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 artificialO modelo treinado fica no servidor e será usado sem carregar arquivos do computador. 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. Ortomosaico grandePara pivô grande, o sistema processa por partes e junta o resultado final. Área máxima por parte

Exemplo: pivô de 30 ha vira grade 2 × 2, processada em 4 partes.

ONNX

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

Adicionar KML/KMZ 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

▦

Partes operacionaisQuando o ortomosaico for grande, o backend divide em partes, processa cada uma separadamente e junta tudo no final.

auto

Confiança mínimaDetecções abaixo deste valor serão ignoradas

60%

↻

Reanálise das plantas que ficaram para trásDepois do primeiro processamento, rode uma segunda passagem mais sensível. O sistema mantém os polígonos já aceitos e adiciona somente novas suspeitas sem duplicar.

2ª PASSAGEM

Sensibilidade da reanálise Busca por índice

Use quando o mapa ficou bom, mas ainda sobraram plantas daninhas visíveis sem polígono.

◎

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

Cruzamento com indice de vegetacaoRode a catacao no ortomosaico e use VARI/NDVI para confirmar planta viva, reduzir solo/palhada e priorizar revisao.

RGB + VARI

Modo de analise Como cruzar Sensibilidade do indice

min.

Banda Red

nº

Banda NIR

nº

VARI usa apenas RGB. NDVI real usa (NIR - Red) / (NIR + Red), precisa de banda NIR e fica com cores vermelho, laranja, amarelo e verde.

🧭

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

CAMADAS

Alterne para o indice escolhido e desenhe manualmente manchas que ficaram para tras.

↻

Reanalisar olhando este resultadoConfira o ortomosaico. Se faltou planta daninha, rode uma nova passagem mais sensível sem apagar os polígonos aceitos.

NO MAPA

Sensibilidade Camada usada

Use depois de validar visualmente que ainda existem plantas daninhas sem polígono no mapa.

Buva detectada

VISÃO GERAL · análise no original

100%

ÁREA ANALISADA— hatamanho real da área útil processada

INFESTAÇÃO COM BUFFER— haaguardando resultado

PLANTAS/MANCHAS DETECTADAS0polígonos encontrados pelo modelo

ECONOMIA ESTIMADA—de área sem aplicação

ETAPA 04

Corrigir e ensinar

Revisão humana antes do treinamento

Envie o TIFF e o KML/KMZ 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 outro treinamento (opcional)Use somente quando quiser testar um ONNX diferente do modelo interno.

ONNX OPCIONAL

↑

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.