Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 21889
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Dimensões Sociais: ODS2 |
| Setor | Departamento de Engenharia Agrícola |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Miquéias Henrique Pereira |
| Orientador | DOMINGOS SARVIO MAGALHAES VALENTE |
| Outros membros | Gabriel Dumbá Monteiro de Castro |
| Título | Contagem automática de frutos do cafeeiro com base em imagens de celular e deep learning |
| Resumo | No estado de Minas Gerais - Brasil, grande parte do café é cultivado em áreas montanhosas, onde a colheita é manual ou semimecanizada, o que dificulta a identificação da variabilidade espacial da produtividade. Esse conhecimento é fundamental para a adoção de práticas de Agricultura de Precisão, especialmente na recomendação de fertilizantes em taxas variáveis, visando maior lucratividade, redução de custos e menor impacto ambiental. Os métodos tradicionais de estimativa de produtividade, geralmente, demandam a contagem manual de frutos de café, sendo dispendiosos e limitados quanto à resolução espacial. Nesse contexto, técnicas de Deep Learning aplicadas a imagens capturadas por câmeras de celular surgem como alternativa promissora, permitindo a contagem automática de frutos de forma rápida, precisa e de baixo custo. Dessa forma, este trabalho teve como objetivo desenvolver e avaliar modelos de Deep Learning para contagem automática de frutos de café com base em imagens obtidas por câmeras de celular. O estudo foi conduzido no viveiro de café da Universidade Federal de Viçosa (UFV), localizado no município de Viçosa-MG, na região cafeeira das Matas de Minas, em uma área cultivada com café arábica (Coffea arabica L.). Entre fevereiro e março de 2024, foram coletadas 80 imagens de ramos plagiotrópicos contendo do 1º ao 5º internódio produtivo. Os frutos presentes nas imagens foram segmentados manualmente, e o conjunto foi dividido em 80% para treinamento e 20% para validação dos modelos. O treinamento foi realizado por meio das bibliotecas Detectron2 e Ultralytics (YOLOv8n), ambas baseadas em redes neurais profundas voltadas à detecção de objetos. A avaliação dos modelos foi realizada por meio das métricas de desempenho: precisão média (AP), precisão média a 50% (AP50), precisão média de 50 a 95% (AP50–95), recall e F1-score. O modelo treinado com o Detectron2 apresentou AP de 93,98% e AP50 de 96,90%, indicando bom desempenho em sobreposições permissivas. No entanto, a AP50–95 foi de 81,70%, sugerindo perda de desempenho sob critérios mais rigorosos. O recall foi de 84,60%, e o F1-score, que combina precisão e recall, atingiu 89,02%. Já o modelo YOLOv8n superou o Detectron2 em todas as métricas: AP de 99,88%, AP50 de 98,30% e AP50–95 de 82,69%. O recall foi de 94,95% e o F1-score alcançou 97,35%, evidenciando maior equilíbrio entre acertos e abrangência. Os resultados indicam que o YOLOv8n realiza detecções mais precisas e identifica um maior número de frutos corretamente, o que é fundamental para a contagem automática voltada à estimativa de produtividade. Dessa forma, embora ambos os modelos apresentem resultados promissores, o YOLOv8n destacou-se com melhor desempenho geral, sendo mais indicado para aplicações em Agricultura de Precisão, por aliar acurácia elevada, velocidade e menor risco de erros na detecção. |
| Palavras-chave | Agricultura de Precisão, Coffea arabica L., Inteligência Artificial. |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|