ABSTRACT The classification of tomato ripening stages involves assigning a tomato to a category based on the visual indicators of its maturity. Indeed, the specific number of categories and their attributes are determined by the agricultural standards of each country, which rely on an empirical understanding of visual characteristics. Conversely, automatic unsupervised classification techniques, such as deep learning-based methods, autonomously learn their characteristics. In this research, a comparison is made between expert-based classification and unsupervised classification, with a particular focus on the analysis of the number of clusters and their respective features. Remarkably, this investigation finds an alignment in the number of clusters identified by both methods. This discovery supports the notion that the expert-based classification system is compatible with automated approaches. The outcomes of this research could aid the agricultural sector in refining automatic classification techniques. Furthermore, this work provides the scientific community with valuable insights into the clustering of images by machine learning methods. maturity Indeed country characteristics Conversely techniques learningbased methods expertbased expert features Remarkably approaches Furthermore

RESUMO A classificação do estágio de maturação do tomate envolve atribuir uma classe a um tomate com base nos aspectos visuais da sua maturidade. De fato, o número de classes e suas características são definidos pelas normas do departamento agrícola de cada país, as quais são baseadas no conhecimento empírico sobre as características visuais. Por outro lado, métodos de classificação automática não supervisionados, como aqueles baseados em aprendizado profundo, aprendem suas características de forma independente. Neste trabalho, comparamos a classificação baseada em especialistas com a classificação não supervisionada, analisando particularmente o número de agrupamentos (clusters) e as características de cada um. Surpreendentemente, nosso estudo revela uma coincidência no número de agrupamentos para ambas as abordagens. Com essa descoberta, fornecemos evidências de que a classificação atual baseada em especialistas também é adequada para métodos automáticos. As descobertas deste estudo podem ajudar a indústria agrícola a desenvolver métodos precisos de classificação automática. Além disso, para a comunidade científica, este estudo oferece percepções sobre como os métodos de aprendizado de máquina agrupam imagens. maturidade fato país lado supervisionados profundo independente trabalho supervisionada clusters (clusters Surpreendentemente abordagens descoberta automáticos disso científica imagens