ABSTRACT The quality perception of fruits and vegetables is a key factor for marketing and consumption. Quality determination is carried out subjectively by the consumer and with objective methods, many of which are destructive. The use of optical techniques and real-time screening, including determination of quality attributes by non-destructive methods, represents operational advantages for grading and selection systems. This work aimed to search for correlation between the tomato ripeness indexes with Biospeckle Laser (BSL) data. The epidermis color (CIE L*a*b), firmness, pH, Total Titratable Acidity (TTA), Total Soluble Solids (TSS), (oBrix), and respiration were measured. These data were correlated with BSL numerically by the Moment of Inertia (MI) and the Average Value of Difference (AVD). A high correlation was found with respiration and pH by the MI method, and with TTA, flavor, and respiration by the AVD method. consumption methods destructive realtime real time screening nondestructive non systems (BSL CIE L*a*b, Lab L*a*b , L b L*a*b) firmness TTA (TTA) TSS, TSS (TSS) oBrix, oBrix (oBrix) measured (MI AVD. . (AVD) method flavor (TTA (TSS (oBrix (AVD

RESUMO A visão computacional (CV) tem sido aplicada há anos para automatizar muitas atividades humanas. É uma das tecnologias-chave para a modernização da indústria agroalimentar em direção à quarta revolução industrial (Indústria 4.0). No setor agrícola, sistemas CV são aplicados para automatizar ou obter informações de muitas tarefas agrícolas, como plantio, cultivo, gerenciamento de fazenda, controle de doenças, controle de ervas daninhas ou colheita robótica. Também é amplamente utilizado em pós-colheita para automatizar e obter informações objetivas em processos como controle de qualidade e avaliação , detecção de danos, classificação de frutas ou vegetais em categorias comerciais ou análise de composição. Uma das principais vantagens é a capacidade desta tecnologia de obter informações em regiões do espectro invisíveis ao olho humano. Um exemplo é o caso de sistemas de imagens hiperespectrais. Esses sistemas geram uma grande quantidade de dados que precisam ser processados de forma eficiente, criando modelos estatísticos robustos e repetíveis que permitam a tecnologia a ser implementada a nível industrial. Para isso, é necessário acoplar os sistemas de CV a ferramentas avançadas de inteligência artificial, como aprendizado de máquina ou aprendizado profundo. O objetivo deste trabalho é revisar os últimos avanços em sistemas de CV aplicados a alimentos e produtos e processos agrícolas.

ABSTRACT Computer vision (CV) has been applied for years to automate many human activities. It is one of the key technologies for the modernization of the agri-food industry towards the fourth industrial revolution (Industry 4.0). In the agricultural sector, CV systems are applied to automate or obtain information from many agricultural tasks such as planting, cultivation, farm management, disease control, weed control or robotic harvesting. It is also widely used in postharvest to automate and obtain objective information in processes such as quality control and evaluation, damage detection, classification of fruits or vegetables in commercial categories or composition analysis. One of the main advantages is the ability of this technology to obtain information in regions of the spectrum that are invisible to the human eye. An example is the case of hyperspectral imaging systems. These systems generate a large amount of data that needs to be processed efficiently, creating robust and repeatable statistical models that allow the technology to be implemented at an industrial level. To achieve this, it is necessary to couple CV systems with advanced artificial intelligence tools such as machine learning or deep learning. The objective of this work is to review the latest advances in CV systems applied to food and agricultural products and processes.