O presente trabalho tem como objetivo aplicar estratégias de pré-, pós-processamento e técnicas de aprendizado de máquina, para obter características de imagens capturadas por dispositivos de baixo custo em contextos agrícolas, de forma a melhorar detecção de cobertura vegetal. Os conhecimentos adquiridos a partir destas características podem ser usados diretamente nas práticas de agricultura de precisão; com a captação de dados feita através de dispositivos de baixo custo a implantação do sistema pode atingir diferentes categorias de agricultores de diversos países, principalmente os de países em desenvolvimento. Para a análise das técnicas de processamento de imagem e de aprendizado de máquina, utilizaremos bases de dados de imagens referentes a plantações, em um caso mais específico, plantações de feijão. É descrito um método não supervisionado, capaz de aprender a representação destes dados, sendo aptos a reconstituir sua entrada e utilizar como índices de vegetação ou ainda criar canais novo. Este modelo é conhecido como autoencoder. Os resultados obtidos com o modelo foram comparados com métodos clássicos da literatura que são capazes de estimar vegetação apenas com análises da composição RGB da imagem de entrada, chamados de Índices de Vegetação. Apesar dos índices de vegetação demonstrarem grande relevância para detecção de cobertura vegetal, o uso de auto-supervisão para reconstrução de canais de cor mostrou que é possível obter melhorias através da análise do erro da reconstrução.

The present work proposes the application of pre- post-processing and machine learning strategies to extract features from images captured by low cost devices in agricultural contexts, in order to improve green coverage detection. The knowledge acquired from these features can be used directly in precision agriculture practices. Due to the fact of the data is captured by low cost devices, this system application can reach different categories of farmers from several countries, especially those from developing countries. For the analysis of the image processing and machine learning techniques, we will use databases reffering to plantations, in a more specific case, bean plantations. An unsupervised method is described, capable of learning the representiation of this data, being able to reconstruct its input and use it as vegetation indexes or create new channels. This model is known as autoencoder. The results obtained with the model were compared with classic methods in the literature that are able to estimate vegetation with only the analysis of the RGB components of the input image, called Vegetation Indexes. Although the vegetation indexes demonstrate great relevance for the coverage detection, the use of self-supervised for the reconstruction of color channels has shown that its possible to obtain improvements through the analysis of the reconstruction error.