Como saber se uma pitaia está madura usando visão computacional

A pitaia (também chamada pitaya ou pera-de-morango) é conhecida pela casca rosa-viva, pelas escamas com pontas verdes e pela polpa salpicada. Originária da América Central e do Sul, esta fruta exótica viajou para muito longe das suas raízes.

Atualmente, é cultivada durante todo o ano em regiões tropicais, tornando-se uma presença comum nos mercados de todo o mundo. Conhecida pelos seus benefícios para a saúde, a pitaia é uma boa fonte de vitamina C, magnésio e antioxidantes que podem contribuir para o bem-estar geral.

À medida que a popularidade da pitaia aumentou e mais pessoas passaram a apreciá-la, também cresceu o desafio de saber quando está pronta para a colheita. Tanto agricultores como consumidores perguntam frequentemente: como saber se a pitaia está madura?

Tradicionalmente, as pessoas avaliam a maturação da pitaia pela cor da casca, pela firmeza ou pela secagem das escamas. No entanto, estes sinais são inconsistentes e variam entre as diferentes variedades de pitaia.

Fig. 1. Uma vista de várias variedades de pitaia vermelha relativamente ao formato. (Fonte)

Para os produtores, esta inconsistência pode significar uma perda do valor da colheita. Para os consumidores, muitas vezes resulta numa fruta visualmente apelativa, mas sem sabor. Para resolver este desafio, agricultores e investigadores estão a recorrer à tecnologia.

Com a ajuda da inteligência artificial (AI) e da visão computacional, que permitem às máquinas interpretar e analisar dados visuais, a deteção da maturação está a tornar-se mais consistente e precisa. Por exemplo, modelos de visão computacional como o Ultralytics YOLO11 suportam várias tarefas, como deteção de objetos e segmentação de instâncias, que podem ser utilizadas para identificar, separar e analisar frutos quanto ao seu grau de maturação. Isto ajuda os agricultores a separar e classificar as colheitas de forma mais eficiente, reduzir erros e manter padrões consistentes.

Neste artigo, vamos analisar mais detalhadamente por que motivo é difícil saber quando a pitaia está madura, por que razão os métodos tradicionais muitas vezes não são suficientes e como a visão computacional está a tornar a deteção da maturação mais fiável. Vamos começar!

Por que é difícil determinar a maturação da pitaia#

Antes de analisarmos os métodos tradicionais de verificação da maturação, vejamos primeiro por que pode ser tão difícil determinar quando a pitaia está madura.

À primeira vista, a pitaia parece bastante simples de saborear: corta-se, retira-se a polpa com uma colher e come-se. Mas qualquer pessoa que já tenha tentado escolher uma sabe que o verdadeiro desafio é perceber quando está madura. Ao contrário das bananas, melancias ou mangas, que apresentam sinais claros à medida que amadurecem, a pitaia muitas vezes deixa-te na dúvida.

Parte da confusão deve-se ao facto de não existir apenas um tipo de pitaia. Existem três variedades principais de cores, e cada uma amadurece de forma ligeiramente diferente. Além da cor, as pitaias também diferem no formato, no tamanho e nas características da casca. Algumas têm escamas mais compridas, enquanto outras são mais arredondadas.

Vejamos mais de perto os diferentes tipos de pitaia:

• Pitaia branca: Esta é a variedade mais comum, com polpa branca salpicada de pequenas sementes pretas.
• Pitaia vermelha ou rosa: Tem polpa magenta ou rosa e uma casca vermelha vibrante, o que a torna especialmente apelativa.
• Pitaia amarela: Esta variedade é menos comum, com casca dourada ou amarela e reputação de ser a variedade mais doce.

Fig. 2. Diferentes variedades de pitaia relativamente à cor. (Fonte)

Formas tradicionais de saber se a pitaia está madura#

Antes de os agricultores adotarem tecnologias avançadas como a AI, as verificações de maturação baseavam-se em simples sinais visuais e táteis. Estas práticas continuam a ser amplamente utilizadas atualmente, tanto nas explorações agrícolas como nos mercados.

Eis alguns indicadores comuns de que uma pitaia está madura:

• Cor da casca: A maioria das pessoas começa por verificar a casca da pitaia. Uma casca rosa-viva ou vermelha geralmente significa que está madura, enquanto manchas verdes indicam que ainda precisa de mais tempo. A pitaia amarela deve ter uma casca dourada com poucas imperfeições. No entanto, esta regra não é universal. Algumas frutas parecem maduras por fora, mas ainda não estão prontas por dentro, enquanto outras desenvolvem manchas quando ficam demasiado maduras.

• Textura: O toque é outro teste. Uma pitaia madura deve ceder ligeiramente quando pressionada, de forma semelhante a um abacate maduro. Se estiver muito firme, provavelmente ainda não está madura. Se estiver demasiado mole ou com textura pastosa, pode já estar demasiado madura. A textura também nem sempre é fiável, uma vez que o manuseamento e a forma como guardas a pitaia podem alterar a firmeza que sentes.

• Outros sinais: Os produtores de pitaia por vezes baseiam-se em detalhes mais pequenos. As brácteas ou asas folhosas da fruta podem começar a secar e a enrolar-se à medida que amadurece, e um aroma adocicado ténue junto ao pedúnculo também pode ser uma pista. Estes sinais podem ajudar, mas são subtis e fáceis de não detetar.

Como a AI de visão está a mudar a deteção da maturação da pitaia#

Sinais tradicionais como a cor da casca ou a firmeza podem ser úteis, mas são frequentemente inconsistentes. A visão computacional torna a deteção da maturação da pitaia mais fiável ao aprender com milhares de imagens anotadas e reconhecer padrões que as pessoas podem não detetar.

Por exemplo, o suporte do Ultralytics YOLO11 para tarefas como deteção de objetos, segmentação de instâncias e classificação de imagens pode ser utilizado para analisar fruta em detalhe quando o modelo é treinado de forma personalizada com conjuntos de dados relevantes.

Em particular, a deteção de objetos pode identificar frutos individuais numa imagem. Do mesmo modo, a segmentação de instâncias pode separar cada fruto do ambiente envolvente, mesmo quando se sobrepõem, e a classificação de imagens pode atribuir etiquetas com base em características como o formato, a textura ou a cor.

Fig. 3. Imagens de pitaias verdes e maduras para criação de um conjunto de dados. (Fonte)

Treinar o Ultralytics YOLO11 para detetar pitaias maduras#

Por predefinição, o Ultralytics YOLO11 é pré-treinado em conjuntos de dados conhecidos, dependendo da tarefa. Para deteção de objetos e segmentação, é pré-treinado no conjunto de dados COCO, que inclui objetos do quotidiano, como pessoas, animais e automóveis.

Para classificação de imagens, é pré-treinado no conjunto de dados ImageNet, que também abrange uma vasta gama de categorias comuns. Este pré-treino proporciona ao Ultralytics YOLO11 um ponto de partida sólido, mas, para tarefas especializadas como a deteção da maturação da pitaia, ainda é necessário ajustá-lo ou treiná-lo de forma personalizada num conjunto de dados dedicado.

Eis uma visão geral de como o Ultralytics YOLO11 pode ser treinado de forma personalizada para detetar a maturação da pitaia:

• Recolha de dados: São captadas milhares de imagens de pitaias sob diferentes condições de iluminação, ângulos e fases de crescimento. Cada imagem é anotada de acordo com a tarefa. Para a classificação de imagens, as etiquetas podem incluir verde, madura e demasiado madura. Para a deteção de objetos ou segmentação de instâncias, são desenhadas caixas delimitadoras ou máscaras à volta dos frutos para assinalar a sua localização e contorno. Estes exemplos anotados fornecem ao Ultralytics YOLO11 a informação necessária para aprender.

• Treino do modelo: O treino do YOLO11 não começa do zero. Através da aprendizagem por transferência, baseia-se nas características visuais aprendidas com os seus conjuntos de dados pré-treinados, como o COCO para deteção e segmentação ou o ImageNet para classificação, e adapta-as às características da pitaia. Treinar o YOLO11 de forma personalizada com imagens anotadas permite ao modelo identificar sinais de maturação, como alterações na cor da casca, mudanças de textura e variações no formato do fruto.

• Validação e testes: Depois do treino, o Ultralytics YOLO11 pode ser avaliado num conjunto separado de imagens de pitaias que ainda não viu, designado por conjunto de validação ou de teste. As suas previsões são comparadas com as etiquetas de referência para medir a precisão e identificar erros, como classificar incorretamente uma fruta verde como madura. Esta avaliação ajuda a evitar o sobreajuste e garante que o modelo aprende sinais de maturação relevantes, em vez de memorizar os dados de treino.

Aplicações reais da visão computacional na deteção da maturação#

Em seguida, vamos explorar como a visão computacional está a ser aplicada à agricultura e ao processamento no mundo real, particularmente na colheita de pitaias.

Drones para monitorização e avaliação da maturação#

Durante décadas, os agricultores tiveram de percorrer fila após fila sob o sol, verificando os frutos manualmente. Este processo era lento, exigia muita mão de obra e muitas vezes não detetava sinais subtis de maturação escondidos sob as folhas ou espalhados por grandes campos.

Atualmente, estão a surgir novas abordagens que utilizam drones e visão computacional para monitorizar a maturação dos frutos. Estes sistemas podem captar imagens de alta resolução que revelam alterações subtis na cor e na textura, fornecendo informações difíceis de identificar a olho nu.

Em vez de dependerem apenas de verificações manuais, os modelos de visão computacional podem ajudar a avaliar a maturação a partir das imagens captadas. Ao identificar a maturação mais cedo e em maior escala, os agricultores conseguem planear melhor as colheitas e levar a fruta para o mercado no seu ponto ideal.

Robôs para a apanha automatizada de frutos#

A apanha de frutos depende sobretudo do momento certo. Um dia demasiado cedo ou demasiado tarde pode reduzir o valor da colheita, razão pela qual a robótica está a tornar-se parte da agricultura. Por exemplo, investigadores desenvolveram robôs para a colheita de pitaias que utilizam visão computacional e deteção de objetos para localizar frutos em ambientes complexos.

Depois de identificar esta fruta tropical, o robô pode orientar uma garra mecânica para a colher com danos mínimos. Alguns sistemas também têm funções de triagem integradas para distinguir frutos maduros de frutos verdes ou danificados utilizando visão computacional. Com vários braços robóticos a trabalhar em simultâneo, estas máquinas podem potencialmente colher de forma mais rápida e consistente do que os seres humanos, reduzindo simultaneamente o risco de danos na cultura.

Fig. 4. Um exemplo de um robô equipado com visão a colher pitaias maduras. (Fonte)

Vantagens e desvantagens da utilização de AI de visão na deteção de pitaias#

Eis alguns dos principais benefícios da utilização da visão computacional para detetar a maturação das pitaias:

• Reduz o desperdício: A deteção precisa da maturação reduz a colheita prematura e evita danos durante o armazenamento e o transporte.

• Garante uma qualidade consistente: Os agricultores podem fornecer frutos no grau de maturação adequado, conquistando a confiança dos consumidores e aumentando o valor de mercado.

• Permite a triagem em grande escala: Os sistemas de visão podem processar colheitas em grandes quantidades de forma rápida e precisa, reduzindo a necessidade de grandes equipas de trabalho manual.

Por outro lado, eis algumas limitações a considerar ao utilizar AI de visão na deteção de pitaias:

• Dependência dos dados: Os modelos de visão apresentam melhores resultados quando são treinados com conjuntos de dados grandes e diversificados de pitaias captadas sob diferentes condições de iluminação, ângulos e fases de crescimento.

• Esforços de anotação: A preparação destes conjuntos de dados exige uma etiquetagem cuidadosa, muitas vezes com a participação de especialistas, o que pode consumir muito tempo e exigir muita mão de obra.

• Custos elevados: Desenvolver, treinar e implementar sistemas de AI pode envolver despesas significativas em hardware, software e conhecimentos técnicos, o que pode constituir um obstáculo para explorações agrícolas mais pequenas.

Principais conclusões#

A visão computacional tem potencial para transformar a forma como as pitaias são colhidas e selecionadas, e o mesmo se aplica à agricultura em geral. Do campo à linha de embalamento, as ferramentas baseadas em visão podem simplificar a apanha, a triagem e a embalagem, ajudando os agricultores a fornecer fruta de forma mais consistente. À medida que a tecnologia avança, é provável que a AI de visão desempenhe um papel ainda mais importante na agricultura.

Pronto para explorar a IA? Junta-te à nossa comunidade e ao nosso repositório no GitHub para saberes mais sobre IA e visão computacional. Visita as nossas páginas de soluções para explorares mais aplicações de visão computacional na agricultura e IA na robótica. Consulta as nossas opções de licenciamento e começa hoje a trabalhar com visão computacional!