Detecção de Frutos de Laranja usando Atributos Geométricos e Intensidade LiDAR

A identificação automática de frutos cítricos, especialmente laranjas, apresenta grande potencial para aprimorar a estimativa de produtividade no Brasil, um dos maiores produtores mundiais. Nesse cenário, as tecnologias de Sensoriamento Remoto e Fotogrametria têm demonstrado eficiência
na automatização de processos que, tradicionalmente, são realizados de forma manual. Entre essas tecnologias, o sistema LiDAR (Light Detection and Ranging) destaca-se como uma alternativa mais robusta em comparação à reconstrução fotogramétrica, pois é capaz de amostrar a estrutura interna das árvores. Diante disso, este trabalho tem como objetivo propor um método de detecção automática de frutos de laranja utilizando dados obtidos por sistema LiDAR terrestre, explorando características geométricas locais.
O conjunto de dados foi obtido com um sensor FARO Focus Premium laser scanner (FARO Technologies, Inc., EUA), configurado para registrar até 400.000 pontos por segundo. Os pulsos emitidos pelo equipamento apresentam comprimento de onda de 1553,5 nm. A área de estudo consiste em uma plantação comercial de laranjas situada em Matão/SP.
O método proposto foi implementado em Python e utiliza como entrada a nuvem de pontos original, gerando como saída os agrupamentos correspondentes aos frutos. A abordagem de segmentação considera atributos geométricos e a intensidade dos retornos LiDAR. Inicialmente, estima-se a planaridade de cada ponto utilizando uma vizinhança esférica de 2 cm. A planaridade local (1) é estimada a partir dos autovalores (λ1, λ2, λ3), os quais são derivados da matriz de variância e covariância.

Em seguida, aplica-se o algoritmo Gaussian Mixture [1] para separar pontos candidatos a fruto e não fruto. A intensidade dos pontos candidatos é então utilizada para uma segunda etapa de classificação, também via Gaussian Mixture. Após essa etapa, o filtro de majoridade [2] é empregado para reduzir erros de classificação, seguido do algoritmo DBSCAN [4], o qual é responsável por identificar os agrupamentos utilizando dois limiares espaciais: o raio de vizinhança (E, em cm) e a número mínimo de pontos (npts). Posteriormente à etapa de detecção, os agrupamentos obtidos são submetidos a um processo de refinamento geométrico. Nessa etapa cada agrupamento identificado é avaliado com base no ajuste de uma esfera de diâmetro igual a 4 cm. Esse procedimento visa verificar a consistência geométrica dos agrupamentos com o tamanho esperado dos frutos, permitindo descartar detecções espúrias ou agrupamentos resultantes de ruído. Como consequência, obtém-se uma nuvem de pontos filtrada composta exclusivamente por agrupamentos com a geometria dos frutos detectados, variando apenas o número de pontos que compõem cada agrupamento.

Para a avaliação, o centroide de cada agrupamento foi calculado e comparado com centroides extraídos de forma manual, admitindo-se um raio de tolerância de 8 centímetros. Os resultados dessa validação encontram-se sumarizados na Tabela 1.

A análise dos dados da Tabela 1 revela que o desempenho do método é sensível à variação do número mínimo de pontos no algoritmo DBSCAN, apresentando um trade-off claro entre a capacidade de não omitir frutos reais (completeza) e a confiabilidade das predições apontadas pelo sistema (nível de acerto). Enquanto a configuração com 10 pontos atingiu a maior completeza, ela gerou um número excessivo de falsos positivos (ruídos classificados como laranjas), resultando no menor F-score. Em contrapartida, o parâmetro de 30 pontos demonstrou ser o mais equilibrado para a extração automática, alcançando o maior F-score ao conciliar uma alta identificação de frutos reais com um nível de acerto satisfatório e uma redução drástica nos erros de classificação. Ao elevar o número mínimo para 40 pontos, embora o nível de acerto aumente para 80,43%, a completeza cai significativamente para 62,08%, indicando que filtros muito restritivos acabam omitindo uma parcela considerável de frutos verdadeiros.
O LiDAR terrestre confirmou-se como uma ferramenta robusta para amostrar laranjeiras, contornando problemas de oclusão no dossel [3]. O método proposto provou-se eficaz na identificação de frutos em ambiente comercial, aliando geometria e intensidade. Os resultados destacam que o ajuste do agrupamento depende da densidade da nuvem, devendo ser calibrado conforme a resolução do sensor para otimizar a estimativa de produtividade.