Colheita mecanizada de amendoim: desafios e oportunidades no desenvolvimento de tecnologias para avaliação de perdas

Abstract

A colheita mecanizada de amendoim desempenha um papel fundamental na agricultura, sendo a estimativa de perdas uma etapa crucial para o monitoramento da qualidade operacional desse processo. No entanto, os métodos tradicionais de estimativa manual apresentam limitações significativas no campo, pois são exaustivos, demorados e suscetíveis a erros, especialmente após longos períodos de trabalho, o que dificulta a obtenção de dados precisos e em tempo hábil para a tomada de decisões. Como resultado, muitos produtores optam por não mensurar as perdas devido à inviabilidade desses métodos. Para enfrentar esse desafio, esta tese propõe um modelo prático para estimativa de perdas baseado na contagem de vagens, que pode ser facilmente aplicado em campo por meio de uma plataforma web, tornando o processo mais rápido e acessível. Além disso, introduzimos uma solução automatizada, utilizando técnicas de visão computacional, para estimar perdas a partir de imagens capturadas no ambiente pós-colheita, permitindo uma coleta de dados ágil e precisa. Essas contribuições não apenas facilitam o controle de perdas, mas também incentivam a adoção de práticas agrícolas mais responsáveis e tecnológicas. Esta tese representa um marco na agricultura digital voltada ao gerenciamento de perdas na colheita mecanizada de amendoim, oferecendo aos produtores ferramentas práticas e avançadas para mensuração de perdas.

Mechanized peanut harvesting plays a fundamental role in agriculture, and losses estimation is a crucial step for monitoring the operational quality of this process. However, traditional manual estimation methods have significant limitations in the field, as they are exhaustive, time-consuming, and susceptible to errors, especially after long work periods. Due to the hardness of this operation, it becomes challenging to obtain accurate and timely data for decision-making. As a result, many producers choose to refuse themselves from measuring losses due to the unfeasibility of these methods. To address this challenge, this dissertation proposes a practical model for losses estimation based on pod counting, which can be easily applied in the field through a web platform, making the process faster, accurate, and more accessible. In addition, we introduce an automated solution, using computer vision techniques, to estimate losses from images captured in the post-harvest environment, allowing for faster and accurate data collection. These contributions facilitate loss control and encourage adopting more responsible and technological agricultural practices. This dissertation represents a milestone in digital agriculture focused on managing losses in mechanized peanut harvesting, offering producers practical and advanced tools for measuring losses.