SEEDetector

COOPERAR PARA COMPETIR EM UM MUNDO FRAGMENTADO

Da cooperação ao impacto: INOVA Leaf Vision e o SEEDetector Como a parceria entre a Philip Morris Brasil(PMB) e o IEL transformou conhecimento acadêmico especializado em uma solução aplicada de visão computacional para a agricultura TESE CENTRAL / Em vez de tratar a falta de conhecimento especializado como uma barreira, a PMB e o IEL criaram uma ponte entre desafio operacional, talento científico e execução aplicada. O primeiro resultado concreto dessa cooperação é o SEEDetector, uma prova de conceito que leva o controle de qualidade para o momento em que a ação ainda é possível.

1. Resumo executivo

A competitividade na agricultura depende cada vez mais da capacidade de transformar dados em decisões. Na prática, porém, desafios altamente específicos exigem conhecimento técnico raro, dedicação contínua e compreensão profunda da operação. Foi nesse contexto que a Philip Morris Brasil se uniu ao Instituto Euvaldo Lodi por meio do programa INOVA Talentos para criar o Leaf Vision, uma iniciativa de pesquisa aplicada voltada ao desenvolvimento de soluções de visão computacional e inteligência artificial para a cadeia produtiva do tabaco.

O modelo conecta necessidades concretas do negócio a um pesquisador especializado, inserido no contexto operacional e acompanhado por especialistas da empresa. A parceria reúne três ativos que dificilmente gerariam o mesmo valor de forma isolada: conhecimento agronômico, infraestrutura e dados da PMB; capacidade de conexão entre indústria e academia do IEL; e profundidade científica dedicada do pesquisador.

O primeiro produto dessa colaboração é o SEEDetector, uma prova de conceito para detecção automatizada de falhas na deposição de sementes em bandejas de produção de mudas. Com imagens RGB e um pipeline de visão computacional, a solução verifica a presença ou ausência de sementes em cada célula imediatamente após a semeadura. Assim, cria evidência rastreável na origem do processo, antes que a ausência de uma planta possa ser confundida com problemas posteriores de germinação, irrigação, substrato ou condições ambientais.

Mais do que uma ferramenta isolada, o SEEDetector demonstra a força do mecanismo de cooperação. Um desafio operacional foi traduzido em pergunta de pesquisa, transformado em modelo computacional, validado em ambiente real e convertido em uma base de dados capaz de apoiar monitoramento, investigação de causa raiz, melhoria contínua e decisões de implementação.

POR QUE ESTE CASE TEM FIT COM O TEMA DO SUMMIT / A cooperação não aparece apenas como apoio institucional. Ela é o próprio mecanismo de inovação: indústria, instituto e pesquisador compartilham capacidades complementares para reduzir a distância entre conhecimento e aplicação, fortalecendo a competitividade da empresa e a formação do especialista.

Resultados e diferenciais do case Cooperação estruturada entre indústria e academia, orientada por desafios reais da agricultura.

Desenvolvimento de capacidade técnica próxima ao negócio, com maior contextualização e aprendizado interno.

Primeiro produto aplicado desenvolvido e testado em ambiente operacional: o SEEDetector.

Geração de dados rastreáveis em uma etapa antes pouco medida de forma sistemática.

Base tecnológica reutilizável para outras aplicações de visão computacional ao longo da cadeia agrícola.

2. O desafio: dados disponíveis, conhecimento escasso

A operação agrícola já gera imagens e dados em diferentes pontos da jornada produtiva, desde a produção de mudas até o campo e a gestão territorial. O potencial existe, mas convertê-lo em soluções confiáveis exige competências em visão computacional, machine learning, sensoriamento remoto, engenharia de dados e validação em condições reais.

A dependência exclusiva de fornecedores externos pode acelerar entregas pontuais, mas também pode limitar a construção de conhecimento próximo da operação e reduzir a autonomia para formular novas hipóteses, ajustar modelos e reaproveitar aprendizados. O desafio, portanto, não era apenas contratar uma solução. Era criar capacidade de inovar de forma contínua, mantendo o problema de negócio no centro do desenvolvimento.

3. A resposta: o modelo INOVA Leaf Vision

O programa INOVA Talentos oferece uma estrutura para aproximar empresas e profissionais vindos da academia em projetos de pesquisa, desenvolvimento e inovação. No Leaf Vision, essa estrutura foi usada para incorporar um pesquisador especialista dedicado às aplicações de visão computacional na agricultura, trabalhando em conjunto com a equipe multidisciplinar da PMB e com acompanhamento do IEL.

A agenda tecnológica do Leaf Vision Avaliação automatizada do processo de semeadura e germinação com imagens RGB e deep learning.

Contagem de plantas e monitoramento do stand no campo com drones e modelos de detecção de objetos.

Delimitação de áreas cultivadas e identificação de culturas com imagens de satélite, segmentação e classificação.

4. Valor compartilhado: quando todos aprendem, todos competem melhor

A parceria foi desenhada como uma relação de aprendizado bilateral. A empresa ganha capacidade especializada e velocidade para experimentar. O pesquisador ganha acesso a problemas complexos, dados, infraestrutura, especialistas e ambientes reais de validação. O IEL fortalece sua missão de aproximar indústria e centros de conhecimento, transformando pesquisa em impacto aplicado.

O diferencial competitivo da cooperação O principal diferencial não está apenas em acessar um especialista, mas em criar condições para que esse especialista compreenda o processo, observe as restrições do campo, converse com usuários e teste hipóteses junto à operação. Essa proximidade melhora a qualidade das perguntas e reduz o risco de desenvolver soluções tecnicamente interessantes, porém desconectadas da realidade.

COOPERAR PARA COMPETIR / A parceria transforma conhecimento externo em capacidade compartilhada. O resultado não é terceirização do pensamento, mas construção conjunta de uma competência estratégica.

5. Primeiro produto da parceria: SEEDetector

Na produção de mudas em bandejas, a qualidade costuma ser percebida quando a germinação já ocorreu. Nesse momento, porém, uma célula sem planta é apenas um sintoma. A causa pode estar em uma falha na deposição da semente, na viabilidade, no substrato, na irrigação, na temperatura ou em outros fatores biológicos e ambientais.

O SEEDetector muda o ponto de controle. A solução cria uma inspeção automatizada imediatamente após a deposição da semente e antes da germinação. Imagens RGB das bandejas são processadas por técnicas de visão computacional e por um modelo de detecção de objetos. O resultado é associado às posições individuais da bandeja e convertido em registros revisáveis, com evidência visual e indicadores de confiança.

Como funciona 1 / Captura / Imagem RGB da bandeja recém-semeada | 2 / Processamento / Padronização e preparação da imagem | 3 / Modelagem / Detecção da presença ou ausência de sementes | 4 / Registro / Associação por célula e evidência rastreável | 5 / Ação / Monitoramento, investigação e intervenção antecipada Valor gerado

6. O que torna o case replicável

O valor do case está tanto no produto desenvolvido quanto no modelo de cooperação. A abordagem pode ser aplicada a outros desafios que exijam conhecimento especializado, desde que alguns princípios sejam preservados:

Começar por um problema operacional claramente observado, não por uma tecnologia em busca de uso.

Escolher o talento científico de acordo com o desafio e dar a ele dedicação e acesso ao contexto.

Combinar supervisão de negócio com tutoria técnica e acompanhamento estruturado.

Validar cedo em ambiente real e ajustar o escopo a partir das evidências.

Documentar dados, decisões, métricas e limitações para que o conhecimento permaneça na organização.

Tratar cada produto como parte de uma plataforma de capacidades que possa gerar novos casos de uso.

7. Próximos passos

Evoluir o SEEDetector de prova de conceito para uma configuração operacional integrada ao processo de semeadura.

Consolidar a análise de impacto e os requisitos de implementação, incluindo arquitetura, custos e integração de dados.

Usar os dados contínuos para identificar tendências, padrões de falha e oportunidades de manutenção e processo.

Avançar nas demais frentes do Leaf Vision, incluindo contagem de plantas com drones e mapeamento agrícola por satélite.

Ampliar a transferência de conhecimento para o time e fortalecer a capacidade interna de formular e liderar novas aplicações.

8. Mensagem final aos avaliadores

O SEEDetector é a primeira evidência de que, quando indústria e academia trabalham sobre o mesmo problema, a cooperação deixa de ser discurso e se torna capacidade competitiva.

A parceria entre PMB e IEL mostra que inovar não significa apenas adquirir tecnologia. Significa construir o ambiente em que conhecimento científico, experiência operacional e propósito de negócio possam aprender juntos. O pesquisador cresce ao transformar ciência em impacto. A empresa cresce ao transformar dados em autonomia e decisão. E a agricultura avança com soluções mais objetivas, rastreáveis e escaláveis.

PROPOSTA DE VALOR DO CASE / Um mecanismo de cooperação que converte lacunas de conhecimento em competências, desafios agrícolas em produtos digitais e experimentação aplicada em vantagem competitiva sustentável.

Base do material Documento elaborado a partir de materiais internos do projeto INOVA Leaf Vision e do SEEDetector, incluindo proposta do projeto, apresentações, relatório final da prova de conceito, documentação técnica e registros de acompanhamento. Informações quantitativas não consolidadas não foram incluídas.