DETECÇÃO DE FRUTOS DE CACAU EM IMAGENS
Palavras-chave:
Yolo, Visão Computacional, quantificação da produçãoResumo
A cultura do cacau possui grande importância econômica e social, especialmente na Bahia, principal produtora nacional. A necessidade de métodos mais eficientes para estimar a produção tem impulsionado o uso de técnicas de visão computacional, como a detecção de objetos. Este trabalho teve como objetivo treinar um modelo baseado na arquitetura YOLOv8 para identificar frutos de cacau. O banco de dados foi composto por 96 imagens, anotadas na plataforma Roboflow. O modelo YOLOv8-small foi treinado por 200 épocas, e as curvas de perda indicaram aprendizado consistente, com redução progressiva das funções de custo e ausência de indícios de overfitting ou underfitting. A avaliação do desempenho foi realizada no conjunto de teste por meio das métricas Precisão e Recall. O modelo apresentou precisão de 0,899 e recall de 0,841, demonstrando equilíbrio entre detecções corretas e capacidade de localizar a maior parte dos frutos presentes nas imagens. Os valores de mAP50 (0,770) e mAP50–95 (0,535) confirmam desempenho adequado para aplicações reais de detecção de objetos. Os resultados demonstram que o modelo YOLOv8 é capaz de identificar frutos de cacau com elevada precisão, evidenciando potencial para aplicações práticas de monitoramento da cultura e apoio à tomada de decisão por produtores e técnicos.
Downloads
Referências
BAHIA. Secretaria da Agricultura, Pecuária, Irrigação, Pesca e Aquicultura. Panorama da agricultura, pecuária, pesca e aquicultura da Bahia: destaques 2023. Salvador: SEAGRI, 2024a. Disponível em: https://portaldaagropecuaria.uefs.br/dashboard/agropecuaria/agricultura. Acesso em: 9 jun. 2026.
BAHIA. Secretaria da Agricultura, Pecuária, Irrigação, Pesca e Aquicultura (SEAGRI). Portal da Agropecuária da Bahia (PortAgro): agricultura – cacau (em amêndoa). Desenvolvido em parceria com a Universidade Estadual de Feira de Santana (UEFS). Salvador, 2024b. Disponível em: https://portaldaagropecuaria.uefs.br/dashboard/agropecuaria/agricultura. Acesso em: 9 jun. 2026.
BASSOI, L. H.; BERNARDI, A. C. de C.; VAZ, C. M. P.; PIRES, J. L. F.; GEBLER, L.; JORGE, L. A. de C.; INAMASU, R. Y. (ed.). Agricultura de Precisão: Um Novo Olhar na Era Digital. São Carlos, SP: Editora Cubo, 2024. Disponível em: https://www.embrapa.br/busca-de-publicacoes/-/publicacao/1169415/agricultura-de-precisao-um-novo-olhar-na-era-digital. Acesso em: 9 jun. 2026
BOCHKOVSKIY, A.; WANG, C.Y.; LIAO, H.Y.M. YOLOv4: Optimal Speed and Accuracy of Object Detection. Arxiv, v.2004, p.10934, 2020. Disponível em: https://arxiv.org/pdf/2004.10934. Acesso em: 5 jun. 2026.
DWYER, B.; NELSON, J.; HANSEN, T.; SOLAWETZ, J. Roboflow (Version 1.0) [Software], 2026. Disponível em: https://roboflow.com. Acesso em: 4 mai. 2026.
ICCO – INTERNATIONAL COCOA ORGANIZATION. Quarterly Bulletin of Cocoa Statistics. Abidjan: ICCO, 2023. Disponível em: https://www.icco.org/november-2023-quarterly-bulletin-of-cocoa-statistics/. Acesso em: 12 mai. 2026.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Simpósio de Ciências Florestais - SICFLOR

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.