Dias, Fernando Manuel Rosmaninho Morgado FerrãoMendonça, FábioShahnawaz, ShekhBaglat, Preety2026-05-052026-05-052026-03-16http://hdl.handle.net/10400.13/7757A colheita de bananas ainda depende de um pequeno grupo de especialistas, e o seu con hecimento é difícil de transmitir. Este trabalho transforma esse conhecimento numa solução de ponta de aprendizagem automática para decisões de colheita, mais consistente, mais fácil de escalar e de replicar. Primeiro, o estudo de revisão sistemática resumiu as técnicas exis tentes de deep learning e aprendizagem automática disponíveis para identificar os estádios de maturação da banana. Em seguida, procedeu-se à recolha de um conjunto de dados em diferentes campos na Ilha da Madeira, Portugal, sob variadas condições ambientais, com o objetivo de resolver o problema da deteção do cacho de banana e da classificação para col heita. Depois, utilizando imagens de deteção de cachos e imagens rotuladas por especialistas quanto à prontidão para a colheita, recolhidas nos campos, o sistema combina um detetor baseado em You Only Look Once (YOLO) e um classificador You Only Look Once (YOLO) melhorado com Bloco Squeeze-and-Excitation (SE). O sistema de deteção foca-se no cacho principal de banana em cada fotografia para que outros cachos ou fundos complexos não induzam o resultado em erro, e o classificador decide então se esse cacho está pronto para a colheita ou não. O modelo de deteção alcançou 93%,AP50test a cerca de 5,1 ms por im agem, e o modelo de classificação atingiu 94% de precisão a cerca de 2,8 ms por imagem. Uma aplicação Android liga estas partes num fluxo simples e fornece decisões de colheita, nomeadamente Cortar ou Manter. Uma opção Discordar, que envia imagens para o servidor para revisão caso o trabalhador da colheita não concorde com o resultado, ajuda a aumentar a precisão futura do modelo. Foram recolhidos comentários de colhedores e utilizadores du rante os testes no campo, num dia de colheita, para melhorar ainda mais o sistema. Os testes de campo mostraram um desempenho fiável, decisões mais rápidas e menos trabalho manual. Permanecem limitações porque os dados provêm de uma só região e principalmente de um único tipo de banana, e as fotografias não conseguem captar o toque ou todos os parâmetros do campo. Trabalhos futuros deverão incluir estudos de validação com conjuntos de dados de múltiplas regiões geográficas e diversas cultivares de banana, extensão a outras culturas e integração de registos de campo ou diários de colheita para registo automático das avaliações de maturidade, permitir a programação preditiva da colheita e apoiar a documentação de controlo de qualidade para certificações.Banana harvesting still depends on a small group of experts, and their knowledge is hard to pass on. This work turns that knowledge into a state-of-the-art machine learning harvest decision solution, more consistent, easier to scale, and replicate. First, a systematic review summarized the existing deep and machine learning techniques available for identify ing banana ripeness stages. Second, the collection of a dataset from different fields in Madeira Island, Portugal, was performed under varying environmental conditions, aiming to solve the problem statement of the detection of banana bunches and harvesting classification. Next, by using bunch detection images and harvesting readiness classification expert-labeled images, collected from the fields, the system combines a You Only Look Once (YOLO)-based de tector and a Squeeze and Excitation–enhanced (SE) YOLO classifier. The detection system focuses on the main banana bunch in each photo, so other bunches or busy backgrounds do not mislead the result, and the classifier then decides if that bunch is ready for harvesting or not. The detection model achieved 93%AP50-test at about 5.1 milliseconds (ms) per image, and the classifier model reached 94% accuracy at about 2.8 milliseconds (ms) per image. An Android application links these parts in a simple flow and provides harvesting decisions, namely Cut or Keep. A Disagree option that sends images to the server for review if the harvester did not agree with the result helps in augmenting future model accuracy. Feedback from harvesters and users was collected while testing in the field on a harvesting day to further improve the system. Field testing showed reliable performance, faster decisions, and less manual work. Limits remain because the data comes from one region and mainly one banana type, and photos cannot capture touch or all field parameters. Future work should include validation studies with datasets from multiple geographic regions and diverse banana cultivars, extension to other crops, and integration of field records or harvest logs to auto log maturity assessments, enable predictive harvest scheduling, and support quality control documentation for certifications.engColheita de bananasAgricultura de precisãoDeteção de objetos em tempo realYOLOAprendizagem automática profundaAplicações móveisAnotações de especialistasInteligência artificial de bordaBanana harvestingPrecision agricultureReal-time object detectionDeep learningMobile applicationsExpert annotationsEdge artificial intelligence (AI)Informatics Engineeringspecialization: Artificial Intelligence.Faculdade de Ciências Exatas e da Engenhariadoctoral thesis101735421