Predição Não-Destrutiva de Biomassa em Milho Silagem via Visão Computacional e Regressão Linear

• Frederico de Souza Sicorra UFSM https://orcid.org/0009-0004-0718-1745
• Gabriel Machado Lunardi UFSM https://orcid.org/0000-0001-6655-184X
• Tiago Dell Valle UFSM https://orcid.org/0000-0001-8093-7132

DOI: https://doi.org/10.5753/wcama.2026.23203

Resumo

Este artigo apresenta um método não-destrutivo para predição de biomassa de milho silagem utilizando Visão Computacional e Aprendizado de Máquina. A metodologia extrai a porcentagem de cobertura foliar em imagens RGB via espaço HSV (OpenCV), correlacionando-a com a massa fresca da planta. Ensaios em campo com diferentes densidades (1, 5 e 10 plantas) mostraram alta linearidade. Modelos de regressão linear simples atingiram um R² de 0,82 e RMSE de 1,277 kg na etapa de calibração. Os resultados demonstram a viabilidade técnica do processamento de imagens como ferramenta quantitativa e de baixo custo para predição de safra.

Referências

Bai, Y., Zhang, B., Xu, N., Zhou, J., Shi, J., and Diao, Z. (2023). Vision-based navigation and guidance for agricultural autonomous vehicles and robots: A review. Computers and Electronics in Agriculture, 205:107584.

Cruz, J. C., Alvarenga, R. C., and Neto, M. M. G. (2001). Cultivo do milho. Embrapa Milho e Sorgo.

Han, L., Yang, G., Dai, H., Xu, B., Yang, H., Feng, H., Li, Z., and Yang, X. (2019). Estimating above-ground biomass of maize using features derived from uav-based rgb imagery. Remote Sensing, 11(11):1261.

Liang, X., Chen, B., Wei, C., and Zhang, X. (2022). Inter-row navigation line detection for cotton with broken rows. Plant Methods, 18(1):90.

Macedo, F. L., Nóbrega, H., Freitas, J. G. R., Ragonezi, C., Pinto, L., Rosa, J., and Carvalho, M. A. A. P. (2023). Estimation of productivity and above-ground biomass for corn (zea mays) via vegetation indices in madeira island. Agriculture, 13(6):1115.

Neupane, J. et al. (2022). A literature review on deep learning applications for livestock monitoring. Computers and Electronics in Agriculture.

Pedregosa, F. et al. (2011). Scikit-learn: Machine learning in python. Journal of Machine Learning Research, 12(Oct):2825–2830.

Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 779–788.

Ribeiro, J. G. and Reis, I. B. (2025). Visão computacional na agricultura de precisão: Uma análise comparativa de arquiteturas cnn no diagnóstico de doenças foliares do milho. In Anais da Escola Regional de Aprendizado de Máquina e Inteligência Artificial da Região Sul (ERAMIA-RS). SBC.

Silva, W. S., Soares, B., Almeida, V. L., Viana, L., Pastori, P. L., Magalhães, D. M. V., and Rocha, A. R. (2024). Detecção da praga spodoptera frugiperda no cultivo de milho usando armadilhas inteligentes e visão computacional. In Anais do Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais (WCAMA). SBC.