Uso de visão computacional na classificação de capim Xaraés segundo o status nutricional em nitrogênio

This study is based on the principle that vegetation indexes (VIs), derived from the RGB color model obtained from digital images, can be used to characterize spectral signatures and classify Brachiaria brizantha cv. Xaraés according to nitrogen status (N). From colorimetric data obtained from leaf blade images acquired in the field, three artificial neural networks were evaluated according to the performance in the classification of N status: Feedforward Backpropagation (FFBP), Cascade Forward Backpropagation (CFBP) and Radial Base function (RBFNN). Four N fertilization rates were applied to generate contrasting N contents in the plants. The youngest completely expanded leaves from 60 tillers were detached at each regrowth cycle of 28 days, thus their images and leaf N content were obtained. Samples were then classified as deficient (>17 g N kg-1 leaf dry matter (DM), moderately deficient (from 17.1 to 20.0 g N kg-1 DM), and sufficient (> 20.1 g N kg-1 DM). The VIs were selected by principal component analysis and the performance of the networks evaluated by the accuracy. The accuracy in classification obtained by the networks were 88%, 86% and 79% for FFBP, CFBP and RBFNN, respectively, indicating that the spectral signatures can be determined from images acquired in the field. So, the proposed method could be used to develop a software that aims to monitor the status of N in real time, providing a fast and inexpensive tool for defining the time and the amount of N fertilizer, according to the pasture demand. RESUMO Este estudo baseia-se no princípio de que índices de vegetação (IVs), derivados do modelo de cores RGB obtidos de imagens digitais, podem ser usados para caracterizar assinaturas espectrais e classificar pastos de Brachiaria brizantha cv. Xaraés segundo o status de nitrogênio (N). A partir de dados colorimétricos obtidos de imagens de lâminas foliares adquiridas em campo, três redes neurais artificiais foram avaliadas quanto ao desempenho na classificação do status N: Feedforward Backpropagation (FFBP), Cascade Forward Backpropagation (CFBP) e função de Base Radial (RBFNN). Quatro taxa s de fertilização nitrogenada foram aplicadas para gerar contrastes no teor de N nos tecidos das plantas. As folhas mais jovens completamente expandidas de 60 perfilhos foram destacadas das plantas a cada ciclo de rebrotação de 28 dias, sendo as imagens das folhas e teor de N foliar determinados. As amostras foram classificadas em deficientes (> 17 g N kg-1 de matéria seca (MS)), moderadamente deficientes (de 17,1 a 20,0 g N kg-1 MS) e suficiente (> 20,1 g N kg-1 MS). Os IVs foram selecionados pela análise de componentes principais e o desempenho das redes avaliados pela acurácia. As acurácias nas classificações obtidas pelas redes foram de 88%, 86% e 79% para FFBP, CFBP e RBFNN, respectivamente, indicando que as assinaturas espectrais podem ser determinadas a partir de imagens adquiridas em campo. Assim, o método proposto pode ser utilizado para desenvolver um software de monitoramento do status de N em tempo real, fornecendo uma ferramenta rápida e econômica para definir o momento e quantidade de fertilizantes nitrogenados, conforme demanda da pastagem.