Sistema embarcado para inspeção visual em indústria de beneficiamento do coco
ISSN 1678-0817 Qualis/DOI Revista Científica de Alto Impacto.
PDF
HTML

Palavras-chave

Sistema embarcado
Edge computing
Visão computacional
Automação industrial

Como Citar

Vianna, I. L. P., Ferreira, J. R. M., Coutinho, L. G. de S., Souza, R. V. F. de, Silva, J. I. D., Amorim, L. G. de P., & Pereira, D. da S. (2026). Sistema embarcado para inspeção visual em indústria de beneficiamento do coco. Revista Ft, 30(157), 01-33. https://doi.org/10.69849/0tbhmj55

Resumo

Este artigo apresenta o desenvolvimento de um sistema embarcado para inspeção visual automatizada aplicado à indústria de beneficiamento do coco, com ênfase nos processos de empacotamento e enfardamento. A pesquisa tem como objetivo automatizar a contagem de pacotes e a identificação de fardos com não conformidades estruturais, reduzindo erros operacionais e aumentando a eficiência do controle de qualidade em ambientes industriais. A solução proposta emprega técnicas de visão computacional e aprendizado de máquina em edge computing, executados na single-board computer (SBC) Raspberry Pi. Foram desenvolvidos dois dispositivos distintos: um destinado à contagem e verificação da quantidade correta, durante o processo de enfardamento, a partir de uma vista superior, e outro posicionado ao final da linha de produção de leite de coco para detecção de fardos defeituosos. A metodologia envolveu a coleta de imagens em ambiente industrial real, a anotação manual dos dados, o treinamento de modelos baseados na arquitetura YOLO e a validação do desempenho em tempo real. Os resultados obtidos indicam a viabilidade técnica do sistema, com detecção consistente de objetos e identificação eficaz de não conformidades, apesar de limitações impostas pelo hardware embarcado. Conclui-se que a solução apresenta potencial para otimizar processos de inspeção visual industrial, servindo como base para futuras melhorias e integração com sistemas de monitoramento e rastreabilidade.

PDF
HTML

Referências

ALMEIDA, Rodrigo Maximiano Antunes de; MORAES, Carlos Henrique Valério de; SERAPHIM, Thatyana de Faria Piola. Programação de Sistemas Embarcados: desenvolvendo software para microcontroladores em linguagem C. 1. ed. Rio de Janeiro: Elsevier, 2016.

BRUGES, Jim. Edge AI: Making sense of the noise. [S. l.]: Edge AI and Vision Alliance, 2019. Disponível em: https://pages.edgeimpulse.com/hubfs/Content%20and%20Docs/Edge%20Machine%20Learning%20for%20Industrial%20and%20Manufacturing%20Environments.pdf. Acesso em: 17 jan. 2026.

DA SILVA, Martony Demes. Aplicação da Ferramenta Google Colaboratory para o Ensino da Linguagem Python. In: ESCOLA REGIONAL DE ENGENHARIA DE SOFTWARE, 4., 2020, Evento Online. Anais da Escola Regional de Engenharia de Software. Porto Alegre: Sociedade Brasileira de Computação, 2020. p. 67‑76. DOI: 10.5753/eres.2020.13717. Disponível em: https://sol.sbc.org.br/index.php/eres/article/view/13717. Acesso em: 26 jan. 2026.

DHIMAN, Jaskaran Singh. Semiconductor in Flux: Past Disruptions and Emerging Trends in Chip Industry. International Journal of Emerging Trends in Computer Science and Information Technology, [S. l.], p. 225–234, 2025. DOI: 10.56472/ICCSAIML25-128. Disponível em: https://ijetcsit.org/index.php/ijetcsit/article/view/202. Acesso em: 25 jan. 2026.

EMDAGRO. Análise conjuntural da cultura do coco. Aracaju: EMDAGRO, 2025. Disponível em: https://emdagro.se.gov.br/wp-content/uploads/2025/12/COCO-ANALISE-CONJUNTURAL.pdf. Acesso em: 24 jan. 2026.

HIDAYATULLAH, Priyanto; SYAKRANI, Nurjannah; SHOLAHUDDIN, Muhammad Rizqi; GELAR, Trisna; TUBAGUS, Refdinal. YOLOv8 to YOLO11: A Comprehensive Architecture In-depth Comparative Review. arXiv, 23 jan. 2025. Disponível em: https://arxiv.org/abs/2501.13400. Acesso em: 29 jan. 2026.

KHANAM, Rahima; HUSSAIN, Muhammad. YOLOv11: An Overview of the Key Architectural Enhancements. arXiv, 23 out. 2024. Disponível em: https://arxiv.org/abs/2410.17725. Acesso em: 29 jan. 2026.

KHANG, Alex; HAJIMAHMUD, Vugar Abdullayev; MISRA, Anuradha; LITVINOVA, Eugenia (Eds.). Machine Vision and Industrial Robotics in Manufacturing: Approaches, Technologies, and Applications. 1. ed. Boca Raton: CRC Press, 2024. DOI https://doi.org/10.1201/9781003438137. Disponível em: https://www.taylorfrancis.com/books/edit/10.1201/9781003438137/machine-vision-industrial-robotics-manufacturing-alex-khang-vugar-abdullayev-hajimahmud-anuradha-misra-eugenia-litvinova. Acesso em: 17 jan. 2026.

LEITE, L. L. Aplicação de Machine Learning em sistemas embarcados de borda: um estudo de caso. Trabalho de Conclusão de Curso (Graduação em Engenharia de Controle e Automação) – Universidade Federal de Uberlândia, Uberlândia, 2023. Disponível em: https://repositorio.ufu.br/handle/123456789/38588. Acesso em: 25 jan. 2026.

LIU, Xiangchen. Comparison of Four Convolutional Neural Network-Based Algorithms for Sports Image Classification. In: PROCEEDINGS of the 2023 International Conference on Data Science, Advanced Algorithm and Intelligent Computing (DAI 2023). Advances in Intelligent Systems Research, [S.l.], v. X, p. 178-186, 14 fev. 2024. DOI: 10.2991/978-94-6463-370-2_20. Disponível em: https://www.atlantis-press.com/proceedings/dai-23/125998112. Acesso em: 29 jan. 2026.

MAKKAR, Naman Balbir Singh. VajraV1 – The most accurate Real Time Object Detector of the YOLO family. arXiv, 17 dez. 2025. Disponível em: https://arxiv.org/abs/2512.13834. Acesso em: 29 jan. 2026.

MATUCK, Guilherme Rodrigues; CASTRO, Arthur Jackson Abreu; DA SILVA, Lázaro Eduardo; CARVALHO, Eduardo Gomes. Reconhecimento facial com inteligência artificial utilizando a plataforma Roboflow. Revista Prociências, Pelotas, v. 6, n. 2, 2023. DOI: https://doi.org/10.15210/prociencias.v6i2.25948. Disponível em: https://periodicos.ufpel.edu.br/index.php/prociencias/article/view/25948. Acesso em: 27 jan. 2026.

OLIVEIRA, J. P. G. de. Aprendizado de máquina na indústria 4.0: detecção de anomalias em sistemas embarcados e classificação de substâncias. Tese (Doutorado em Engenharia Elétrica) – Universidade Federal de Pernambuco, Recife, 2022. Disponível em: https://repositorio.ufpe.br/handle/123456789/48267. Acesso em: 25 jan. 2026.

SAPKOTA, Ranjan; CHEPPALLY, Rahul Harsha; SHARDA, Ajay; KARKEE, Manoj. YOLO26: key architectural enhancements and performance benchmarking for real-time object detection. Ithaca, NY; Manhattan, KS: Cornell University; Kansas State University, 2026. Disponível em: https://www.arxiv.org/pdf/2509.25164. Acesso em: 18 jan. 2026.

SECO S.P.A. RTOS vs. Embedded Linux: A Decision Guide. [S. l.]: SECO, 2024. Disponível em: https://www.seco.com/blog/details/rtos-vs-embedded-linux-a-decision-guide. Acesso em: 17 jan. 2026.

SENGUN, Esra; AKSOY, Samet; SERTEL, Elif; FRANSSON, Johan E. S. Comparative Analysis of YOLOv8 and YOLOv11 on Tree Detection Using UAV RGB and Laser Scanning Data. In: ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, v. X-2/W2-2025, p. 173-179, 2025. Disponível em: https://isprs-annals.copernicus.org/articles/X-2-W2-2025/173/2025/. Acesso em: 29 jan. 2026.

SITUNAYAKE, Daniel; PLUNKETT, Jenny. AI at the Edge: Solving Real-World Problems with Embedded Machine Learning. 1. ed. Sebastopol: O’Reilly Media, 2023.

TAVARES, Lucas Bivar Fonsêca; SANTOS, Luís Henrique Lima. Desenvolvimento de um sistema embarcado para classificação de produtos com visão computacional. Trabalho de Conclusão de Curso (Graduação em Engenharia de Computação) – Instituto Federal de Educação, Ciência e Tecnologia da Paraíba, Campina Grande, 2025. Disponível em: https://repositorio.ifpb.edu.br/handle/177683/4388. Acesso em: 25 jan. 2026.

WEBASHA TECHNOLOGIES. Embedded Linux Growth in 2026: How edge computing, IoT devices, and RISC-V expansion are reshaping the future of open-source operating systems globally. WebAsha Technologies, 12 jul. 2025. Disponível em: https://www.webasha.com/blog/embedded-linux-growth-how-edge-computing-iot-devices-and-riscv-expansion-are-reshaping-the-future-of-open-source-operating-systems-globally. Acesso em: 29 jan. 2026.

WHANG, Steven Euijong; ROH, Yuji; SONG, Hwanjun; LEE, Jae-Gil. Data collection and quality challenges in deep learning: a data-centric AI perspective. The VLDB Journal, Heidelberg, v. 32, n. 4, p. 1–25, 2023.

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Copyright (c) 2026 Ian Lucas Périgo Vianna, Janyelison Rodrigo Marques Ferreira, Luís Guilherme de Souza Coutinho, Ramon Vinícius Ferreira de Souza, Jefferson Igor Duarte Silva, Leonardo Gomes de Paiva Amorim, Diego da Silva Pereira (Autor)

Downloads

Os dados de download ainda não estão disponíveis.