amostra 3
Amostra 4 Amostra 5
Amostra 6 Amostra 7
Amostra 8
Amostra 9 Amostra 10
Amostra 11 Amostra 12
Amostra 13
Amostra 14 Amostra 15
Amostra 16 Amostra 17
Amostra 18
Amostra 19 Amostra 20
114
APÊNDICE D - ETAPAS DESENVOLVIDAS COM A FERRAMENTA MATLAB PARA
IMPLEMENTAÇÃO DA RNA
1ª Etapa: Acesso ao toolbox de RNA, através do comando nntool na janela
command windows, conforme amostra a figura a.01;
2ª Etapa: Formatação dos dados Data1 e Target com o comando new data,
onde: entrada (Data1) conforme apresentado na figura a.02(a) onde foi
configurado o vetor qualidade com seis descritores cada e um vetor
referencial (Data2) com um parâmetro de qualidade, conforme apresentado
na figura a.02(b);
3ª Etapa: Formatação da RNA com o comando new network, representado na
figura a.03;
4ª Etapa: Configuração da RNA em função: do tipo; entrada; função de
treinamento; função de erro; números de camadas; números de neurônios
das camadas e suas funções de transferências, conforme apresentados nas
figuras a.04(a) e a.04(b);
5ª Etapa: Inicialização da rede através dos comandos initialize em função do
Get from input (Data1), Set Range e Initialize Weights, conforme apresentado
na figura a.05;
6ª Etapa: Geração dos pesos e Bias nas camadas em função do Data1,
conforme apresentado nas figuras a.06, a.07, a.08 e a.09;
115
7ª Etapa: Treinamento da rede pelo estabelecimento dos dados de
treinamento: data1 e data2, bem como, os parâmetros para o treinamento:
epochs, show, min_grad e outros, conforme mostram as figuras a.10(a) e
a.10(b);
8ª Etapa: Teste da rede com o estabelecimento das entradas: Data1, Data 3,
..., Data n, em função do Data2 (Target), como mostra a figura a.11;
9ª Etapa: Verificação dos dados de entradas, resultados de saída e erros
obtidos com o teste da RNA, utilizando a Exportação dos Resultados para o
workspace, com o comando Export, conforme ilustrado na figura a.12;
10ª Etapa: Visualização dos dados de entradas, resultados de saída e erros
do teste da RNA na área de workspace, apresentado na figura a.13.
Figura a.01 – Utilizando o toolbox de RNA
116
(a) (b)
Figura a.02 – Formatação dos dados, onde (a) Entrada e (b) Target
Figura a.03 – Configuração da RNA
117
(a) (b)
Figura a.04 – Configuração da RNA (Get from input) para data1, onde
(a) refere a camada oculta; (b) refere a saída.
Figura a.05 – Inicialização da RNA
118
Figura a.06 – Geração dos pesos para a 1ª camada da RNA
Figura a.07 – Geração do bias para a 1
ª
camada da RNA
Figura a.08 – Geração dos pesos para a 2ª camada da RNA
Figura a.09 – Geração do bias para a 2ª camada da RNA
119
(a)
(b)
Figura a.10 – Treinamento da RNA, onde: (a) seting das informações; (b)
seting dos parâmetros.
Figura a.11 – Teste da RNA
120
Figura a.12 – Exportação dos dados de entradas e saída do teste da
RNA para workspace.
Figura a.13 – Área de workspace, referente à RNA para geração de
dados na forma analítica ou gráfica.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
