USO DE REDES NEURAIS CONVOLUCIONAIS PARA O DESENVOLVIMENTO DE UMA CÂMARA SELETORA DE FRUTOS APLICADA A CLASSIFICAÇÃO TOMATES

Pedro Hugo Costa Cruz; João Célio Luna de Carvalho; Maria Eduarda Penha Ferris; Marcus Vinicius Morais de Oliveira; Juliana Lobo Paes; Anderson Gomide Costa

Título do Trabalho

Autores

Pedro Hugo Costa Cruz
João Célio Luna de Carvalho
Maria Eduarda Penha Ferris
Marcus Vinicius Morais de Oliveira
Juliana Lobo Paes
Anderson Gomide Costa

Modalidade

Resumo

Área temática

Ciências Agrárias - Engenharia Agrícola

Data de Publicação

27/03/2026

País da Publicação

Brasil

Idioma da Publicação

pt-BR

Página do Trabalho

https://www.even3.com.br/anais/xii-reuniao-anual-iniciacao-cientifica-da-ufrrj-raic/1323931-uso-de-redes-neurais-convolucionais-para-o-desenvolvimento-de-uma-camara-seletora-de-frutos-aplicada-a-classific

ISBN

978-65-272-2302-3

Palavras-Chave

Palavras chaves: processamento de imagens, visão computacional, pós-colheita.

Resumo

A utilização da visão computacional no setor agrícola, tornou-se uma ferramenta aplicada para otimizar os processos produtivos e aumentar a produtividade agrícola. A Rede Neural Convulacional (CNN) é um dos recursos da visão computacional que possibilita a classificação de produtos agrícolas em função de parâmetros de qualidade, como o estágio de maturação. Este trabalho teve como objetivo desenvolver um dispositivo ótico baseado em um microprocessador Raspberry Pi 5 e CNNs para a classificação de frutos de tomate quanto ao nível de maturação. Os frutos foram classificados nos estágios de maturação: verde, colorido e maduro, sendo utilizadas 300 imagens de frutos de tomates divididas nas 3 classes definidas. Para a aquisição de imagens, foi desenvolvido uma câmara seletora com dimensões de 0,52m de altura e 0,35m de comprimento, contendo no interior um suporte à uma altura de 0,32m para fixar o Raspberry Pi 5 8Gb, junto a um módulo de câmera, um monitor toutch screen e lâmpadas LED no interior da câmara. Para controle da câmara seletora (aquisição e processamento das imagens) foi desenvolvido um algoritmo e interface operacional em linguagem Python. Às CNNs utilizadas para classificação, foram a AlexNet e a MobileNet treinadas por meio da transferência dos dados. Os parâmetros para mensuração do desempenho das CNNs, foram a Acurácia, Loss, Precisão, Sensibilidade (Recall), f1-score e tempo de processamento. Os resultados demonstraram que a câmara seletora em conjunto ao software desenvolvido, provou-se aplicável e eficiente para a classificação dos frutos de tomate quanto ao seu estado de maturação. Em relação ao parâmetro Loss, para a arquitetura AlexNet, houve uma redução gradual até estabilizar os valores próximos de zero nos dados de treinamento, obtendo o menor valor na época 26 (0,027). Já para os dados de teste, o loss acompanhou a curva do treinamento convergindo para valores baixos, o que indica que este apresenta boa capacidade de generalização. Na arquitetura MobileNet, o Loss manteve-se baixo ao longo das épocas durante o treinamento, obtendo o menor valor na época 27 (0,16) indicando aprendizado eficiente. Para os dados de teste, observou-se oscilações e picos elevados, indicando tendência ao overfitting com o modelo ajustando-se bem ao treino, mas sem eficiência na generalização. Em relação a acurácia, para a arquitetura AlexNet foi observado um aumento gradual até 100% tanto para dados de treinamento quanto os de teste, reafirmando a boa capacidade de generalização desta arquitetura. Já para a arquitetura CNN MobibleNet foi observado uma estabilização próxima a 100% para os dados de treinamento, porém oscilações ao longo das épocas para as amostras de teste, reafirmaram a tendência de instabilidade desta arquitetura. Neste caso, optou-se pela seleção dos modelos gerados em épocas em que a acurácia foi 100% e o Loss apresentou valores baixos tanto para os dados de treinamento quanto para os dados de teste. Ao analisar às métricas de desempenho da matriz de confusão constatou-se que ambas as CNNs, apresentaram 100% de acerto de classificação das 3 classes, demonstrando boa capacidade de generalização dos modelos selecionados. A AlexNet possibilitou o processamento dos dados em menor tempo (Tempo da AlexNet = 4 min 35 s; Tempo da MobibleNet = 7 min 45 s). Concluiu-se que a câmara seletora desenvolvida apresentou capacidade de obter as imagens dos frutos de tomates e classificá-las com 100% de êxito em ambas CNNs, se mostrando como uma alternativa acessível e de fácil operação para classificação de frutos. A CNN AlexNet foi considerada a arquitetura mais adequada tanto pela análise de capacidade de generalização ao longo das épocas quanto pelo tempo de processamento.

Título do Evento: XII Reunião Anual de Iniciação Científica da UFRRJ (RAIC 2025) & VI Reunião Anual de Iniciação em Desenvolvimento Tecnológico e Inovação (RAIDTec 2025)
Cidade do Evento: Seropédica
Título dos Anais do Evento: Anais da Reunião Anual de Iniciação Científica e Reunião Anual de Iniciação em Desenvolvimento Tecnológico e Inovação da UFRRJ - Justiça climática: por um mundo mais sustentável, justo e igualitário
Nome da Editora: Even3
Meio de Divulgação: Meio Digital

Como citar

CRUZ, Pedro Hugo Costa et al.. USO DE REDES NEURAIS CONVOLUCIONAIS PARA O DESENVOLVIMENTO DE UMA CÂMARA SELETORA DE FRUTOS APLICADA A CLASSIFICAÇÃO TOMATES.. In: Anais da Reunião Anual de Iniciação Científica e Reunião Anual de Iniciação em Desenvolvimento Tecnológico e Inovação da UFRRJ - Justiça climática: por um mundo mais sustentável, justo e igualitário. Anais...Seropédica(RJ) UFRRJ, 2025. Disponível em: https//www.even3.com.br/anais/xii-reuniao-anual-iniciacao-cientifica-da-ufrrj-raic/1323931-USO-DE-REDES-NEURAIS-CONVOLUCIONAIS-PARA-O-DESENVOLVIMENTO-DE-UMA-CAMARA-SELETORA-DE-FRUTOS-APLICADA-A-CLASSIFIC. Acesso em: 30/05/2026