Quantification and classification of coffee fruits with computer vision (2021)
- Authors:
- Autor USP: BAZAME, HELIZANI COUTO - ESALQ
- Unidade: ESALQ
- Sigla do Departamento: LEB
- DOI: 10.11606/T.11.2021.tde-14122021-160103
- Subjects: AGRICULTURA DE PRECISÃO; CAFÉ; COLHEDORAS; COLHEITA; REDES NEURAIS; VISÃO COMPUTACIONAL
- Language: Inglês
- Abstract: O café é uma das bebidas mais consumidas e comercializadas do mundo. O conhecimento sobre a produtividade e o estágio de maturação dos frutos de café antes, e após a colheita, ainda é um desafio para o setor cafeeiro. A criação de um sistema que permita obter essa informação de forma rápida e não invasiva é fundamental para uma gestão eficiente da lavoura. O avanço do monitoramento da cultura do café deve permitir a geração de mapas que apresentem informações essenciais na diagnose da variabilidade espacial e temporal da lavoura e, consequentemente, no eficiente uso das técnicas de agricultura de precisão. Umas das alternativas utilizadas para estimar a produtividade e o estágio de maturação dos frutos de café, seria a utilização de técnicas de visão computacional baseadas na detecção e classificação de objetos. O uso de visão computacional oferece solução de baixo custo e acessível, apresentado grande potencial para a melhoria do monitoramento da lavoura de café. Este estudo foi dividido em três capítulos que apresentam o uso de modelos de visão computacional baseados na arquitetura de redes neurais YOLO para detectar frutos de café em diferentes contextos. No capítulo 1, o modelo é utilizado para detectar e classificar frutos de café na planta, uma ferramenta que pode auxiliar pequenos e grandes produtores na decisão do início da colheita de forma rápida e objetiva. No capítulo 2, o modelo é utilizado para detectar e contar frutos de café durante a colheita mecanizada, oque permite que se gere mapas de produtividade para as áreas colhidas. No capítulo 3, o modelo é utilizado para detectar e classificar os frutos de café em diferentes estágios de maturação durante a colheita mecanizada, o que permite a espacialização do estágio de maturação do café para os talhões colhidos. Os modelos de visão computacional baseados na arquitetura YOLOv4 e uma imagem de entrada com resolução de 800x800 pixels apresentaram precisão média (mAP) de 81,2%, 83,5% e 91,8% para os cenários experimentados nos capítulos 1, 2 e 3, respectivamente. O mapa de produtividade estimado a partir das detecções obtidas pelo modelo foi capaz de explicar 81% da variância do mapa de produtividade utilizado como referência. O conhecimento da variabilidade espacial e temporal de informações como produtividade e o estágio de maturação são fundamentais para implantação de técnicas de agricultura de precisão na lavoura de café
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2021
- Data da defesa: 03.11.2021
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
BAZAME, Helizani Couto. Quantification and classification of coffee fruits with computer vision. 2021. Tese (Doutorado) – Universidade de São Paulo, Piracicaba, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-14122021-160103/. Acesso em: 01 abr. 2026. -
APA
Bazame, H. C. (2021). Quantification and classification of coffee fruits with computer vision (Tese (Doutorado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11152/tde-14122021-160103/ -
NLM
Bazame HC. Quantification and classification of coffee fruits with computer vision [Internet]. 2021 ;[citado 2026 abr. 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-14122021-160103/ -
Vancouver
Bazame HC. Quantification and classification of coffee fruits with computer vision [Internet]. 2021 ;[citado 2026 abr. 01 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-14122021-160103/ - Assessing rainfall spatial variability in the Brazilian savanna region with TMPA rainfall dataset
- Uncertainty quantification for hydrological models based on neural networks: the dropout ensemble
- Modeling the net primary productivity: a study case in the Brazilian territory
- Spectral sensors prove beneficial in determining nitrogen fertilizer needs of Urochloa brizantha cv. Xaraes grass in Brazil
- Improvement of Hargreaves-Samani reference evapotranspiration estimates with local calibration
- Untangling hybrid hydrological models with explainable artificial intelligence
- Definition of optimal maize seeding rates based on the potential yield of management zones
- Detection, classification, and mapping of coffee fruits during harvest with computer vision
- Obtaining and validating high-density coffee yield data
- Detection of coffee fruits on tree branches using computer vision
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
