📄 agricultura

Integrating postharvest quality assessment and deep learning to identify the optimal harvest maturity stage of apricot fruit

Este estudo identifica o Estágio 3 como a maturidade de colheita ideal para damascos com base na superior retenção da qualidade pós-colheita e desenvolve um modelo de aprendizado profundo leve usando imagens RGB para classificar rapidamente e de forma não destrutiva os estágios de maturidade para uma melhor tomada de decisão na colheita.

Autores originais: Shima Naeimifar, Hojatollah Bodaghi, Seyed Iman Saedi

Publicado 2026-09-21

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Shima Naeimifar, Hojatollah Bodaghi, Seyed Iman Saedi

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Todos os anos, pomares ao redor do mundo produzem milhões de damascos, uma fruta celebrada por seu sabor doce e nutrição rica. No entanto, essas frutas enfrentam uma corrida implacável contra o tempo. Ao contrário de muitas culturas que podem ser colhidas e armazenadas por meses, os damascos são macios, perecíveis e amadurecem rapidamente assim que deixam a árvore. Se colhidos cedo demais, permanecem duros e sem sabor; se colhidos tarde demais, tornam-se moles e estragam antes de chegar ao mercado. A chave para resolver este problema reside em encontrar o momento exato da colheita, um estágio de desenvolvimento onde a fruta está madura o suficiente para ter um bom sabor, mas ainda firme o suficiente para sobreviver à jornada até um supermercado. Durante décadas, os agricultores confiaram em seus olhos e experiência para adivinhar esse momento, um método que é frequentemente inconsistente e propenso a erros. Agora, uma nova abordagem combina o estudo cuidadoso da química da fruta com a visão computacional avançada para encontrar uma resposta mais confiável.

Pesquisadores da Universidade de Tecnologia de Shahrood, no Irã, partiram para resolver este enigma primeiro compreendendo a biologia do damasco e, em seguida, ensinando um computador a reconhecer o momento certo de colhê-lo. Eles focaram em uma variedade específica conhecida como Zafarani, cultivada na região de Shahrood. A equipe começou colhendo frutas em cinco estágios distintos de crescimento, variando de muito imaturas a totalmente maduras. Eles colocaram essas frutas em um ambiente de armazenamento refrigerado, mimetizando as condições usadas por distribuidores comerciais, e observaram como elas mudavam ao longo de trinta e cinco dias. A cada semana, os cientistas mediram uma ampla gama de qualidades: o quão dura era a fruta, quanto peso ela perdeu devido à evaporação da água, o nível de doçura, a quantidade de acidez e a cor precisa da casca. Eles procuravam pelo estágio único onde a fruta mantinha sua forma e sabor da melhor maneira possível, enquanto resistia à decomposição natural que acompanha o tempo.

Os resultados desta longa observação revelaram um vencedor claro. As frutas colhidas no terceiro estágio de maturação, um ponto que não é nem muito verde nem totalmente macio, provaram ser as mais resilientes. Estes damascos mantiveram sua firmeza melhor do que aqueles colhidos antes ou depois. Eles perderam menos peso, o que significa que permaneceram mais volumosos e suculentos por mais tempo. Seu equilíbrio químico, incluindo doçura e acidez, permaneceu mais estável, e sua cor mudou menos dramaticamente do que as outras. Frutas colhidas cedo demais lutaram para manter sua qualidade, mudando rapidamente e perdendo a firmeza depressa. Aquelas colhidas tarde demais já estavam moles demais para suportar o período de armazenamento, deteriorando-se quase imediatamente. O estudo confirmou que esta janela específica de tempo oferece o melhor compromisso, permitindo que a fruta seja armazenada por semanas sem perder as qualidades que a tornam desejável para o consumo.

Tendo identificado este estágio ideal de colheita, os pesquisadores voltaram-se para a segunda parte de seu trabalho: ensinar uma máquina a encontrá-lo. Eles perceberam que, se um computador pudesse olhar para um damasco na árvore e saber instantaneamente se ele estava naquele terceiro estágio perfeito, os agricultores poderiam colher com precisão muito maior. Para fazer isso, eles tiraram mais de mil fotografias dos damascos no pomar sob luz solar natural, capturando a fruta exatamente como ela aparecia no mundo real, com todas as sombras e ângulos variáveis que um agricultor encontraria. Eles não usaram luzes especiais ou configurações controladas; queriam que o sistema funcionasse na realidade desordenada de um pomar.

A equipe então construiu um programa de computador personalizado, um tipo de inteligência artificial conhecido como modelo de aprendizado profundo (deep learning), especificamente projetado para classificar imagens. Este programa foi treinado para olhar as fotos e categorizar a fruta em um dos cinco estágios de maturação. O modelo foi projetado para ser leve, o que significa que poderia rodar rapidamente em dispositivos padrão sem precisar de um poder de computação massivo. Após o treinamento em milhares de imagens, o computador foi testado em um novo conjunto de fotos que ele nunca havia visto antes. Ele identificou com sucesso o estágio de maturação correto na vasta maioria dos casos. Quando cometia erros, eram geralmente erros pequenos, como confundir uma fruta que estava prestes a atingir o estágio perfeito com uma que acabara de passar dele. Isso mostrou que o computador entendia as mudanças graduais na aparência da fruta, em vez de apenas memorizar padrões aleatórios.

A significância deste trabalho reside em sua capacidade de unir a ciência biológica à agricultura prática. Ao primeiro provar qual estágio de crescimento leva à maior vida útil, e depois criar uma ferramenta para identificar esse estágio instantaneamente, os pesquisadores ofereceram um caminho para reduzir o desperdício e melhorar a qualidade. O sistema de visão computacional não substitui o conhecimento do agricultor, mas o aumenta, fornecendo uma maneira objetiva e rápida de tomar decisões de colheita. Embora o estudo tenha sido conduzido em uma única variedade de damasco em um único local, o método sugere um futuro poderoso para a agricultura. Se esta tecnologia puder ser adaptada para outras frutas e diferentes condições de cultivo, poderá transformar a forma como os produtos são colhidos, garantindo que a fruta que chega aos consumidores seja tão fresca e saborosa quanto no dia em que foi colhida. O estudo conclui que, embora a ferramenta seja promissora, novos testes em diferentes pomares e estações são necessários para confirmar sua confiabilidade em escala comercial.

Resumo Técnico: Integração da Avaliação da Qualidade Pós-Colheita e Aprendizado Profundo para Identificar o Estágio Ótimo de Maturação de Colheita do Damasco

Definição do Problema
O fruto do damasco (Prunus armeniaca cv. Zafarani) é altamente perecível, caracterizado pelo amolecimento rápido e deterioração da qualidade em temperaturas ambientes. O estágio de maturação da colheita é um determinante crítico do desempenho pós-colheita, da vida de armazenamento e da aceitação do consumidor. No entanto, a determinação do tempo ideal de colheita depende atualmente muito da estimativa visual humana, que é subjetiva, incerta e ineficiente. Os métodos tradicionais de processamento de imagem para classificação de frutos frequentemente carecem de robustez sob condições naturais de pomar devido à dependência de iluminação controlada e geometrias de câmera fixas. Além disso, embora o aprendizado profundo tenha avançado o monitoramento agrícola, sua aplicação específica para a classificação da maturação do damasco de forma não destrutiva e em tempo real sob condições de campo não estruturadas permanece relativamente inexplorada. Há uma necessidade de integrar dados de qualidade fisiológica com visão computacional avançada para estabelecer um método confiável e não destrutivo para identificar o estágio específico de maturação que maximiza o potencial de armazenamento.

Metodologia
O estudo foi conduzido em duas fases integradas:

Avaliação da Qualidade Fisiológica:
- Delineamento Experimental: Os frutos de damasco foram colhidos em cinco estágios distintos de maturação fisiológica (Estágios 1–5) baseados na escala de maturação de Edwards.
- Protocolo de Armazenamento: Os frutos foram armazenados a 6°C por 35 dias. Os atributos de qualidade foram avaliados em intervalos semanais (0, 7, 14, 21, 28 e 35 dias).
- Métricas: O estudo mediu firmeza, perda de peso, sólidos solúveis totais (SST), acidez titulável (AT), pH e atributos de cor ( $L^*$ , $C^*$ , $h^\circ$ e $\Delta E$ ).
- Análise Estatística: Os dados foram analisados por meio de um delineamento fatorial em layout completamente casualizado (DCC) com três repetições, utilizando o software SAS para comparações de médias (teste de Duncan, $p < 0,05$ ).
Desenvolvimento do Modelo de Aprendizado Profundo:
- Aquisição de Dados: 1.032 imagens RGB de damascos foram capturadas sob condições naturais de pomar (junho–julho de 2024) utilizando um smartphone Samsung Galaxy A54. Nenhum controle foi exercido sobre iluminação, distância ou ângulo.
- Partição do Conjunto de Dados: O conjunto de dados foi dividido em conjuntos de treinamento (660 imagens), validação (165 imagens) e teste independente (207 imagens).
- Arquitetura: Uma rede neural convolucional (CNN) de caminho duplo leve e personalizada foi desenvolvida. A arquitetura apresenta dois ramos paralelos:
  - Caminho 1: Utiliza camadas convolucionais regulares.
  - Caminho 2: Utiliza camadas convolucionais dilatadas (fator de dilatação = 2) para expandir o campo receptivo sem reduzir a resolução ou aumentar a carga computacional, recuperando assim a informação espacial perdida durante o pooling.
  - Integração: Os mapas de características de ambos os caminhos são concatenados e passados para camadas densas com uma ativação Softmax para classificação.
- Treinamento: O modelo foi treinado usando o otimizador Nadam, perda de entropia cruzada categórica, tamanho de lote (batch size) de 8 e 80 épocas no ambiente Google Colaboratory (Python, Keras/TensorFlow).
- Avaliação: O desempenho foi avaliado por meio de precisão, revocação (recall), F1-score e matrizes de confusão.

Principais Resultados

Achados Fisiológicos:
- Estágio Ótimo: Frutos colhidos no Estágio 3 demonstraram o desempenho pós-colheita global mais favorável.
- Firmeza: Os frutos do Estágio 3 exibiram uma retenção de firmeza superior em comparação aos Estágios 4 e 5, que amoleceram rapidamente, e aos Estágios 1 e 2, que apresentaram mudanças significativas.
- Perda de Peso: O Estágio 3 apresentou a menor perda de peso cumulativa ao longo do período de 35 dias.
- Estabilidade Química: Os frutos do Estágio 3 mantiveram as menores variações relativas em SST (4,16%), pH (6,54%) e acidez titulável, indicando maior estabilidade composicional.
- Cor: Embora todos os estágios tenham passado por mudanças de cor, o Estágio 3 exibiu uma progressão equilibrada no ângulo de matiz ( $h^\circ$ ) e na diferença de cor total ( $\Delta E$ ), evitando a instabilidade observada nos estágios iniciais e a senescência avançada dos estágios posteriores.
Desempenho do Aprendizado Profundo:
- A CNN de caminho duplo classificou com sucesso os cinco estágios de maturação sob condições naturais de campo.
- Métricas: No conjunto de teste independente, o modelo alcançou uma precisão ponderada de 0,81, revocação de 0,78 e F1-score de 0,79.
- Análise de Erro: As classificações incorretas ocorreram predominantemente entre estágios de maturação adjacentes (ex: Estágio 2 vs. Estágio 3), refletindo a transição biológica gradual entre os estágios, em vez de descontinuidades visuais distintas. O modelo demonstrou boa generalização, sem sobreajuste (overfitting) significativo.

Principais Contribuições

Identificação da Janela Ótima de Colheita: O estudo identifica empiricamente o Estágio 3 como o estágio de maturação fisiológica específico que oferece o melhor compromisso entre maturação e estabilidade de armazenamento para o damasco 'Zafarani', com base em uma avaliação de qualidade multiparamétrica.
Arquitetura Inovadora: O desenvolvimento de uma CNN de caminho duplo leve, incorporando convoluções regulares e dilatadas, especificamente adaptada para a classificação da maturação de frutos em ambientes não estruturados.
Abordagem Integrada: A pesquisa consegue unir com sucesso a avaliação fisiológica pós-colheita tradicional e o aprendizado profundo moderno, utilizando a primeira para definir as classes alvo para a segunda.
Aplicação de Campo Não Destrutiva: O modelo foi treinado e validado em imagens capturadas sob condições naturais e não controladas de pomar, demonstrando viabilidade para implantação no mundo real.

Significância e Alegações
O artigo alega que a integração da avaliação da qualidade fisiológica com o aprendizado profundo fornece uma estrutura robusta para a tomada de decisão rápida e não destrutiva de colheita baseada na maturação. A principal significância reside na capacidade de identificar objetivamente o Estágio 3 de maturação no campo, permitindo que os produtores iniciem a colheita quando os frutos possuem o maior potencial para vida de armazenamento estendida.

Os autores enfatizam que o modelo de aprendizado profundo foi projetado para reconhecer o estágio de maturação identificado como ótimo pelos dados fisiológicos, e não para determinar a otimalidade de forma independente. Eles concluem que, embora a abordagem seja promissora, é necessária uma validação adicional em diferentes cultivares, pomares, estações e condições de imagem variáveis para estabelecer a robustez e a aplicabilidade prática do sistema para implantação comercial. O estudo não alega prontidão comercial imediata, mas estabelece uma prova de conceito para uma solução escalável de gestão pós-colheita de damasco baseada em IA.

Mais como este