CATAÇÃO DE PLANTAS DANINHAS

Da imagem do drone ao
mapa de aplicação.

Detecte plantas daninhas, revise o resultado e transforme cada correção em conhecimento para a próxima análise.

NUVEM ONLINEProcessamento GPU disponível

ONNX / GPU

ETAPA 01

Adicionar imagem

Formatos: ECW, GeoTIFF, TIFF, PNG ou JPG

↑Arraste seu ortomosaico aquiECW, GeoTIFF, TIFF, PNG ou JPG ✓

Ignorar fundo e pixels sem dadosEvita detecções nas bordas pretas, transparentes ou de cor uniforme fora do ortomosaico.

▱Área inteiraProcessar todo o ortomosaico⬡Limite do talhãoEnviar KML, KMZ ou Shapefile

ETAPA 02

Configurar detecção

Os parâmetros podem ser gravados no modelo

Cultura principal da áreaA cultura que deve ser preservada na detecção.

Plantas daninhas prioritárias selecione uma ou mais

As espécies cadastradas ficam disponíveis neste navegador para o próximo processamento.

Modelo de inteligência artificialTodos os modelos cadastrados usam entrada RGB 1024 × 1024 e detectam a classe “planta daninha”. Resolução de processamento

cm/px

Para PNG/JPG, informe a resolução real do ortomosaico para calcular hectares. Tamanho dos blocosO bloco 1024 aproveita diretamente os modelos YOLO11 que você já treinou. Blocos por loteMais blocos por lote aceleram quando houver GPU disponível. Sobreposição

Evita perder plantas nas bordas dos cortes.

ONNX

Resultado real do treinamento/modeloEnquanto o servidor ONNX não está conectado, envie aqui o KML que saiu do Deepness para visualizar as detecções reais sobre o TIFF. SHP entra no backend.

Adicionar KML do resultadoNenhum resultado real carregado

Motor inspirado no DeepnessAs mesmas ferramentas do plugin, organizadas para rodar em nuvem e entregar SHP.

ONNX + OpenCV

ONNX RuntimeExecuta seus modelos `.onnx`entrada 1024 × 1024

OpenCVRecorta blocos, refina contornos e cria caixas orientadaspolígonos finos

NumPyTrabalha os pixels do ortomosaico sem reduzir a qualidadeRGB original

GDAL/QGISLê ECW/GeoTIFF, preserva coordenadas e exporta SHPSIRGAS/UTM

1 abrir ortomosaico original
2 recortar por KML/SHP
3 processar blocos com sobreposição
4 unir detecções e remover duplicadas
5 exportar polígonos georreferenciados

🔍

GeoTIFF em resolução nativaO mapa mostra uma visão geral, mas o zoom busca a janela original do TIFF. A análise passa bloco por bloco, sem reduzir o ortomosaico inteiro.

aguardando TIFF

Confiança mínimaDetecções abaixo deste valor serão ignoradas

60%

◎

Análise multiescalaO mesmo trecho será analisado de perto, em escala intermediária e com contexto amplo.

1×Detalhe da plantaResolução original

2×Linhas da culturaContexto intermediário

4×Visão do talhãoContexto amplo

→

FUSÃOComparar resultadosRemove duplicações

O modelo continua recebendo blocos de 1024 × 1024, mas cada passagem representa uma extensão diferente do terreno. As previsões são combinadas por confiança e sobreposição.

⬡

Geometria de saídaEscolha como cada planta será desenhada no mapa e exportada para a máquina.

ORIENTADA

🧭

Triagem pós-DeepnessNão apaga automaticamente as plantas pequenas; separa o que é mais provável e o que precisa de revisão.

Marcar repetição nas linhas como possível cultura Manter manchas pequenas como suspeitas Área mínima para “alta certeza”

m²

Exemplo analisado: Deepness gerou 994 polígonos. As menores não devem virar cultura automaticamente; devem ir para revisão.

Remover áreas muito pequenasReduz ruídos e pontos isolados no mapa final

GPU

Aceleração disponívelO servidor poderá processar vários blocos simultaneamente.

Ativa

ETAPA 03

Resultado sobre o ortomosaico

Soja→ detecção de Buva · área inteira

Ortomosaico enviadoprévia para conferência

✓ Processamento concluído

Resultado processado na nuvemModelo ONNX executado com GPU · coordenadas preservadas · contornos refinados

POLÍGONOS

◎

Buffer dos polígonosAmplie as áreas detectadas e veja o resultado instantaneamente.

2,0 m

Buva detectada

VISÃO GERAL · análise no original

100%

ÁREA ANALISADA24,8 hainterior do limite selecionado

INFESTAÇÃO COM BUFFER3,7 ha14,9% da área

PLANTAS/MANCHAS DETECTADAS0polígonos encontrados pelo modelo

ECONOMIA ESTIMADA85,1%de área sem aplicação

ETAPA 04

Corrigir e ensinar

Revisão humana antes do treinamento

Envie o TIFF e o KML do resultado para validar sobre o mapa real.

Valide olhando o contexto: linha da cultura, solo, falhas e polígonos detectados. As correções entram como exemplos para melhorar o treinamento.

PREVISÃO DO MODELO

Buva

Na cultura: Soja · Confiança: 73%

Esta identificação está correta?

Novos exemplos revisados17 / 42

As correções só entrarão no modelo após validação e novo treinamento. A versão atual permanece protegida.

CENTRAL DE MODELOS

Modelos de inteligência artificial

Cadastre seu modelo treinado, acompanhe as correções e crie versões progressivamente melhores.

✓ VERSÃO ATUAL PROTEGIDA

MODELO EM USO

Nenhum modelo próprio cadastrado

—

FORMATO—

CORREÇÕES17

STATUSAguardando modelo

＋

Adicionar treinamento existenteEnvie o arquivo final gerado pelo seu treinamento.

ONNX RECOMENDADO

↑

Selecionar modelo treinadoModelo `.onnx` e, opcionalmente, classes `.json`

Possui `best.pt`? O arquivo será registrado, mas precisará ser convertido para ONNX antes do processamento.

Modelo entrega o mapaAs previsões são mantidas com a versão utilizada.

→

Você revisa e corrigeSomente correções confirmadas viram exemplos.

→

Nova versão é treinadaO treinamento externo usa os exemplos aprovados.

→

Validação antes da trocaA versão nova só assume se for realmente melhor.

17 correções aprovadas disponíveisRecomendação: pelo menos 42 amostras diversas antes de gerar uma nova versão.