Avaliação comparativa de modelos YOLO para classificação e quantificação automatizadas de estágios de amadurecimento de tomates cereja
DOI:
https://doi.org/10.34117/bjdv11n8-050Keywords:
tomate cereja, Yolo, SegmentaçãoAbstract
O tomate é uma das frutas mais consumidas globalmente, mas sua colheita e classificação manual por cor ainda são processos trabalhosos e sujeitos a falhas humanas, como subjetividade e inconsistência entre avaliadores. Com o avanço da automação agrícola, métodos de visão computacional vêm sendo aplicados para melhorar a eficiência e a padronização na detecção de frutos. Este estudo utilizou redes neurais convolucionais YOLO para classificar tomates cereja em três estágios de maturação (verde, intermediário e maduro), a partir de uma base de imagens rotuladas manualmente. Nesse trabalho, foram testadas as versões YOLO v8, v9, v10 e v11, comparando desempenho em precisão, recall, mAP50 e tempo de treinamento. O YOLO v9 obteve a maior precisão, enquanto o YOLO v11 destacou-se pela velocidade de treinamento e bom recall. Além disso, a segmentação mostrou-se mais eficaz do que as caixas delimitadoras para anotação das imagens. Considerando todas as métricas avaliadas, o YOLO v11 foi apontado como a melhor opção para a classificação automatizada de tomates, oferecendo um equilíbrio entre eficiência e desempenho.
References
PERALTA, Iris Edith; SPOONER, David M. History, origin and early cultivation of tomato (Solanaceae). Enfield, [NH]: Science Publishers, c2005.
MINERVINI, Massimo; SCHARR, Hanno; TSAFTARIS, Sotirios. Image Analysis: The New Bottleneck in Plant Phenotyping [Applications Corner]. IEEE Signal Processing Magazine, v. 32, n. 4, p. 126-131, 2015. DOI: 10.1109/MSP.2015.2405111.
BAC, Cornelis Wouter; VAN HENTEN, E.J.; HEMMING, Jochen; EDAN, Yael. Harvesting Robots for High-Value Crops: State-of-the-Art Review and Challenges Ahead. Journal of Field Robotics, v. 31, n. 4, p. 744-769, 2014. DOI: 10.1002/rob.21525.
PAULIN, S.; BOTTERILL, T.; LIN, J.; CHEN, X.; GREEN, R. A comparison of sampling-based path planners for a grape vine pruning robot arm. In: ICARA 2015 - Proceedings of the 2015 6th International Conference on Automation, Robotics and Applications, 2015, Cingapura. p. 98-103. DOI: 10.1109/ICARA.2015.7081131.
OBERTI, Roberto et al. Selective spraying of grapevines for disease control using a modular agricultural robot. Biosystems Engineering, v. 146, p. 1-12, 2016.
AFONSO, Manya et al. Tomato fruit detection and counting in greenhouses using deep learning. Frontiers in Plant Science, v. 11, p. 571299, 2020.
DAS CHOUDHURY, Sruti; SAMAL, Ashok; AWADA, Tala. Leveraging image analysis for high-throughput plant phenotyping. Frontiers in Plant Science, v. 10, 2019.
WANG, Congyue et al. A Lightweight Cherry Tomato Maturity Real-Time Detection Algorithm Based on Improved YOLOV5n. Agronomy, v. 13, n. 8, p. 2106, 2023. DOI: 10.3390/agronomy13082106.
WANG, Xuewei; LIU, Jun. Tomato Anomalies Detection in Greenhouse Scenarios Based on YOLO-Dense. Frontiers in Plant Science, v. 12, p. 634103, 2021. DOI: 10.3389/FPLS.2021.634103.
PEIL, Roberta Mn; NETO, Antonio Ar de Albuquerque; ROMBALDI, Cesar Valmor. Densidade de plantio e genótipos de tomateiro cereja em sistema fechado de cultivo em substrato. Horticultura Brasileira, v. 32, n. 2, 2014. DOI: 10.1590/S0102-05362014000200021.
CAI, Yingqi et al. Cherry Tomato Detection for Harvesting Using Multimodal Perception and an Improved YOLOv7-Tiny Neural Network. Agronomy, v. 14, n. 10, p. 2320, 2024. DOI: 10.3390/agronomy14102320.
ZHANG, Fu et al. Multi-class detection of cherry tomatoes using improved YOLOv4-Tiny. International Journal of Agricultural and Biological Engineering, v. 16, n. 2, p. 210-216, 2022. DOI: 10.25165/j.ijabe.20231602.7744.
ZENG, Taiheng et al. Lightweight tomato real-time detection method based on improved YOLO and mobile deployment. Computers and Electronics in Agriculture, v. 211, p. 107625, 2023. DOI: 10.1016/j.compag.2023.107625.
MAO, Ze; XU, Yang; SUAREZ, Erick. Dataset Management Platform for Machine Learning. arXiv.org, 2023. DOI: 10.48550/arXiv.2303.08301.
GUILHERMEHC. Open Source Dataset, detect-and-counting-tomato-finish Dataset. 2024. Roboflow. Disponível em: https://universe.roboflow.com/guilhermehc/detect-and-counting-tomato-finish. Acesso em: 18 de Agosto de 2025
ROBOFLOW, Inc. Roboflow: Computer vision tools for developers and enterprises. 2025. Disponível em: https://roboflow.com/. Acesso em: 18 de Agosto de 2025.
IWAMURA, Masakazu; TSUKADA, Masaki; KISE, Koichi. Automatic Labeling for Scene Text Database. In: ICDAR 2013 - Proceedings of the 12th International Conference on Document Analysis and Recognition, 2013, Washington, EUA. p. 1109-1114. DOI: 10.1109/ICDAR.2013.276.
RAJCHL, Martin et al. DeepCut: Object Segmentation From Bounding Box Annotations Using Convolutional Neural Networks. IEEE Transactions on Medical Imaging, v. 36, n. 3, p. 674-683, 2016. DOI: 10.1109/TMI.2016.2621185.
RHEE, Hochang; KOO, Hyung Il; CHO, Nam Ik. Object Segmentation using Parametric Representation. In: Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), 2022, Chiang Mai, Tailândia. p. 1060-1065. DOI: 10.23919/APSIPAASC55919.2022.9980318.
KARIRYAA, Ankit. MaskIt: Masking for efficient utilization of incomplete public datasets for training deep learning models. arXiv: Computer Vision and Pattern Recognition, 2020. Disponível em: https://arxiv.org/abs/2012.00000. Acesso em: 18 de Agosto de 2025.
BASSETT, D.; KUMARAN, M. Libraries and Google Co-op. Journal of Library Administration, v. 46, n. 3-4, p. 181-189, 2008. DOI: 10.1300/J111v46n03_12.
KRIZHEVSKY, Alex; SUTSKEVER, Ilya; HINTON, Geoffrey E. ImageNet classification with deep convolutional neural networks. In: Advances in Neural Information Processing Systems, 2012, Lake Tahoe. p. 1097-1105.
ULTRALYTICS. YOLOv8: Real-Time Object Detection and Segmentation. 2023. Disponível em: https://github.com/ultralytics/ultralytics. Acesso em: Acesso em: 18 de Agosto de 2025.
ANG, Guoliang et al. A Lightweight YOLOv8 Tomato Detection Algorithm Combining Feature Enhancement and Attention. Agronomy, v. 13, n. 7, p. 1824, 2023. DOI: 10.3390/agronomy13071824.
SHEN, Lingyun; LANG, Baihe; SONG, Zhengxun. DS-YOLOv8-Based Object Detection Method for Remote Sensing Images. IEEE Access, v. 11, p. 125122-125137, 2023. DOI: 10.1109/ACCESS.2023.3330844.
CHEN, Haiwei; ZHOU, Guohui; JIANG, Hui-Shan. Student Behavior Detection in the Classroom Based on Improved YOLOv8. Sensors (Basel, Switzerland), v. 23, n. 20, p. 8385, 2023. DOI: 10.3390/s23208385.
REDMON, Joseph et al. You Only Look Once: Unified, Real-Time Object Detection. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, Las Vegas, EUA. p. 779-788. DOI: 10.1109/CVPR.2016.91.
WANG, C.-Y.; YEH, I.-H.; LIAO, H.-Y.M. YOLOv9: learning What You Want to Learn Using Programmable Gradient Information. arXiv, v. 2402, n. 13616, 2024. DOI: 10.48550/arXiv.2402.13616.
WANG, A. et al. YOLOv10: real-Time End-to-End Object Detection. arXiv, v. 2405, n. 14458, 2024. DOI: 10.48550/arXiv.2405.14458.
ULTRALYTICS. YOLO11 NEW. 2024. Disponível em: https://docs.ultralytics.com/models/yolo11. Acesso em: 18 de Agosto de 2025.
PADILLA, R. et al. A survey on performance metrics for object-detection algorithms. In: International Conference on Systems, Signals and Image Processing (IWSSIP), 2020, Niterói. p. 237-242. DOI: 10.1109/IWSSIP48289.2020.9145130.
VILELA JUNIOR, Guanis de Barros et al. Métricas Utilizadas para Avaliar a Eficiência de Classificadores em Algoritmos Inteligentes. Centro de Pesquisas Avançadas em Qualidade de Vida, v. 14, n. 2, p. 1, 2022. DOI: 10.36692/v14n2-01R.
