Detecção e Quantificação de Grãos de Soja Pós-Colheita Utilizando Visão Computacional e Aprendizado Profundo
Resumo
Métodos manuais tradicionais para quantificação de perdas de soja pós-colheita são demorados e imprecisos. Este trabalho apresenta um sistema de visão computacional baseado no YOLOv5 para detecção e quantificação automática de grãos de soja no solo após a colheita. Um dataset customizado foi preparado via Roboflow e o modelo treinado em diferentes condições ambientais. Os resultados mostraram alta precisão em cenários ideais e apontaram limitações em condições desafiadoras, indicando a necessidade de maior diversificação do dataset e novas técnicas de aumento de dados para robustez. A abordagem proposta é promissora para aplicações em agricultura de precisão.
Palavras-chave:
Visão Computacional, Aprendizado Profundo, YOLOv5, Soja Pós-Colheita, Agricultura de Precisão
Referências
Alif, M. A. R. and Hussain, M. (2024). Yolov1 to yolov10: A comprehensive review of yolo variants and their application in the agricultural domain. arXiv preprint arXiv:2406.10139.
Bock, R., dos Santos Alonço, A., de Oliveira Dias, V., Possebom, G., Knierim, L. F., da Cruz, W. A. S., and Machado, A. P. Á. (2020). Perdas na colheita mecanizada da soja em função da velocidade de deslocamento e índice de molinete. Brazilian Journal of Development, 6(6):34707–34724.
da Costa, C. C., Guilhoto, J. J. M., Burnquist, H. L., and CADEIAS, S. A. E. (2018). Impactos econômicos de reduções nas perdas pós-colheita de produtos agrícolas no brasil.
Gonzalez, R. C. and Woods, R. E. (2018). Digital Image Processing. Pearson, 4th edition.
Kamilaris, A. and Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and electronics in agriculture, 147:70–90.
LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. nature, 521(7553):436–444.
Liakos, K. G., Busato, P., Moshou, D., Pearson, S., and Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8):2674.
Mavridou, E., Vrochidou, E., Papakostas, G. A., Pachidis, T., and Kaburlasos, V. G. (2019). Machine vision systems in precision agriculture for crop farming. Journal of Imaging, 5(12):89.
Momin, M. A., Yamamoto, K., Miyamoto, M., Kondo, N., and Grift, T. (2017). Machine vision based soybean quality evaluation. Computers and Electronics in Agriculture, 140:452–460.
Paixão, C. S. S., Voltarelli, M. A., Souza, J. B. C., FILHO, A. L. D. B., and Da Silva, R. P. (2022). Loss sampling methods for soybean mechanical harvest. Bioscience Journal, 38(e38050):1981–3163.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 779–788.
Zhang, Q., Liu, Y., Gong, C., Chen, Y., and Yu, H. (2020). Applications of deep learning for dense scenes analysis in agriculture: A review. Sensors, 20(5):1520.
Bock, R., dos Santos Alonço, A., de Oliveira Dias, V., Possebom, G., Knierim, L. F., da Cruz, W. A. S., and Machado, A. P. Á. (2020). Perdas na colheita mecanizada da soja em função da velocidade de deslocamento e índice de molinete. Brazilian Journal of Development, 6(6):34707–34724.
da Costa, C. C., Guilhoto, J. J. M., Burnquist, H. L., and CADEIAS, S. A. E. (2018). Impactos econômicos de reduções nas perdas pós-colheita de produtos agrícolas no brasil.
Gonzalez, R. C. and Woods, R. E. (2018). Digital Image Processing. Pearson, 4th edition.
Kamilaris, A. and Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and electronics in agriculture, 147:70–90.
LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. nature, 521(7553):436–444.
Liakos, K. G., Busato, P., Moshou, D., Pearson, S., and Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8):2674.
Mavridou, E., Vrochidou, E., Papakostas, G. A., Pachidis, T., and Kaburlasos, V. G. (2019). Machine vision systems in precision agriculture for crop farming. Journal of Imaging, 5(12):89.
Momin, M. A., Yamamoto, K., Miyamoto, M., Kondo, N., and Grift, T. (2017). Machine vision based soybean quality evaluation. Computers and Electronics in Agriculture, 140:452–460.
Paixão, C. S. S., Voltarelli, M. A., Souza, J. B. C., FILHO, A. L. D. B., and Da Silva, R. P. (2022). Loss sampling methods for soybean mechanical harvest. Bioscience Journal, 38(e38050):1981–3163.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 779–788.
Zhang, Q., Liu, Y., Gong, C., Chen, Y., and Yu, H. (2020). Applications of deep learning for dense scenes analysis in agriculture: A review. Sensors, 20(5):1520.
Publicado
04/12/2025
Como Citar
GUERRA, Matheus M.; RIBEIRO, Lucas de Almeida.
Detecção e Quantificação de Grãos de Soja Pós-Colheita Utilizando Visão Computacional e Aprendizado Profundo. In: ESCOLA REGIONAL DE INFORMÁTICA DE GOIÁS (ERI-GO), 13. , 2025, Luziânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 366-369.
DOI: https://doi.org/10.5753/erigo.2025.17153.
