📄 agricultura

Constructing the Comprehensive Intelligent Monitoring System based on Wireless Sensor Networks (WSNs) for Mango Crop Precision Agriculture

Este artigo apresenta um sistema de monitoramento inteligente abrangente para a agricultura de precisão da manga que integra sensores físicos validados, um modelo Improved-YOLOv10 que utiliza StarNet para detecção de doenças de alta precisão e uma Rede de Sensores Sem Fio otimizada pelo otimizador Aquila para alcançar eficiência energética ideal e baixa latência.

Autores originais: Wen-Tsai Sung, Indra Griha Tofik Isa, Sung-Jung Hsiao

Publicado 2026-09-24

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Wen-Tsai Sung, Indra Griha Tofik Isa, Sung-Jung Hsiao

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Nos vastos pomares ensolarados onde as mangueiras estendem seus galhos, a diferença entre uma colheita farta e uma safra perdida muitas vezes reside em detalhes invisíveis. Os agricultores há muito dependem da experiência para julgar a saúde de suas árvores, mas uma nova abordagem está surgindo, que combina a vigilância silenciosa de pequenos sensores alimentados por bateria com os olhos aguçados da inteligência artificial. Este campo, conhecido como agricultura de precisão, busca tratar cada planta como um indivíduo, coletando dados sobre o ar, o solo e a própria fruta para tomar decisões que sejam eficientes e oportunas. Ao tecer redes de sensores que conversam entre si e câmeras que podem detectar uma doença antes que ela se espalhe, pesquisadores estão construindo um sistema que permite aos produtores enxergar as condições ocultas de seus pomares em tempo real. O objetivo não é apenas monitorar, mas compreender a complexa teia de fatores que determinam se uma manga irá prosperar ou murchar, transformando o palpite em uma ciência de observação.

Em um estudo recente, pesquisadores se propuseram a construir tal sistema de monitoramento abrangente especificamente para culturas de manga, visando capturar o quadro completo do ambiente do pomar. Eles começaram validando um conjunto de sensores físicos projetados para medir a umidade e a temperatura do ar, bem como a umidade e a acidez do solo. Para garantir que esses dispositivos fossem confiáveis, a equipe comparou suas leituras com ferramentas de medição padrão ao longo de um dia. Os resultados mostraram que os sensores eram notavelmente precisos, com um erro médio de menos de um por cento. Esse alto nível de precisão significou que o sistema poderia confiar nos dados coletados para tomar decisões sólidas sobre irrigação ou tratamento do solo, fornecendo uma base sólida para o restante da rede de monitoramento.

No entanto, saber que o solo está úmido ou que o ar está úmido é apenas metade da história; a outra metade envolve ver a própria fruta. Os pesquisadores desenvolveram um modelo de visão computacional especializado para inspecionar mangas em busca de sinais de doenças, capaz de distinguir entre frutos saudáveis e aqueles que sofrem de enfermidades específicas como alternária, antracnose, podridão negra ou podridão do pedúnculo. Para tornar este sistema rápido o suficiente para rodar em equipamentos portáteis no campo, eles aprimoraram um algoritmo de detecção de imagem existente, integrando um novo componente arquitetônico que permite ao computador reconhecer padrões complexos sem a necessidade de um poder computacional excessivo. Quando testado, este modelo aprimorado provou ser superior a vários outros métodos de detecção líderes, identificando corretamente a condição do fruto em quase 9ata por cento dos casos. Ele também operou com maior velocidade e exigiu menos memória, tornando-o ideal para uso em computadores pequenos e portáteis que podem ser carregados pelos pomares.

A peça final do quebra-cabeça era conectar todos esses sensores e câmeras em uma única rede eficiente. Como os pomares de manga podem ser grandes e dispersos, os pesquisadores precisavam de uma maneira de gerenciar o fluxo de informações de dezenas de dispositivos sem esgotar suas baterias ou causar atrasos. Eles empregaram uma estratégia inspirada no comportamento de caça da águia Aquila, um algoritmo que otimiza como os dispositivos se organizam em grupos para compartilhar dados. Essa abordagem permitiu que a rede encontrasse os caminhos mais eficientes para o envio de informações, reduzindo significativamente a energia necessária para transmitir dados e minimizando o tempo de chegada das mensagens. Em testes envolvendo dez dispositivos conectados, esta rede otimizada consumiu menos energia e apresentou menos mensagens perdidas do que métodos anteriores, garantindo que os dados dos sensores e câmeras chegassem ao dispositivo do agricultor de forma rápida e confiável.

Ao reunir estes três elementos — sensores físicos precisos, uma câmera de detecção de doenças rápida e inteligente, e uma rede de comunicação energeticamente eficiente — o estudo apresenta um sistema completo para o monitoramento de cultivos de manga. O sistema não apenas coleta dados; ele os processa localmente para fornecer insights imediatos, permitindo que os agricultores respondam às mudanças em seu pomar no momento em que elas ocorrem. A pesquisa demonstra que é possível construir uma ferramenta de monitoramento robusta e inteligente que funcione dentro das restrições de uma fazenda do mundo real, ofereção um caminho prático para uma agricultura mais sustentável e produtiva. As descobertas sugerem que, com a combinação certa de tecnologia de sensoriamento e algoritmos inteligentes, os produtores podem manter uma visão constante e clara de suas culturas, garantindo que cada árvore receba o cuidado necessário para produzir o melhor fruto possível.

Resumo Técnico: Construção do Sistema de Monitoramento Inteligente Abrangente baseado em Redes de Sensores Sem Fio (WSNs) para a Agricultura de Precisão da Manga

Declaração do Problema
O artigo aborda a necessidade de mecanismos integrados e eficientes para aumentar a produtividade agrícola no cultivo de manga, um setor de significativo valor econômico em regiões como Taiwan. Os métodos agrícolas tradicionais frequentemente carecem de dados em tempo real e abrangentes sobre a saúde das culturas e as condições ambientais. Embora a Agricultura de Precisão (PA) ofereça soluções por meio de IoT e IA, os sistemas existentes muitas vezes lutam com o equilíbrio entre eficiência computacional e precisão de detecção em modelos de detecção de objetos, bem como a eficiência energética e a latência em configurações de Redes de Sensores Sem Fio (WSNs). O estudo visa construir um sistema que capture simultaneamente condições atmosféricas, parâmetros do solo e fisiologia da cultura (especificamente a detecção de doenças), enquanto otimiza o consumo de energia da rede e o tempo de resposta.

Metodologia
O sistema proposto integra três componentes principais: dispositivos de sensoriamento físico, um modelo de visão computacional aprimorado e uma arquitetura de WSN otimizada.

Sensoriamento Físico e Aquisição de Dados:
- O sistema utiliza sensores DHT22 para temperatura e umidade do ar, SKU: SSR1025 para umidade do solo e um sensor dedicado para o pH do solo.
- A coleta de dados foi validada utilizando análise de Erro Percentual Absoluto Médio (MAPE) e métricas de Índice de Qualidade de Sinal (SQI) (MSE e RMSE) para garantir a precisão em relação às ferramentas de medição padrão.
- Uma câmera Ameba AMB82 captura dados visuais, que são processados por um dispositivo de borda NVIDIA Jetson Nano B01.
Modelo de Detecção de Objetos Improved-YOLOv10:
- Para detectar as condições dos frutos da manga, os autores desenvolveram um modelo "Improved-YOLOv10". Este modelo visa cinco classes: Alternaria, Anthracnose, Black_mould_rot, Stem_end_rot e Healthy.
- Inovação Arquitetural: O backbone do YOLOv10 padrão foi modificado pela substituição de camadas de blocos específicos (convolucionais, C2f e SCDown) pela arquitetura StarNet. A StarNet utiliza uma "operação estrela" (multiplicação elemento a elemento) dentro de blocos estelares para mapear entradas em espaços de características não lineares de alta dimensão dentro de um espaço de baixa dimensão.
- Objetivo: Esta integração visa alcançar uma representação de características mais rica e maior precisão de detecção sem aumentar os custos computacionais ou o tamanho do modelo.
- Dataset: O modelo foi treinado em um conjunto de dados de 6.915 imagens (aumentadas a partir de um inicial de 2.305), dividido em 70% treinamento, 20% validação e 10% teste.
Configuração e Otimização de WSN:
- A área de monitoramento é dividida em clusters, cada um contendo um Cabeçalho de Cluster (CH) e nós sensores.
- Para otimizar o desempenho da rede, o algoritmo Aquila Optimizer (AO) foi implementado. Este algoritmo inspirado na biologia gerencia a formação de clusters e o roteamento para minimizar o consumo de energia, o atraso e a perda de pacotes.
- A otimização visa quatro métricas: Consumo de energia ( $E$ ), custo de comunicação ( $C$ ), atraso de transmissão de dados ( $\sigma$ ) e fatores de distância ( $D$ ).

Principais Contribuições
O artigo descreve três contribuições primárias:

Integração do Sistema: Desenvolvimento de um sistema de monitoramento abrangente que funde o sensoriamento físico (atmosférico e do solo) com o sensoriamento baseado em visão (fisiologia da cultura) via WSNs e IoT para a agricultura de precisão da manga.
Melhoria do Modelo: A criação do Improved-YOLOv10, que incorpora a arquitetura StarNet em seu backbone. Isso permite a extração de características de alta dimensão em espaço de baixa dimensão, aumentando a precisão sem adicionar sobrecarga computacional.
Otimização de Rede: A implementação do Aquila Optimizer (AO) em configurações de WSN para aumentar significativamente a eficiência energética e reduzir os atrasos e taxas de perda de transmissão de dados.

Resultos

Validação dos Sensores: Os dispositivos de sensoriamento físico demonstraram alta precisão com um MAPE combinado de 0,63%. A análise do Índice de Qualidade de Sinal (SQI) mostrou baixos valores de MSE e RMSE (todos abaixo de 1), confirmando uma qualidade de sinal confiável, particularmente para temperatura e umidade do solo.
Desempenho do Modelo:
- O Improved-YOLOv10 alcançou um mAP50 de 0,939 e um mAP50:95 de 0,884.
- Em testes comparativos contra Faster R-CNN, SSD, YOLOv5, YOLOv7, YOLOv8, YOLOv10 e YOLOv11, o modelo proposto superou todos os outros em mAP50 (por exemplo, YOLOv11 pontuou 0,921; YOLOv10 pontuou 0,905).
- Eficiência: O modelo proposto reduziu o peso do modelo em 28,16% (7,4 MB vs. 10,3 MB para o YOLOv10 original) e reduziu significativamente a contagem de parâmetros.
- Tempo de Inferência: Em aplicação prática no Jetson Nano, o modelo proposto alcançou os tempos de inferência mais rápidos (por exemplo, 2,1 ms para Image-A), superando significativamente o Faster R-CNN (25,4 ms) e outras variantes YOLO.
Desempenho da WSN:
- Usando o algoritmo AO, o sistema alcançou eficiência superior em comparação com métodos não otimizados existentes e outros otimizadores (PSO, COA).
- Com 10 nós, o método AO resultou em consumo de energia de 165 mJ (vs. 207 mJ para o sistema existente), um atraso de 128 ms (vs. valores mais altos em configurações não otimizadas) e uma taxa de perda de pacotes de 7,6% (vs. 15,9% para o sistema existente).

Significância e Alegações
Os autores afirmam que o sistema construído alcança a eficiência ideal em comparação com sistemas existentes ao equilibrar com sucesso alta precisão de detecção com baixo custo computacional e consumo de energia. O estudo afirma que a integração da StarNet no YOLOv10 fornece uma solução viável para ambientes de computação de borda onde os recursos são limitados, enquanto a WSN otimizada pelo AO garante a transmissão de dados confiável e em tempo real para grandes plantações de manga. O artigo conclui que esta abordagem integrada fornece aos agricultores uma ferramenta conveniente, precisa e energeticamente eficiente para monitorar a qualidade das culturas e implementar tratamentos oportunos, apoiando assim os objetivos da Agricultura de Precisão. O trabalho futuro sugerido pelos autores inclui a integração de UAVs e LiDAR para expandir ainda mais a cobertura e a confiabilidade.

Mais como este