Smart Postharvest Management of Strawberries: YOLOv8-Driven Detection of Defects, Diseases, and Maturity

Resumo

Os morangos são frutos altamente perecíveis e suscetíveis a perdas pós-colheita em decorrência de defeitos, doenças e maturação desigual. Este estudo propõe uma abordagem baseada em aprendizado profundo (deep learning) para a avaliação automatizada da qualidade dos frutos, utilizando o modelo de detecção de objetos YOLOv8n. Para isso, foi desenvolvido um conjunto de dados personalizado contendo 5.663 imagens de morangos anotadas, abrangendo oito categorias de qualidade, incluindo antracnose, mofo-cinzento, oídio, maturação desigual e defeitos físicos. Técnicas de aumento de dados (data augmentation), como rotação das imagens e aplicação de desfoque gaussiano (Gaussian blur), foram empregadas para melhorar a capacidade de generalização e a robustez do modelo. O treinamento foi realizado durante 100 e 200 épocas, sendo o desempenho avaliado por meio das métricas Precisão (Precision), Revocação (Recall) e Precisão Média (mean Average Precision – mAP). O modelo treinado por 200 épocas apresentou os melhores resultados, alcançando mAP50 de 0,79 e um tempo de inferência de aproximadamente 1 ms por imagem, demonstrando potencial para aplicações em tempo real. As categorias que apresentam características visuais bem definidas, como antracnose e mofo-cinzento, foram classificadas com elevada precisão. Em contrapartida, classes visualmente semelhantes, como "Boa Qualidade" e "Imaturo", apresentaram maior dificuldade de classificação, evidenciando a necessidade de estratégias adicionais para melhorar a discriminação entre essas categorias.