MAPAS DE PRODUTIVIDADE NA CULTURA DO MAMÃO: UMA ABORDAGEM COM REDES NEURAIS PARA IDENTIFICAÇÃO E CONTAGEM DE FRUTOS
YOLO, Inteligência Artificial, Detecção de Objeto.
A estimativa da produtividade por planta é um desafio na cultura do mamão e na caracterização da variabilidade espacial. Este estudo desenvolveu uma metodologia baseada em visão computacional para detecção e quantificação de frutos, visando à geração de mapas de produtividade. No treinamento das cinco arquiteturas do modelo YOLOv11, foram utilizadas 4.008 imagens contendo 94.776 objetos rotulados. Desenvolveu-se um aplicativo para extrair imagens de vídeos e selecionar plantas. Na validação de 75 imagens (1.202 frutos contados manualmente), a arquitetura YOLOv11l, com limiar de confiança de 40%, obteve 98,92% de correspondência com a contagem de referência. Em avaliação de campo em um pomar com 993 plantas, foram testados dois métodos, sendo um denominado “uma face” em que considerou-se apenas uma lado do mamoeiro para a contagem, multiplicando o valor por 2 para definir o total de frutos. O método “duas faces” considerou para a contagem dois lados opostos do mamoeiro e o total de fruto foi a soma dos valores encontrados. A amostragem por uma face subestimou o total de frutos em 7,02%, ao passo que a de duas faces apresentou subestimativa de 16,58%. A análise por subconjuntos revelou que o método de duas faces não diferiu significativamente da contagem manual em plantas com até 8 frutos (C8); já a abordagem por uma face manteve equivalência estatística nos subconjuntos com até 16 (C16) e 24 frutos (C24). A metodologia demonstra potencial para mapear a variabilidade produtiva do mamoeiro, embora a quantificação em campo seja limitada pela oclusão foliar e sobreposição entre frutos.