Novas ferramentas são criadas constantemente usando as Novas Tecnologias da Informação e Comunicação (NTIC) para todos os setores da economia, possibilitando ampliar a produção, melhorar processos, oferecer condições para obtenção de maiores ganhos financeiros e redução do uso de insumos contribuindo para sustentabilidade do meio ambiente. No atual cenário emergente de novas tecnologias e, sabendo da necessidade do produtor em administrar de forma eficiente sua propriedade, o intuito deste estudo foi o de desenvolver um software usando visão computacional e técnicas de processamento de imagens, atrelado as redes neurais artificiais (RNA), a fim de estimar o status nutricional quanto ao nitrogênio (N) em plantas da espécie Brachiaria brizantha cv. Xaraés. O experimento foi conduzido em campo aberto no período de novembro de 2017 a março de 2018, nas dependências do Departamento de Zootecnia, na Faculdade de Zootecnia e Engenharia de Alimentos (FZEA/USP) em uma área compreendida por 12 parcelas com área útil de 40 m² cada e dividida em três blocos completos casualizados, onde foram administrados quatro tratamentos com as concentrações de N (0, 15, 30 e 45 kg N ha^-1), cuja fonte foi NH₄NO₃ (32%). As imagens obtidas em campo das lâminas foliares por meio de câmera digital, de sensor passivo, presente no smartphone foram processadas e analisadas no sistema de cores RGB (Red, Green e Blue), bem como foram encaminhadas ao laboratório para determinação da concentração de N pelo método Kjeldahl e, assim, gerando uma base de dados correlacionada com as imagens processadas. Uma vez processadas as imagens, foram gerados os índices de vegetação. Para identificação dos índices que melhor explicassem a relação com o teor de N na planta obtido em laboratório foi utilizada a análise de componentes principais (PCA). Inicialmente foram gerados 18 índices que, após análise foram reduzidos para 12, compostos por Gn, Bn, Saturação, ExG, CIVE, VEG e COM, os quais compuseram o primeiro componente e, pelos índices R, G, Brilho, ExR e VARIgreen que compuseram o segundo componente, gerando assim, um coeficiente de determinação de 0,902 (R²), os quais foram utilizados como entrada de dados na rede neural artificial. Para a implementação da rede neural Multilayer Perceptron (MLP) foram testadas as redes Feed-Forward Backpropagation (FFBP) e Cascade-Forward Backpropagation (CFBP) com 5, 10 e 15 neurônios na camada intermediária com aplicação da função de ativação tansig, atingindo boa performance na classificação da gramínea (R² de 0,79 e 0,81, respectivamente). Já a rede Radial Basis Function (RBF) implementada com valor do spread igual a 1 e erro de performance igual a 0,0001, gerou a melhor classificação dentre as redes implementadas, com um R² de 0,99 para a determinação do status de N. Desta forma, o software de processamento de imagem e a rede neural RBF desenvolvidos foram capazes de classificar corretamente como suficiente, moderadamente deficiente ou deficiente o status de N em Brachiaria brizantha cv. Xaraés.

New tools are constantly being created using New Information and Communication Technologies (NICT) for all sectors of the economy, making it possible to expand production, improve processes, offer conditions for greater financial gains and reduce the use of inputs, contributing to the sustainability of the environment. In the current emerging scenario of new technologies and knowing the need of the producer to efficiently manage his property, the aim of this study was to develop a software using computer vision and image processing techniques, linked to an artificial neural network (ANN), in order to estimate nitrogen (N) nutritional status in Brachiaria brizantha cv. Xaraés. The experiment was conducted out in the open field from November 2017 to March 2018, on the premises of the Department of Zootechnics, at the Faculty of Zootechnics and Food Engineering (FZEA / USP) in an area comprised of 12 portion with a floor area of 40 m² each and divided into three randomized complete blocks, where were administered four treatments with N concentrations (0, 15, 30 and 45 kg N ha^-1), whose source was NH₄NO₃ (32%). The images obtained in the field of the leaf blades through digital camera, passive sensor, present in smartphone, were processed and analyzed in the RGB color system (Red, Green and Blue), were also sent to the laboratory for determination of N concentration by the Kjeldahl method and thus generate a database correlated with the processed images. Once the images were processed, the vegetation indices were generated. To identify the indices that best explain the relationship with the N content obtained in the laboratory, principal component analysis (PCA) was used. Initially, 18 indices were generated which, after analysis, were reduced to 12, composed by Gn, Bn, Saturation, ExG, CIVE, VEG and COM which composed the first component and, by the indices R, G, Brightness, ExR and VARIgreen that composed the second component, thus generating determination coefficient of 0,902 (R²), which were used as input layer of the artificial neural network. For the implementation of the neural network Multilayer Perceptron (MLP), the Feed-Forward Backpropagation (FFBP) e Cascade-Forward Backpropagation (CFBP) networks were tested with 5, 10 and 15 neurons in the intermediate layer with the application of the tansig activation function achieving good performance in the grass classification (R² 0,79 and 0,81, respectively). However, the Radial Basis Function (RBF) network implemented with spread value equal to 1 and minimum error of 0,0001, generated the highest rating among the implemented networks, with an R² of 0,99 for determining the status of N. Thus, the image processing software and RBF neural network developed can correctly classify as sufficient, moderately deficient or deficient the status of N in Brachiaria brizantha cv. Xaraés.