Resumo: Estimações mais precisas na produtividade de áreas agricultáveis são uma das principais demandas para a agricultura de precisão e o uso de métodos capazes de detectar e contar frutos no campo são indispensáveis para atingir tal objetivo. Na literatura de contagem de frutos, encontra-se como estado da arte o uso de redes neurais convolutivas para detecção de frutos e o posterior emprego de rastreadores, para se obter estimativas de trilhas entre frutos detectados e, assim, possibilitando uma contagem mais acurada, reduzindo a incidência de contagens duplicadas. Sendo a trilha, definida como uma sequência contínua de posições de um objeto rastreado ao longo do tempo, identificada a partir de suas detecções em cada frame de um vídeo. Dentro do escopo de rastreadores, o conceito de rastreamento de múltiplos objetos (MOT - multiple object tracking) é largamente aplicado ao caso de pedestres e self-driving, e apresentam como estado da arte o uso de redes neurais para estabelecer as trilhas percorridas por pedestres através de imagens sequenciais. Tendo em vista a existência de métodos promissores ainda não testados e validados dentro do que tange à área de rastreamento de frutos, a presente pesquisa buscou avaliar o comportamento do modelo Tracktor, largamente utilizados para rastreamento de pedestres, quando aplicados à tarefa de rastreamento de frutos, através das métricas apresentadas na área do MOT : HOTA, MOTA, AssA e, DetA. Para fins comparativos, os métodos algoritmo Húngaro, SORT e ByteTracker também foram utilizados para avaliação e comparação, tendo em vista que esses métodos apenas utilizam informações de movimento para realizarem o rastreamento. Para esse estudo, foram utilizadas bases de dados de citricultura (laranja) e pomicultura (maçã) coletados no campo. Para ambas culturas, os resultados obtidos demonstram que os rastreadores tradicionais, sobretudo o ByteTracker, mostraram-se superiores em relação ao Tracktor em termos das métricas HOTA, MOTA, AssA e DetA, e também do erro relativo à contagem de frutos Ver menos

Abstract: More accurate estimates of the productivity of agricultural areas are one of the main demands of precision agriculture and the use of methods capable of detecting and counting fruit in the field are indispensable for achieving this goal. The state of the art in fruit counting literature is the use of convolutional neural networks for fruit detection and the subsequent use of trackers to obtain estimates of trails between detected fruits, thus enabling a more accurate count and reducing the incidence of duplicate counts. A track is defined as a continuous sequence of positions of a tracked object over time, identified from its detections in each frame of a video. Within the scope of trackers, the concept of multiple object tracking (MOT ) is widely applied to the case of pedestrians and self-driving, and presents as state of art the use of neural networks to establish the paths taken by pedestrians through sequential images. In view of the existence of promising methods that have not yet been tested and validated in the area of fruit tracking, this research sought to evaluate the behavior of the Tracktor model, widely used for pedestrian tracking, when applied to the task of fruit tracking, using the metrics presented in the area of MOT : HOTA, MOTA, AssA and, DetA. For comparative purposes, the Hungarian algorithm, SORT and ByteTracker methods were also used for evaluation and comparison, since these methods only use movement information for tracking. For this study, we used citrus (orange) and pom (apple) crop databases collected in the field. For both crops, the results show that traditional trackers, especially the ByteTracker, were superior to the Tracktor in terms of the metrics HOTA, MOTA, AssA and DetA, as well as in terms of fruit counting error Ver menos