Classificação da qualidade de morangos com Rede Neural Convolucional YOLOV8

Resumo

O morango é uma fruta altamente perecível e apresenta elevada suscetibilidade a perdas durante a pós-colheita, especialmente em entrepostos como a CEAGESP, onde a triagem é majoritariamente manual e sujeita à variabilidade entre classificadores. A necessidade de processos mais padronizados e eficientes motiva o uso de tecnologias de visão computacional para apoiar a avaliação da qualidade dos frutos. Assim, esta pesquisa teve como objetivo desenvolver e validar um modelo baseado na arquitetura YOLOv8, integrado a um protótipo de aplicativo móvel, para auxiliar a classificação pós-colheita de morangos. A metodologia compreendeu quatro etapas: revisão da literatura; prova de conceito utilizando o YOLOv8m para detecção inicial; desenvolvimento completo do modelo de classificação multiclasse com YOLOv8n; e aplicação da abordagem Design Science Research (DSR) para criação e avaliação de um aplicativo funcional. O dataset final reuniu 5.663 imagens distribuídas em oito classes de qualidade, maturação, defeitos e doenças, com aplicação de técnicas de data augmentation. Os experimentos foram conduzidos em ambiente Google Colab Pro com suporte de GPU. Os resultados demonstraram que o modelo YOLOv8n atingiu desempenho satisfatório, com mAP50 de 0,79, precisão de 0,744 e recall de 0,777, além de tempo médio de inferência de 1 ms, viabilizando seu uso em dispositivos móveis. As classes de doenças apresentaram melhor desempenho, enquanto categorias associadas à maturação mostraram maior sobreposição visual. O protótipo móvel apresentou boa aceitação inicial, indicando potencial de uso na triagem de morangos. Conclui-se que a solução proposta contribui para reduzir perdas, apoiar classificadores e aumentar a eficiência logística, alinhando-se aos Objetivos de Desenvolvimento Sustentável (ODS 9 e 12). Recomenda-se, para estudos futuros, ampliar o dataset e validar a solução em escala operacional.