Divulgação
PressWorks
O engenheiro e pesquisador brasileiro David Augusto Ribeiro , da Universidade Federal de Lavras, publicou um artigo de destaque internacional no periódico de alto impacto Agriculture , no qual avalia o desempenho de arquiteturas de deep learning para detecção e classificação de frutos imaturos de uma palmeira nativa do Brasil — a macaúba (Acrocomia aculeata) — usando inteligência artificial de última geração.
A pesquisa representa um avanço na agricultura de precisão, combinando engenharia e visão computacional para automatizar o processo outrora manual e sujeito a erros. Utilizando o banco de dados desenvolvido pelo próprio autor, o estudo alcançou resultados expressivos.
A palmeira é considerada uma espécie frutífera com alto potencial para produção de óleo vegetal, biocombustíveis, cosméticos e na restauração ecológica. Seus frutos são comestíveis e ricos em nutrientes e com alto potencial para alimentação animal.
“Meu interesse pela aplicação da inteligência artificial na pesquisa surgiu da necessidade de solucionar desafios reais na agricultura, especialmente na identificação precisa de frutos de macaúba em diferentes estágios de maturação. Ao perceber as limitações dos métodos tradicionais de inspeção, vi na IA uma oportunidade de unir inovação tecnológica, no intuito de criar soluções que pudessem ser implementadas tanto em ambientes industriais quanto em campo, contribuindo para a produtividade, qualidade e sustentabilidade da cadeia produtiva do fruto.”, afirma David, o líder do pesquisa.
Consolidação na pesquisa científica
Após concluir sua graduação em Engenharia de Controle e Automação pela Universidade Federal de Lavras (UFLA), com trabalhos de algoritmos de controle de drones (UAV), David ingressou no Mestrado em Engenharia de Sistemas e Automação na mesma instituição, onde aprofundou seus estudos em reconhecimento de padrões biométricos, um campo de visão computacional que permite que o computador “aprenda” a reconhecer uma imagem com base em um treinamento de um banco de dados por meio de uma rede neural artificial. O pesquisador participou ativamente de programas institucionais voltados à formação acadêmica e ao desenvolvimento pedagógico, destacando-se sua atuação no Programa Institucional de Bolsa de Iniciação à Docência (PIBID) e no Programa de Apoio à Produção de Material Didático (PROMAD). Essas experiências contribuíram significativamente para sua capacitação docente e contribuíram institucionalmente para a elaboração de materiais educacionais voltados ao aprimoramento do ensino superior.
Em 2021, desenvolveu sua dissertação com estudos que tinham como base o reconhecimento facial, com foco na otimização de sistemas baseados na arquitetura YOLO, e publicou artigos de relevância tratando sobre o tema. Ao todo, David atuou por dez anos como pesquisador de órgãos governamentais, como a CAPES , sendo convidado por dois anos consecutivos como professor substituto, quando auxiliou e compartilhou seus conhecimentos em disciplinas com alunos de engenharias e computação.
O pesquisador já acumula dezenas de citações científicas com mais de 10 artigos publicados em seu Currículo Lattes , sendo citado em métricas de desempenho internacional como Web of Science, Scopus e ORCID. Além dessas contribuições, participou como apresentador em diversos congressos de âmbito local, regional e nacional, bem como integrou bancas examinadoras para avaliação de trabalhos de conclusão de curso (TCC). Em 2022, David foi aprovado com destaque, em primeiro lugar no processo seletivo para o Programa de Doutorado em Engenharia Agrícola da UFLA.
Em 2025, passou a integrar o quadro de membros do Conselho Regional de Engenharia e Agronomia (CREA) e do Institute of Electrical and Electronics Engineers (IEEE), instituições de referência dedicadas ao intercâmbio de conhecimento e ao avanço tecnológico nas diversas áreas da engenharia. Atualmente, encontra-se em fase de conclusão do doutorado, vinculado ao Departamento de Engenharia Agrícola da Universidade Federal de Lavras. O trabalho é desenvolvido sob a orientação dos professores doutores Fábio Lúcio Santos, do Departamento de Engenharia (DEG), e Demostenes Zegarra Rodriguez, do Departamento de Ciência da Computação (DCC). Sua pesquisa concentra-se em aplicações de projetos de engenharia voltados à agricultura de precisão, com ênfase na instrumentação aplicada ao agronegócio.
Inovação na detecção de maturação de frutos
O problema da identificação de frutos na cadeia produtiva
A colheita efetiva da macaúba (Acrocomia aculeata) depende da correta identificação do ponto de maturação dos frutos, o que, até então, era feito de forma manual, sujeita a erros humanos e baixa escalabilidade.
Nesse contexto, a pesquisa liderada por David Ribeiro propôs e criou um sistema automatizado de detecção e classificação de frutos imaturos da macaúba, utilizando arquiteturas avançadas de inteligência artificial baseadas em pesos de RNA desenvolvidos por meio de aprendizagem profunda de arquitetura YOLO (You Only Look Once).
Desenvolvimento da base de dados do fruto
Um dos principais marcos do artigo é a criação da base de dados VIC01, composta por 1.600 imagens em alta resolução, todas anotadas com precisão utilizando ferramentas como o LabelImg e o segmentador Segment Anything Model (SAM2). As imagens foram capturadas em fazendas locais de Lavras, em Minas Gerais, garantindo a representatividade do ambiente agrícola local.
Divulgação
PressWorks
Fonte: Agriculture.
Após a criação do VIC01, os pesquisadores já trabalham em estágio final no desenvolvimento do VIC02, um novo banco de dados que inclui imagens de frutos em estágio de maturação maduro. A iniciativa pretende ampliar o alcance dos modelos de inteligência artificial, permitindo não apenas a identificação de frutos imaturos, mas, também, a classificação precisa de frutos maduros e degradados, fortalecendo a aplicação da tecnologia em cenários reais de colheita.
Avaliação dos modelos
A pesquisa comparou o desempenho das arquiteturas YOLOv11x e YOLOv12x, com ênfase em três métricas globais principais:
– Precision;
– Recall;
– mAP (mean Average Precision).
Os resultados foram expressivos. A arquitetura YOLOv11x se destacou pela precisão superior frente a outros modelos da literatura no estado da arte. O YOLOv12x também apresentou desempenho robusto para ambientes com maior complexidade visual em detalhismo, demonstrando potencial para aplicações em campo com variações de iluminação, textura, folhas e galhos.
Divulgação
PressWorks
Fonte: Agriculture.
Impactos positivos para agricultura brasileira
“Na carreira de pesquisador, encontrei na inteligência artificial uma forte aliada para transformar a forma como analisamos e classificamos frutos. Trabalhar com modelos avançados de IA nos permite explorar o potencial da engenharia e da visão computacional para solucionar um problema agrícola até então pouco estudado. Agora, felizmente já temos um modelo pré-desenvolvido para Macaúba”, declarou David.
A solução proposta do modelo tem alto potencial de aplicação em diferentes contextos:
– Triagem industrial: pode ser integrada a esteiras de seleção automatizadas para separar frutos imaturos e maduros com alta precisão e velocidade;
– Uso com drones: o modelo pode ser embarcado em drones para mapear plantações em tempo real e definir momento otimizado de colheita;
– Aplicativos móveis: pode ser usado por produtores via smartphones para monitoramento de safra.
Essa flexibilidade transforma a pesquisa em uma solução acessível, tanto para grandes produtores quanto para agricultura familiar, democratizando o uso de tecnologia no campo.
Divulgação científica de alto impacto acadêmico
O artigo foi publicado na revista de alto impacto internacional Agriculture, da editora MDPI, em 22 de julho de 2025, com o título:
“Performance Evaluation of YOLOv11 and YOLOv12 Deep Learning Architectures for Automated Detection and Classification of Immature Macauba (Acrocomia aculeata) Fruits”.
O artigo está licenciado sob Creative Commons (CC BY 4.0) e disponível integralmente neste link . A publicação recém lançada, até o momento já conta com mais de 500 leituras por pesquisadores, e o dataset VIC01 já está publicamente acessível no Zenodo , contribuindo para futuras pesquisas na área por outros pares de pesquisadores brasileiros e estrangeiros.
O sucesso do estudo rendeu ao projeto convites para replicar seu modelo de inteligência artificial em outras cultivares, além de impulsionar o desenvolvimento de novas bases de dados e pesquisas que expandam o alcance da tecnologia para diferentes cadeias produtivas de cultivares.
“Estamos em constante busca por financiamentos que possam oferecer suporte ao nosso projeto, que tem apresentado resultados promissores. Pretendemos ampliar o modelo para identificar também frutos maduros e degradados, além de testá-lo em condições reais de campo na região de Lavras. Planejamos incorporar sensores para desenvolver versões mais leves e com capacidade de contagem automática, adequadas para uso futuro em smartphones e sistemas industriais, mantendo a precisão alcançada, robustez e aplicabilidade para toda a cadeia produtiva da macaúba.”, concluiu David.
O pesquisador atua na criação de bancos de dados de imagens e no desenvolvimento de algoritmos de inteligência artificial voltados à detecção e classificação de frutos. Interessados em conhecer mais sobre o trabalho ou estabelecer parcerias e requisitar serviços, podem entrar em contato se conectando pelos seguintes canais: LinkedIn e E-mail.