Research Evolution and Emerging Trends in Fruit and Vegetable Quality Assessment and Sorting: A Bibliometric Analysis of Analytical and Intelligent Sensing Technologies
Esta análise bibliométrica de 1.387 publicações de 2000 a 2025 mapeia a evolução da pesquisa em classificação de frutas e vegetais, revelando uma mudança global da classificação convencional por aparência externa para sistemas inteligentes e multimodais que integram tecnologias de sensoriamento avançadas e algoritmos de aprendizado profundo para uma avaliação abrangente da qualidade.
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, bilhões de toneladas de frutas e vegetais movem-se dos campos para os mercados, uma jornada onde o produto deve sobreviver ao manuseio, transporte e armazenamento sem sofrer danos ou apodrecer. Durante muito tempo, a classificação deste produto dependeu fortemente dos olhos e das mãos humanas, um processo que é lento, inconsistente e, muitas vezes, demasiado bruto para itens delicados como tomates de casca fina ou pêssegos macios. À medida que a procura global por alimentos de alta qualidade cresceu, a indústria agrícola recorreu a máquinas que podem ver e julgar os produtos com a velocidade de uma esteira transportadora e a precisão de um cientista. Estas máquinas utilizam câmaras para observar a cor e a forma, e sensores especiais que conseguem ver o interior de uma fruta para verificar o seu teor de açúcar ou firmeza sem a cortar. O objetivo é simples, mas difícil: classificar milhares de itens por hora, garantindo que apenas os melhores cheguem ao consumidor, minimizando simultaneamente o desperdício e os danos.
Uma equipa de investigadores da Universidade Normal de Guizhou, na China, deu recentemente um passo atrás para analisar todo o historial desta mudança tecnológica. Em vez de construir uma nova máquina ou testar uma fruta específica, analisaram milhares de artigos científicos publicados entre 2000 e 2025 para compreender como o campo evoluiu. Ao estudar os padrões nestas escritas, mapearam como os cientistas passaram de uma classificação mecânica simples para sistemas inteligentes complexos que podem "pensar" sobre o que veem. O seu trabalho revela uma história clara de progresso: uma jornada da observação básica para a tomada de decisões automatizada e sofisticada que está a remodelar a forma como lidamos com o abastecimento alimentar mundial.
Os investigadores recolheram dados de duas bibliotecas massivas de conhecimento científico: uma contendo estudos em língua inglesa de todo o mundo, e outra contendo estudos em língua chinesa. Eles filtraram mais de 1.300 publicações para encontrar as tendências mais importantes. O que encontraram foi um campo que cresceu de forma constante nas últimas duas décadas, com um aumento particularmente acentuado na atividade desde 2021. No início dos anos 2000, a investigação era escassa e focava-se em designs mecânicos básicos. Na década de 2010, o foco mudou-se para o uso de computadores para analisar imagens. Nos anos mais recentes, a explosão de novas investigações tem sido impulsionada pela inteligência artificial avançada, permitindo que as máquinas reconheçam defeitos e níveis de qualidade com uma sofisticação que era anteriormente impossível.
O estudo destaca que os esforços de investigação do mundo não estão distribuídos uniformemente. A China produziu o maior número de artigos sobre este tema, seguida pela Índia, Estados Unidos, Espanha e Irão. Este surto de investigação chinesa reflete a enorme indústria de frutas e vegetais do país e o seu rápido esforço de modernização da agricultura com maquinaria inteligente. Embora países como os Estados Unidos e a China trabalhem juntos em alguns projetos, os investigadores notaram que a colaboração internacional poderia ser mais forte. Atualmente, a rede de cooperação é algo fragmentada, com muitos países a trabalhar isoladamente em vez de reunirem os seus recursos para resolver problemas comuns.
Quando os investigadores analisaram o que os cientistas estão realmente a estudar, surgiram dois caminhos principais. O primeiro caminho diz respeito à classificação baseada no aspeto exterior de uma fruta. Isto envolve o uso de câmaras para medir a cor, o tamanho e a forma, ou para detetar hematomas e imperfeições. O segundo caminho trata da verificação da qualidade no interior da fruta sem a danificar. É aqui que a tecnologia se torna mais complexa. Os cientistas utilizam ondas de luz que o olho humano não consegue ver, como a luz infravermelha próxima, para penetrar na casca de uma fruta e medir o seu açúcar, acidez ou podridão interna. A análise mostrou que, embora a investigação inicial se tenha focado fortemente nestes dois caminhos separados, os desenvolvimentos mais entusiasmantes estão a acontecer onde eles se encontram. O futuro da classificação reside na combinação destes métodos, utilizando câmaras para ver o exterior e sensores especiais para ver o interior, tudo ao mesmo tempo.
As ferramentas utilizadas para alcançar isto mudaram dramaticamente ao longo do tempo. No passado, os computadores dependiam de regras simples escritas por humanos para identificar uma maçã vermelha ou uma folha verde. Hoje, os sistemas mais eficazes utilizam o deep learning, um tipo de inteligência artificial que ensina a si própria o que procurar através do estudo de milhares de exemplos. Os investigadores descobriram que as revistas mais populares neste campo são aquelas dedicadas à engenharia agrícola e ciência dos alimentos, confirmando que esta é uma ciência prática, impulsionada pela indústria. O trabalho mais citado envolve frequentemente o uso de visão de máquina para detetar defeitos ou o uso de imagem espectral para prever a maturação.
Apesar destes avanços, os investigadores apontam que a tecnologia ainda não é perfeita. As máquinas ainda têm dificuldades quando a iluminação muda, quando as frutas estão empilhadas umas sobre as outras, ou quando lidam com produtos muito delicados que podem ser facilmente esmagados. Os sistemas também são caros e requerem computadores potentes para funcionar, o que os torna difíceis de utilizar em pequenas explorações agrícolas ou regiões em desenvolvimento. O estudo sugere que o próximo grande salto virá de tornar estes sistemas mais baratos, rápidos e adaptáveis. Os cientistas estão agora a trabalhar em versões "leves" destes sistemas inteligentes que possam correr em dispositivos menores, e estão a explorar formas de ensinar as máquinas a aprender com muito poucos exemplos, em vez de precisarem de milhões de imagens para começar.
O artigo conclui que o campo se move em direção a um futuro onde a classificação não é apenas sobre olhar para uma fruta, mas sim compreendê-la completamente. Ao fundir dados de câmaras, sensores de luz e até detetores de odor, a próxima geração de máquinas de classificação será capaz de tomar decisões tão matizadas como as de um especialista humano, mas com a velocidade e consistência de um robô. Esta evolução promete reduzir o desperdício alimentar e garantir que os produtos que consumimos são seguros e de alta qualidade. No entanto, os investigadores alertam que este futuro depende da superação dos atuais obstáculos na questão do custo, da complexidade e da capacidade destas máquinas de trabalharem de forma fiável na realidade desordenada e imprevisível de uma quinta ou de uma unidade de embalamento. O caminho a seguir está claro, mas requer inovação contínua para transformar estas ideias poderosas em ferramentas quotidianas para agricultores e produtores de alimentos em todo o mundo.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.