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.v22i2.2337Keywords:
Visão computacional, YOLOv7, InceptionV3, detecção de uvas, classificação de qualidade.Abstract
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
References
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
Published
Issue
Section
License
Copyright (c) 2026 Revista Interface Tecnológica
This work is licensed under a 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)
