Os modelos de detecção de fruta publicados nos últimos anos relatam coeficientes de determinação de 0,98 em manga, 0,98 em maçã, 0,96 em tomate e 0,95 em cítricos, mesmo sob condições de iluminação variável. Com esses números circulando há anos, quase nenhuma propriedade frutícola da região estima hoje sua colheita com um modelo, e a maioria ainda projeta volume com o resultado do ano passado ajustado a olho de acordo com como o lote se apresenta. Essa distância não se explica por falta de tecnologia nem por desconfiança do produtor; se explica porque esses números foram medidos em condições que raramente coincidem com as de um pomar comercial, e porque quase nunca vem escrito quais foram essas condições.
Ao abrir esta temporada, projetamos que iríamos percorrer satélites, drones e os modelos que transformam essas imagens em informações utilizáveis. Os quatro blogs anteriores resolveram a parte das imagens, o que um sensor mede e onde ele erra, quando a resolução centimétrica compensa, como separar um alerta sanitário de um diagnóstico e como transformar um mapa em doses aplicáveis. Resta a peça que dá sentido econômico a tudo o que foi dito, porque a pergunta que um comprador te faz não é quanto vigor tem seu lote, é quantos quilos você vai entregar e quando.
É conveniente entrar sabendo o que pode ser pedido. A estimativa automática de colheita funciona razoavelmente bem para um número agregado de lote pouco antes da colheita, e funciona mal para prever árvore por árvore com meses de antecedência. Essa fronteira é o que este blog quer deixar claro, porque é exatamente onde se quebram os projetos que começam com entusiasmo e terminam em uma pasta que ninguém abre.
Contar fruta não é estimar colheita, e a diferença se chama oclusão
Toda a dificuldade do problema cabe em uma observação banal, a câmera só vê o que não está coberto. Um fruto atrás de uma folha, atrás de um galho ou atrás de outro fruto não existe para o algoritmo, e em um dossel fechado essa fração invisível é enorme. Por isso, a contagem direta do ar tem um teto que nenhuma melhoria de software levanta, e por isso os trabalhos que relatam os números mais espetaculares quase sempre trabalharam do solo, a um metro da planta e com a câmera apontando para o interior da copa.
Um estudo recente mede isso sem adornos. Uma equipe levantou nuvens de pontos tridimensionais de um pomar completo de macieiras com um drone e uma câmera RGB de baixo custo, durante duas temporadas, e ajustou modelos de contagem de fruta por bloco. A contagem alcançou coeficientes de determinação de apenas 0,40 a 0,53, enquanto os métodos equivalentes tomados do solo chegavam a 0,80 e 0,85 na mesma tarefa. Os próprios autores explicam a diferença, um conjunto de imagens tiradas de um drone entrega menos resolução espacial e um ângulo pior para obter informações do interior do dossel.
Quando esse mesmo trabalho passou da contagem de frutos para a estimativa de massa colhida, multiplicando o volume estimado da fruta pela densidade média da variedade, os coeficientes subiram para 0,56 e 0,76 de acordo com a altura de voo. A leitura prática muito útil, o modelo estima melhor quantos quilos há do que quantos frutos há, porque os erros de contagem se compensam entre si quando são agregados em escala de bloco, enquanto que a nível de árvore individual se somam. Guarde essa ideia, porque ela volta duas seções mais adiante quando falarmos do número que mais se cita neste negócio.
O estudo deixou ainda um aviso de operação que vale seu peso. A última fileira voada em cada campanha entregou coeficientes de 0,00 e 0,03, contra uma média de 0,52 nas demais fileiras, simplesmente porque a borda exterior dessa fileira foi capturada em menos fotografias. Um plano de voo mal fechado não produz um dado um pouco pior, produz um dado sem nenhum valor em toda uma faixa do lote.
Os três caminhos para chegar ao número, contagem direta, índice de vigor e histórico
Existem três formas de estimar e nenhuma ganha em todas as janelas do ciclo, por isso a decisão correta quase nunca é escolher uma.
A contagem direta por visão artificial é a mais intuitiva e a mais exigente. Precisa de fruta visível e madura ou pelo menos com cor diferenciada, o que na prática a confina às semanas que antecedem a colheita, e precisa de imagem próxima, o que em frutais de copa fechada empurra para câmeras montadas em veículo terrestre ou para voos baixos e oblíquos em vez de voos zenitais. Em mirtilo, uma cultura onde o fruto é pequeno mas a planta é baixa e acessível, os desenvolvimentos recentes com arquiteturas de detecção em tempo real relatam detecção de 81,7 por cento dos frutos com precisão global de 87,2 por cento, classificação de maturidade correta 93 por cento das vezes e estimativa de rendimento por planta com uma coincidência de 93 por cento em relação ao peso real. Esse desempenho é real e também é uma pista, a planta baixa com folhagem que não fecha completamente é a geometria mais amigável que existe para essa tecnologia.
O caminho do índice de vigor é indireto e opera com muitos meses de antecedência. Não mede fruta, mede a capacidade fotossintética acumulada da árvore e a traduz em rendimento esperado por meio de uma relação estatística construída com seu próprio histórico. É o único dos três que serve na floração e no pegamento, e seu ponto fraco é que essa relação se rompe quando o clima da campanha se desvia do padrão com o qual foi ajustada.
O histórico de rendimento por unidade de manejo é o mais antigo, o mais barato e o que mais se subestima. Em muitos lotes, o melhor preditor do rendimento do ano seguinte é o rendimento médio desse mesmo local nas campanhas anteriores, corrigido por carga e por idade, e isso não exige nenhum sensor. As séries multianuais de satélite são usadas justamente para classificar a estabilidade produtiva de cada setor do lote e separar o estrutural do circunstancial.
O que a evidência sugere é combiná-los por janela. Histórico e vigor para a projeção antecipada que serve para planejar mão de obra e comprometer volume, contagem direta para o ajuste fino das últimas semanas que serve para dimensionar transporte e embalagem.
Saber o volume antes que o comprador chegue
Com quantas semanas de antecedência você pode dizer hoje, com um número e não com uma faixa vaga, quantos quilos você vai tirar de cada lote? Na maioria das propriedades, essa cifra aparece quando já está pesada, que é justo quando deixa de servir para negociar, para contratar colhedores ou para reservar transporte. Harvis te ajuda a construir essa projeção com o que você já tem, cruzando seu histórico de colheita por lote, seus registros de floração e trabalhos, e as observações de campo de sua equipe, para que a estimativa exista antes da colheita e para que ao final você possa comparar o projetado contra o entregue e corrigir o método no ano seguinte. Escreva para nós e revisamos com quais dados você pode começar.
Por que o modelo do fornecedor não chega à sua propriedade
O problema não é a qualidade do algoritmo, é que o algoritmo aprendeu a ver uma propriedade que não é a sua. As revisões sobre detecção automatizada em culturas apontam de forma consistente que a limitação central está na diversidade dos dados de treinamento e não na arquitetura, e que o desempenho relatado na validação raramente se sustenta ao mudar de ambiente. Variedade, padrão, idade, densidade de plantio, sistema de condução, intensidade de poda e cor do solo exposto modificam tanto a aparência do fruto quanto a fração que fica coberta, e ambas as coisas entram diretamente no resultado.
A oclusão, mais uma vez, é o mecanismo concreto desse fracasso. Em trabalhos sobre detecção de cachos com nuvem de pontos a partir de drone, os modelos só superaram um coeficiente de 0,75 quando foram retiradas folhas de ambos os lados da fileira para expor a fruta, uma condição de teste que nenhuma propriedade comercial vai reproduzir. Em arbustos baixos com folhagem rala a detecção é confiável, e em plantas altas onde a folhagem cobre o fruto a mesma técnica perde eficácia. Seu sistema de poda, então, não é um detalhe agronômico alheio a esta conversa, é uma das variáveis que decide se a tecnologia vai te servir.
Fica um terceiro fator que quase ninguém menciona na cotação, a luz. A identificação automática de fruta sobre imagem em cor enfrenta dificuldades bem documentadas com iluminação variável, regiões saturadas, sombras e fundos heterogêneos, e esse efeito é forte. Dois voos sobre o mesmo lote, um com céu limpo às onze e outro com nuvens intermitentes às três, não produzem contagens comparáveis. Como acontecia com o térmico que vimos na entrega sobre sanidade, a disciplina de captura vale mais do que a sofisticação do modelo.
O que um erro de estimativa te custa na prática
Vale a pena colocar o erro em pesos, porque em abstrato uma desvio de vinte por cento soa tolerável e na operação não é.
Se você superestima, contrata colhedores que não vai usar, reserva transporte que vai viajar com carga parcial, pede embalagem que fica no depósito e, no pior caso, compromete com um comprador um volume que depois não pode entregar, o que se paga em penalização ou em credibilidade. Se você subestima, ocorre o contrário e costuma ser mais caro, porque consegue colhedores de urgência a tarifa de urgência, a fruta espera na árvore mais dias do que deveria e perde qualidade justo no ponto onde se define o preço. No estudo de macieiras, as estimativas de uma das campanhas ficaram sistematicamente altas, com blocos estimados acima de 255 quilos quando a referência real do pomar ia de 63 a 168 quilos por bloco; um erro dessa magnitude aplicado a uma propriedade inteira desordena toda a logística da temporada.
Como já abordamos em nosso blog Planejamento de colheitas, uma prática estratégica para não deixar seu dinheiro à sorte, a projeção de volume e de data é o que permite escalonar a colheita, negociar antes do pico de oferta e dimensionar a equipe com antecedência; uma estimativa automática só vale o que valer a decisão que habilita, e sem um plano de colheita por trás, o melhor modelo do mundo entrega um número que ninguém usa.
Trinta árvores, uma balança e um caderno
A forma sensata de entrar não é contratando um serviço de estimativa para toda a propriedade, é construindo seu próprio fator de correção em uma campanha, com um custo quase nulo.
Escolha um lote representativo e marque entre trinta e quarenta árvores que cubram todo o intervalo de carga, desde várias claramente carregadas até várias fracas e várias intermediárias, e georreferencie cada uma para poder voltar. Umas três ou quatro semanas antes da colheita, faça duas coisas no mesmo dia. Primeiro, conte a fruta visível de cada árvore marcada de fora, com o critério com que a veria uma câmera, e anote esse número. Segundo, se você tiver acesso a um voo ou a fotografia próxima, capture-a nesse mesmo momento com céu estável e na mesma faixa horária.
Ao colher, pese separadamente a fruta de cada árvore marcada. A relação entre o peso real e a contagem visível é seu fator de correção local, e vai ser um número maior que um porque sempre há fruta coberta. Esse fator, que nenhuma publicação pode te dar, é o que transforma uma contagem em uma estimativa. Calcule também quanto varia entre árvores, porque essa dispersão é o que define a margem honesta que você deve relatar quando alguém te perguntar quantos quilos você vai entregar.
Repita o exercício na campanha seguinte e adicione as árvores que mudaram de carga. Com duas campanhas, você tem uma relação estável e com três tem algo que já suporta uma decisão comercial. A mesma tabela serve para auditar qualquer fornecedor que chegue depois, porque você poderá comparar sua estimativa contra seu peso real em vez de contra sua própria promessa.
Um número com margem vale mais do que uma intuição redonda
Estimar colheita com tecnologia não consiste em substituir seu critério por um algoritmo, consiste em colocar uma margem explícita em um número que hoje você maneja sem margem. Quando você diz que vai tirar quarenta toneladas, está dando um número sem incerteza declarada, e essa falsa precisão é o que te leva a comprometer volume que depois não aparece. Um modelo bem montado não te dá um número mais bonito, te dá um intervalo defensável e uma forma de estreitá-lo a cada ano.
O que você pode começar a fazer esta semana cabe em cinco decisões. Marque trinta árvores com contagem visível e pesagem individual ao colher, porque seu fator de correção local é o ativo que nenhum fornecedor te vende. Estime a massa agregada por lote em vez de perseguir a contagem árvore por árvore, já que a evidência mostra que a agregação melhora o resultado e o detalhe individual o piora. Diante de qualquer cifra de precisão que te apresentem, pergunte sobre que unidade foi medida, em quantas propriedades, com quanta antecedência e contra que peso real. Fixe a janela de captura, céu estável e a mesma faixa horária, porque dois voos com luz diferente não são comparáveis e esse detalhe arruina mais projetos do que a escolha do software. E guarde a cada campanha o par de dados, o que você estimou e o que entregou, porque a série própria é a única que transforma isso em uma ferramenta e não em um experimento. O produtor que chega à negociação com um intervalo construído sobre seu próprio histórico está em uma conversa distinta da que chega com um número redondo que tirou da memória.
Você quer construir a projeção de colheita da sua propriedade com os dados que já gera? Escreva para nós pelo WhatsApp ou agende uma demo e te mostramos como Harvis organiza seu histórico por lote para que a estimativa exista antes da colheita e não depois.
Referências consultadas
- Deep learning based fruit detection performance across crops, síntese de resultados em detecção automática de fruta. (s.f.). ScienceDirect. https://www.sciencedirect.com/science/article/abs/pii/S0263224124006717
- Fruit Detection and Yield Mass Estimation from a UAV Based RGB Dense Cloud for an Apple Orchard. (2025). Drones, MDPI. https://www.mdpi.com/2504-446X/9/1/60
- YOLO-blueberry detection and classification, a multi-module optimized network for detection, maturity classification and yield estimation. (s.f.). Agronomy Journal, Wiley. https://acsess.onlinelibrary.wiley.com/doi/abs/10.1002/agj2.70343
- Assessment of yield stability patterns using Sentinel-2 over a 7-year period. (2025). Geocarto International, Taylor & Francis. https://www.tandfonline.com/doi/full/10.1080/10106049.2025.2532529
- Autonomous Yield Estimation System for Small Commercial Orchards Using UAV and AI. (2024). ResearchGate. https://www.researchgate.net/publication/386449492AutonomousYieldEstimationSystemforSmallCommercialOrchardsUsingUAVandAI
- A review on automated plant disease detection, motivation, limitations, challenges, and recent advancements. (2025). Springer. https://link.springer.com/article/10.1007/s44443-025-00040-3
- Quantifying Bilberry Counts and Densities, A Comparative Assessment of Segmentation and Object Detection Models from Drone and Camera Imagery. (s.f.). Forests, MDPI. https://doi.org/10.3390/f17020253
- Accurate Crop Yield Estimation of Blueberries using Deep Learning and Smart Drones. (2025). arXiv. https://arxiv.org/abs/2501.02344
- In-field blueberry fruit phenotyping with a MARS-PhenoBot and customized BerryNet. (2025). Computers and Electronics in Agriculture / ScienceDirect. https://www.sciencedirect.com/science/article/abs/pii/S0168169925001632
- Apple Yield Estimation Method Based on CBAM-ECA-Deeplabv3+ Image Segmentation and Multi-Source Feature Fusion. (2025). PMC. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC12116164/
- Deep learning framework for fruit counting and yield mapping in tart cherry using YOLOv8 and YOLO11. (2025). ScienceDirect. https://www.sciencedirect.com/science/article/pii/S2772375525001819
- A fast and efficient approach to estimate wild blueberry yield using machine learning with drone photography, flight altitude, sampling method and model effects. (s.f.). Computers and Electronics in Agriculture. https://dl.acm.org/doi/abs/10.1016/j.compag.2023.108543
- The Evolution of Data-Driven Management Zone Delineation, A Systematic Review. (2026). Sensors, MDPI. https://doi.org/10.3390/s26103249
- Optimizing integration techniques for UAS and satellite image data in precision agriculture, a review. (2025). Frontiers in Remote Sensing. https://www.frontiersin.org/journals/remote-sensing/articles/10.3389/frsen.2025.1622884/full