Atualmente, a Agricultura de Precisão destaca-se como uma das áreas mais promissoras para o desenvolvimento de tecnologias no país. Algumas tecnologias advindas dessa área incluem, por exemplo, o mapeamento de áreas de produtividade e o desenvolvimento de sensores e sistemas para análises do solo e do clima, sempre visando o uso inteligente dos recursos durante o manejo das culturas e auxiliando o produtor durante as etapas de tomada de decisão. Dentre os problemas da agricultura moderna está o uso intensivo, não rotativo e de forma não localizada de herbicidas que, além de ser prejudicial ao meio ambiente, contribui para altos custos no orçamento do produtor e resulta na aplicação de produto em organismos não desejados. Apesar de existirem alguns sistemas de pulverização localizada disponíveis no mercado, o princípio de funcionamento da maioria deles é baseado em detectores de clorofila, não sendo capazes de distinguir plantas da lavoura de plantas daninhas com acurácia em aplicações de herbicidas após a emergência da cultura em campo. Visando contornar estes problemas, o presente trabalho aborda o uso de imagens multiespectrais para o reconhecimento de plantas daninhas pós-emergência da soja em ambientes de iluminação natural e artificial utilizando Visão Computacional e o algoritmo YOLO para tarefas de detecção e classificação. Para as imagens capturadas em iluminação artificial na primeira abordagem do projeto, os melhores resultados para a métrica mAP_(0,5:0,95) foram para as imagens RGB (0,523), IR (0,527) e NIR (0,495). Na segunda abordagem, foi utilizado um sistema contendo uma roda de filtros e dez bandas espectrais e os melhores resultados obtidos foram para as bandas G (0,748), NDVI (0,717) e NIR-01 (0,714) para os modelos multi-classe e IR-780 (0,806), IR-850 (0,793) e NIR- 01 (0,785) para os modelos uni-classe, demonstrando a importância dos comprimentos de onda do infravermelho próximo na detecção das plantas. Na terceira abordagem, os valores obtidos para as métricas Precision, Recall e mAP(0,5:0,95) nos modelos treinados nas imagens capturadas em ambiente com iluminação natural foram, respectivamente, 0,772, 0,726 e 0,470 para as imagens RGB e, respectivamente, 0,733, 0,735 e 0,387 para as imagens NIR, sugerindo que em imagens mais complexas o algoritmo precisa ser aprimorado para produzir resultados mais eficientes no reconhecimento de plantas daninhas. Os resultados demonstram que técnicas de Visão Computacional combinadas com imagens multiespectrais são abordagens promissoras para a detecção de plantas daninhas entre plantas de soja.

Nowadays, Precision Agriculture stands out as one of the most promising areas for technology development in the country. Some technologies from this field includes, for example, productivity area mapping and the development of sensors and systems for soil and climate analysis, always aiming for intelligente resource use during crop management and helping farmers in decision-making stages. Among the problems of modern agriculture is the intensive, non-rotational and non-localized use of herbicides which, in addition to being harmful to the environment, contributes to high costs in farmers budget and results in the application of chemicals to non-target organisms. Although some selective spraying systems are available on the market, most of them are based on chlorophyll detectors and are unable to accurately distinguish crop plants from weeds in herbicide applications after crop emergence in the field. In order to solve this problems, this work addresses the use of multispectral images for weed detection among soybean plants in natural and artificial lighting environment using Computer Vision and the YOLO algorithm for detection and classification tasks. In the first approach, for images captured under artificial lighting, the best results for the mAP_(0,5:0,95) metric were obtained for RGB (0,532), IR (0,527) and NIR (0,495) images. In the second approach, a camera system with a filter wheel and ten spectral bands were used, and the best results were achieved for G (0,748), NDVI (0,717) and NIR-01 (0,714) bands for multi-class models, and IR-780 (0,806), IR-850 (0,793) and NIR-01 (0,785) bands for single-class models, highlighting the importance of near-infrared wavelengths in weed detection. In the third approach, the values obtained for Precision, Recall and mAP(0,5:0,95) metrics in models trained on images captured in natural lighting environment were, respectively, 0,772, 0,726 and 0,470 for RGB images and, respectively, 0,733, 0,735 and 0,387 for NIR images, suggesting that in more complex images, the algorithm needs improvement to produce more efficient results in weed recognition. The results demonstrate that Computer Vision techniques combined with multispectral images are promising approaches for weed detection among soybean plants.