Navegar por:

Integração de horticultura de precisão e inteligência artificial na classificação pós-colheita de morangos

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/capes/1147173
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorResende, Luciane Vilela-
Autor(es): dc.contributorSantos, Adão Felipe dos-
Autor(es): dc.contributorAzevedo, Sebastião Márcio de-
Autor(es): dc.contributorSantos, Adão Felipe dos-
Autor(es): dc.contributorFarias, Daniela da Hora-
Autor(es): dc.contributorSilva, Rouverson Pereira da-
Autor(es): dc.creatorMendes, Marcelo Henrique Avelar-
Data de aceite: dc.date.accessioned2026-02-09T11:46:29Z-
Data de disponibilização: dc.date.available2026-02-09T11:46:29Z-
Data de envio: dc.date.issued2025-09-01-
Data de envio: dc.date.issued2025-06-27-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/60254-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1147173-
Descrição: dc.descriptionStrawberry fruit quality prediction and grading currently rely primarily on manual and destructive methods, compromising efficiency and standardization in the post-harvest process. The use of digital images and machine learning algorithms emerges as a promising alternative for automating these steps accurately and non-invasively. This study aimed to evaluate machine learning-based models to develop non-destructive methods for measuring strawberry fruit weight and commercial grading. To this end, fruits of eight strawberry genotypes were produced in a greenhouse, harvested, and analyzed between September and October 2023 at UFLA, Lavras, Minas Gerais. Each fruit was photographed in a standardized studio with a mobile device, and the images were processed for segmentation, background removal, and extraction of morphological attributes (e.g., area, perimeter, shape factor). In parallel, the fruits were evaluated in the laboratory for weight, diameter, and quality parameters at scale. Eight supervised learning algorithms—SVM, RF, DT, KNN, MLP, XGB, LGBM, and MLR—were applied to predict strawberry mass and classify it. Analyses were performed in Python on Google Colab. The models were trained on 70% of the data and tested on the remaining 30% using k-fold cross-validation. For mass prediction, the models were evaluated using R², RMSE, MAE, and d, and for classification, using the metrics accuracy, F1-score, recall, and precision. For fruit mass prediction, in the testing phase, the SVM model demonstrated the best results for both datasets. KNN performed well on the manual dataset, and XGB performed similarly to SVM for the image dataset. The LGBM model achieved the best performance in training but showed a decline in testing, suggesting overfitting. For both datasets, the MLP model performed less well. The use of models for fruit classification achieved accuracy ranging from 98% to 96% for manual data, with emphasis on the SVM, XGB, LGBM, and DT models. For image data, all models achieved accuracy above 0.91, except for MLP, which achieved 0.83. Although manual data provided greater stability and accuracy for the models tested, the variables extracted from the images demonstrated potential for predicting and classifying strawberry fruits. This reinforces the use of standardized images as a non-destructive, efficient, and scalable tool for estimating fruit mass and classifying them, paving the way for practical applications in automated monitoring, with gains in agility and cost reduction, contributing to advances in precision agriculture and supporting the automation of mass prediction for strawberry crops.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionA predição e classificação da qualidade de frutos de morango atualmente dependem, majoritariamente, de métodos manuais e destrutivos, o que compromete a eficiência e a padronização no processo de pós-colheita. O uso de imagens digitais e algoritmos de aprendizado de máquina surge como alternativa promissora para automatizar essas etapas de forma precisa e não invasiva. O presente trabalho teve como objetivo avaliar modelos baseados em aprendizado de máquina, para desenvolver métodos não destrutivos que permitam mensurar a massa dos frutos de morango e realizar sua classificação comercial. Para isso, frutos de oito genótipos de morangueiro foram produzidos em casa de vegetação, colhidos e analisados entre setembro e outubro de 2023, na UFLA, Lavras/MG. Cada fruto foi fotografado em estúdio padronizado com dispositivo móvel e as imagens passaram por processamento para segmentação, remoção do fundo e extração de atributos morfológicos (ex: área, perímetro, fator de forma). Em paralelo, os frutos foram avaliados em laboratório quanto a massa, diâmetros e parâmetros de qualidade em escala. Foram aplicados oito algoritmos de aprendizado supervisionado – SVM, RF, DT, KNN, MLP, XGB, LGBM e MLR – para predição da massa e classificação dos frutos de morango. As análises foram realizadas em Python, no Google Colab.Os modelos foram treinados com 70% dos dados e testados com os 30% restantes, com a aplicação de validação cruzada com K-fold. Para predição da massa os modelos foram avaliados pelas métricas R², RMSE, MAE e d, para a classificação seguindo as métricas Acurácia, F1- score, Recall e Precision. Para a predição da massa dos frutos, na fase de teste, o modelo SVM demonstrou os melhores resultados para ambos os conjuntos de dados. O KNN apresentou bom desempenho quanto ao conjunto de dados manuais, assim como, o XGB apresentou desempenho parecido ao SVM para o conjunto de dados de imagens. O modelo LGBM obteve os melhores desempenhos para treino, mas apresentou queda no teste, sugerindo sobre ajuste. Para ambos os conjuntos de dados o modelo MLP teve o desempenho menos satisfatório. O uso dos modelos para a classificação dos frutos atingiu acurácia variando de 98% a 96%, para os dados manuais, com destaque para os modelos, SVM, XGB, LGBM e DT, e para os dados de imagens todos modelos tiveram acurácia acima de 0,91, exceto o MLP, que apresentou 0,83. Embora os dados manuais tenham proporcionado maior estabilidade e acerto, aos modelos testados, as variáveis extraídas das imagens demonstraram potencial para predição e classificação dos frutos de morango. Isso reforça o uso de imagens padronizadas como ferramenta não destrutiva, eficiente e escalável para estimar a massa dos frutos e classificá-los, abrindo caminhos para aplicações práticas em monitoramento automatizado, com ganhos em agilidade e redução de custos, contribuindo para avanços na agricultura de precisão e suporte na automação de predição de massa para a cultura do morango.-
Descrição: dc.descriptionTecnológico-
Descrição: dc.descriptionEconômicos-
Descrição: dc.descriptionTecnologia e produção-
Descrição: dc.descriptionTrabalho-
Descrição: dc.descriptionODS 2: Fome zero e agricultura sustentável-
Descrição: dc.descriptionODS 8: Trabalho decente e crescimento econômico-
Descrição: dc.descriptionODS 9: Indústria, inovação e infraestrutura-
Descrição: dc.descriptionODS 12: Consumo e produção responsáveis-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-Graduação em Agronomia/Fitotecnia-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Agricultura-
Publicador: dc.publisherEscola de Ciências Agrárias de Lavras (ESAL)-
Direitos: dc.rightsAttribution-ShareAlike 3.0 Brazil-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-sa/3.0/br/-
Palavras-chave: dc.subjectHorticultura de precisão-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectImagens digitais-
Palavras-chave: dc.subjectMorangos-
Palavras-chave: dc.subjectPredição de características-
Palavras-chave: dc.subjectPrecision horticulture-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectDigital imaging-
Palavras-chave: dc.subjectStrawberries-
Palavras-chave: dc.subjectTrait prediction-
Palavras-chave: dc.subjectCiências Agrárias-
Título: dc.titleIntegração de horticultura de precisão e inteligência artificial na classificação pós-colheita de morangos-
Título: dc.titleIntegration of precision horticulture and artificial intelligence in post-harvest sorting of strawberries-
Tipo de arquivo: dc.typetese-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação