CONTROLE DE QUALIDADE DE UVAS AUTOMATIZADO COM IA
uma abordagem industrial baseada em visão computacional para a produção de vinhos
DOI:
https://doi.org/10.31510/infa.v22i2.2337Palavras-chave:
Visão computacional, YOLOv7, InceptionV3, detecção de uvas, classificação de qualidade.Resumo
O processamento automatizado de frutos em linhas de produção representa um desafio relevante para a indústria alimentícia, principalmente no que se refere ao controle de qualidade e à redução de desperdícios. Este trabalho propõe uma abordagem baseada em visão computacional para detecção e classificação de uvas em uma esteira transportadora, integrando duas arquiteturas de aprendizado profundo: YOLOv7, voltada à detecção em tempo real, e InceptionV3, utilizada para classificação detalhada dos atributos das uvas e de elementos indesejados. O sistema é capaz de identificar não apenas a presença dos frutos, mas também características importantes como tamanho, cor, textura da casca, integridade física e presença de doenças específicas (ferrugem, míldio, podridão e oídio). Além disso, elementos não relacionados ao fruto, como folhas, galhos e corpos estranhos, são detectados e classificados para garantir segurança alimentar. No contexto do processamento, aspectos como agrupamento (cacho inteiro ou grão solto), defeitos causados pelo transporte, níveis de podridão e presença de água também são avaliados. A combinação de YOLOv7 e InceptionV3 permite um pipeline robusto que associa detecção em tempo real com classificação precisa, gerando subsídios para decisões automatizadas no controle de qualidade. Espera-se que esta abordagem contribua para a padronização da produção, aumento da eficiência no processamento e redução de perdas, demonstrando o potencial das redes neurais profundas na modernização da agroindústria.
Downloads
Referências
ATAMAN, F.; EROĞLU, H. Comparative investigation of deep convolutional networks in detection of plant diseases. Turkish Journal of Nature and Science, v. 13, n. 3, p. 37-49, 2024.
BADKA, E.; KARAPATZAK, E.; KARAMPATEA, A.; BOULOUMPASI, E.; KALATHAS, I.; KABURLASOS, V. A deep learning approach for precision viticulture: assessing grape maturity via YOLOv7. Sensors, v. 23, n. 19, p. 8126, 2023. DOI: 10.3390/s23198126.
ENHANCING disease detection prediction accuracy of grape leaves using VGG16 model and Inception V3 model. Proceedings on Engineering Sciences, v. 5, n. 2, p. 35-42, 2023.
ÍÑIGUEZ, R.; GUTIÉRREZ, S.; POBLETE-ECHEVERRÍA, C.; HERNÁNDEZ, I.; TARDÁGUILA, J. Deep learning modelling for non-invasive grape bunch detection under diverse occlusion conditions. Computers and Electronics in Agriculture, v. 204, p. 107561, 2024. DOI: 10.1016/j.compag.2024.107561.
KHAN, Z.; ALI, A.; SHAH, S.; RAHMAN, S.; ALI, S.; KHAN, M. Optimizing precision agriculture: a real-time detection system for grapevine leaves using improved YOLOv7. Computers and Electronics in Agriculture, v. 203, p. 107463, 2025. DOI: 10.1016/j.compag.2025.107463.
LU, S.; LIU, X.; HE, Z.; LIU, W.; ZHANG, X.; KARKEE, M. Swin-transformer-YOLOv5 for real-time wine grape bunch detection. arXiv preprint, 2022. Disponível em: https://arxiv.org/abs/2208.14508
. Acesso em: 24 set. 2025.
MORELLOS, J.; MORELLOS, M. A summary of the Inception v3 architecture in terms of input size requirements for every layer. ResearchGate, 2022. Disponível em: https://www.researchgate.net/figure/A-summary-of-the-Inception-v3-architecture-in-terms-ofinput-size-requirements-for-every_tbl3_363682172
. Acesso em: 24 set. 2025.
PINHEIRO, I.; MOREIRA, G.; QUEIRÓS DA SILVA, D.; MAGALHÃES, S.; VALENTE, A.; MOURA OLIVEIRA, P.; CUNHA, M.; SANTOS, F. Deep learning YOLO-based solution for grape bunch detection and assessment of biophysical lesions. Agronomy, v. 13, n. 4, p. 1120, 2023.
SOUID, H.; BENHASSINE, I.; TLILI, A.; BOUAZIZ, B. A deep learning approach for precision viticulture: assessing grape maturity via YOLOv7. Information Processing in Agriculture, v. 10, n. 4, p. 657-666, 2023.
WANG, W. Development of a grape-harvesting robot using a multi-stage deep learning model. SSRN, 2025. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4920591
. Acesso em: 24 set. 2025.
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2026 Revista Interface Tecnológica
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos publicados pertencem à revista Interface Tecnológica e seguem o padrão Creative Commons (CC BY 4.0), que permite o remixe, adaptação e criação de obras derivadas do original, mesmo para fins comerciais. As novas obras devem conter menção ao(s) autor(es) nos créditos.
1.png)
1.png)
