Análise comparativa de algoritmos de aprendizagem profunda na classificação de hortaliças
Resumo
Este trabalho apresenta uma análise comparativa do desempenho de quatro arquiteturas de Redes Neurais Convolucionais (CNNs) na classificação binária de tomates de mesa, sendo elas: InceptionV3, ResNet-50, Xception e MobileNetV3 Large. Para fins do estudo, foram utilizados três conjuntos diferentes de dados, incluindo imagens coletadas em ambiente controlado e coletas em ambiente real industrial. Os modelos foram treinados via transfer-learning e avaliados quanto à acurácia, indicado o potencial das CNNs para aplicação industrial em unidades de beneficiamento.Referências
Andrade, E. L. d., Lima, D. A., Souza, J. R. d., and Nomura, S. (2026). brazilian-tomato-dataset-v1. [link]. Acesso em: 29 de maio de 2026.
Becker, W. F., Wamser, A. F., Feltrim, A. L., Suzuki, A., Santos, J. d., Valmorbida, J., Hahn, L., Marcuzzo, L. L., and Mueller, S. (2016). Sistema de produção integrada para o tomate tutorado em santa catarina. Florianópolis: Epagri, 1:151.
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 1251–1258.
Eloge, K. W. (2025). Integrating resnet-50 and vision transformer architectures for robust and efficient tomato fruit ripeness classification. Advances in Engineering Research: Possibilities and Challenges, 1(2):102–112.
FAO (2025). Faostat: Crops and livestock products. [link]. Acesso em: 21 abr. 2026.
Ferreira, S. M. R., Freitas, R. J. S. d., and Lazzari, E. N. (2004). Padrão de identidade e qualidade do tomate (lycopersicon esculentum mill.) de mesa. Ciência Rural, 34(1):329–335.
He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 770–778.
Howard, A., Sandler, M., Chu, G., Chen, L.-C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., Le, Q. V., and Adam, H. (2019). Searching for mobilenetv3.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
IBGE (2024). Produção agropecuária: Tomate - brasil. [link]. Acesso em: 21 abr. 2026.
Kamilaris, A. and Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and electronics in agriculture, 147:70–90.
Mputu, H. S., Abdel-Mawgood, A., Shimada, A., and Sayed, M. S. (2024). Tomato quality classification based on transfer learning feature extraction and machine learning algorithm classifiers. IEEE Access, 12:8283–8295.
Rahaman, T. and Sarkar, T. (2024). TOMATO. [link]. Acessado em: 18 de abril de 2026.
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., and Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 2818–2826.
Becker, W. F., Wamser, A. F., Feltrim, A. L., Suzuki, A., Santos, J. d., Valmorbida, J., Hahn, L., Marcuzzo, L. L., and Mueller, S. (2016). Sistema de produção integrada para o tomate tutorado em santa catarina. Florianópolis: Epagri, 1:151.
Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 1251–1258.
Eloge, K. W. (2025). Integrating resnet-50 and vision transformer architectures for robust and efficient tomato fruit ripeness classification. Advances in Engineering Research: Possibilities and Challenges, 1(2):102–112.
FAO (2025). Faostat: Crops and livestock products. [link]. Acesso em: 21 abr. 2026.
Ferreira, S. M. R., Freitas, R. J. S. d., and Lazzari, E. N. (2004). Padrão de identidade e qualidade do tomate (lycopersicon esculentum mill.) de mesa. Ciência Rural, 34(1):329–335.
He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 770–778.
Howard, A., Sandler, M., Chu, G., Chen, L.-C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., Le, Q. V., and Adam, H. (2019). Searching for mobilenetv3.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
IBGE (2024). Produção agropecuária: Tomate - brasil. [link]. Acesso em: 21 abr. 2026.
Kamilaris, A. and Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and electronics in agriculture, 147:70–90.
Mputu, H. S., Abdel-Mawgood, A., Shimada, A., and Sayed, M. S. (2024). Tomato quality classification based on transfer learning feature extraction and machine learning algorithm classifiers. IEEE Access, 12:8283–8295.
Rahaman, T. and Sarkar, T. (2024). TOMATO. [link]. Acessado em: 18 de abril de 2026.
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., and Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 2818–2826.
Publicado
15/06/2026
Como Citar
ANDRADE, Eduardo L. de; LIMA, Danielli A.; SOUZA, Jefferson Rodrigo de; NOMURA, Shigueo.
Análise comparativa de algoritmos de aprendizagem profunda na classificação de hortaliças. In: ESCOLA REGIONAL DE INFORMÁTICA DO TRIÂNGULO MINEIRO (ERI-TM), 1. , 2026, Uberlândia/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 117-121.
DOI: https://doi.org/10.5753/eritm.2026.27402.
