Um estudo comparativo entre as arquiteturas de redes neurais profundas AlexNet e YOLO aplicadas ao problema de visão computacional em Ambientes Agrícolas

A verificação e o controle da uniformidade de distribuição de água para irrigação é uma das tarefas de maior importância para garantir o melhor uso dos recursos hídricos. Este tipo de atividade exige que o robô seja capaz de deslocar-se em ambientes rurais, reconhecendo obstáculos em seu caminho. Neste artigo foi desenvolvido um estudo comparativo entre duas arquiteturas de redes neurais convolucionais, AlexNet e YOLO, com o objetivo de serem embarcadas em um processador Raspberry PI montado em um robô de pequeno porte a ser usado para auxiliar no ajuste automatizado de emissores ajustáveis para irrigação localizada. As redes foram treinadas, utilizando bases de dados contendo imagens relacionadas ao meio agrícola e a seguir, foram coletados dados referentes ao desempenho de ambas arquiteturas e realizada uma comparação entre elas, usando vários critérios, sendo os principais o tempo de execução, o consumo de memória principal e secundária, e a precisão da classificação. A arquitetura que apresentou melhor desempenho foi a YOLO, a qual foi embarcada no robô, passando pelas devidas adaptações para que a mesma fosse capaz de utilizar as imagens transmitidas em tempo real pela câmera embutida existente no robô.