Abstract:Los modelos de crecimiento de frutos describen la evolución de su tamaño a lo largo del período de desarrollo. Con fines de pronóstico, estos modelos permiten estimar en forma anticipada el tamaño que alcanzarán los frutos al momento de la cosecha. Para lograr estimaciones insesgadas del tamaño de frutos a cosecha es necesario un diseño adecuado de muestreo en la etapa de recolección de datos. El objetivo del presente trabajo fue determinar el tamaño óptimo de muestra, compuesta por árboles (n) y frutos (m), p… Show more
“…O tamanho de amostra para avaliação de caracteres de frutos tem sido determinado para várias espécies como o melão (Nunes et al, 2006), laranja (Avanza et al, 2010), pêssego (Toebe et al, 2011;, maçã (Toebe et al, 2011), pimenteira (Silva et al, 2011), maracujá amarelo (Coelho et al, 2011) e maracujá do mato (P. caerulea) (Bandeira et al, 2016). Contudo, trabalhos que determinam o tamanho de amostra necessário para avaliação de caracteres físico-químicos de frutos maduros de P. foetida não foram encontrados na literatura, apesar da existência de trabalhos sobre a quantificação de seus caracteres fí-sico-químicos (Aular & Rodríguez, 2003;Soares et al, 2011).…”
RESUMO Objetivou-se, com este trabalho, determinar o tamanho de amostra para análise de caracteres físicos e químicos de frutos maduros de maracujá-fedorento (Passiflora foetida). Foram colhidos, aleatoriamente, 150 frutos de plantas cultivadas em casa de vegetação. Em laboratório, esses frutos foram mensurados quanto a 12 caracteres (comprimento longitudinal; diâmetro equatorial; massa de fruto; massa de casca; massa de polpa; rendimento de polpa; peso de sementes por fruto; número de sementes por fruto; massa de sementes por fruto; acidez titulável; sólidos solúveis e ratio), sendo calculadas as medidas de tendência central e de dispersão e verificada sua normalidade. Determinou-se o intervalo de confiança bootstrap percentil, a partir da simulação de tamanho 4.000, para 150 tamanhos de amostra (1, 2, ..., 150 frutos) de cada caractere mensurado. Os caracteres físicos e químicos analisados em frutos maduros de P. foetida apresentam diferentes precisões experimentais e requerem diferentes tamanhos de amostra. Para o comprimento longitudinal, por exemplo, o diâmetro equatorial e a relação entre estes, seis frutos são suficientes para a estimação da média com um erro de estimação de 5% da média. Se forem considerados todos os caracteres físicos e químicos de frutos maduros, analisados neste trabalho, são necessários no mínimo 39 frutos, assumindo-se erro de 10% da estimativa da média.
“…O tamanho de amostra para avaliação de caracteres de frutos tem sido determinado para várias espécies como o melão (Nunes et al, 2006), laranja (Avanza et al, 2010), pêssego (Toebe et al, 2011;, maçã (Toebe et al, 2011), pimenteira (Silva et al, 2011), maracujá amarelo (Coelho et al, 2011) e maracujá do mato (P. caerulea) (Bandeira et al, 2016). Contudo, trabalhos que determinam o tamanho de amostra necessário para avaliação de caracteres físico-químicos de frutos maduros de P. foetida não foram encontrados na literatura, apesar da existência de trabalhos sobre a quantificação de seus caracteres fí-sico-químicos (Aular & Rodríguez, 2003;Soares et al, 2011).…”
RESUMO Objetivou-se, com este trabalho, determinar o tamanho de amostra para análise de caracteres físicos e químicos de frutos maduros de maracujá-fedorento (Passiflora foetida). Foram colhidos, aleatoriamente, 150 frutos de plantas cultivadas em casa de vegetação. Em laboratório, esses frutos foram mensurados quanto a 12 caracteres (comprimento longitudinal; diâmetro equatorial; massa de fruto; massa de casca; massa de polpa; rendimento de polpa; peso de sementes por fruto; número de sementes por fruto; massa de sementes por fruto; acidez titulável; sólidos solúveis e ratio), sendo calculadas as medidas de tendência central e de dispersão e verificada sua normalidade. Determinou-se o intervalo de confiança bootstrap percentil, a partir da simulação de tamanho 4.000, para 150 tamanhos de amostra (1, 2, ..., 150 frutos) de cada caractere mensurado. Os caracteres físicos e químicos analisados em frutos maduros de P. foetida apresentam diferentes precisões experimentais e requerem diferentes tamanhos de amostra. Para o comprimento longitudinal, por exemplo, o diâmetro equatorial e a relação entre estes, seis frutos são suficientes para a estimação da média com um erro de estimação de 5% da média. Se forem considerados todos os caracteres físicos e químicos de frutos maduros, analisados neste trabalho, são necessários no mínimo 39 frutos, assumindo-se erro de 10% da estimativa da média.
“…Nevertheless, estimating yield in fruit crops is not easy given that fruit crops are perennial species in which small variations in cultural techniques or differences in cultivar genotype define greater production variability (3). Additionally, annual yield depends on climatic and management conditions that affect flowering, fruit set, growth and persistence on the plant until harvest (2).…”
Yield forecasting depends on accurate tree fruit counts and mean size estimation. This information is generally obtained manually, requiring many hours of work. Artificial vision emerges as an interesting alternative to obtaining more information in less time. This study aimed to test and train YOLO pre-trained models based on neural networks for the detection and count of pears and apples on trees after image analysis; while also estimating fruit size. Images of trees were taken during the day and at night in apple and pear trees while fruits were manually counted. Trained models were evaluated according to recall, precision and F1score. The correlation between detected and counted fruits was calculated while fruit size estimation was made after drawing straight lines on each fruit and using reference elements. The precision, recall and F1score achieved by the models were up to 0.86, 0.83 and 0.84, respectively. Correlation coefficients between fruit sizes measured manually and by images were 0.73 for apples and 0.80 for pears. The proposed methodologies showed promising results, allowing forecasters to make less time consuming and accurate estimates compared to manual measurements.
Highlights:
The number of fruits in apple and pear trees, could be estimated from images with promising results.
The possibility of estimating the fruit numbers from images could reduce the time spent on this task, and above all, the costs. This allow growers to increase the number of trees sampled to make yield forecasts.
“…Na literatura são encontrados trabalhos que tratam de tamanho amostral para características de frutos de algumas frutíferas como Citrus sinensis (AVANZA et al, 2010), Litchi chinensis (ANDRADE e JASPER, 2012), Prunus persica (TOEBE et al, 2012), Ananas comosus (KRAUSE et al, 2013), Malus domestica (TOEBE et al, 2014a), Carya illinoinensis (CARGNELUTTI FILHO et al, 2015;POLETTO et al, 2018), Passiflora spp. (BANDEIRA et al, 2016; e, Spondias purpurea (SILVA et al, 2016).…”
O objetivo deste trabalho foi estimar o tamanho de amostra (número de frutos) necessário para avaliar os caracteres, massa de frutos (g) e teor de sólidos solúvéis (°Brix), em cultivares comerciais de mamoeiro THB, Golden, Tainung e UENF/Caliman 01, por meio da técnica bootstrap de simulação por reamostragens. Para as simulações foram utilizados 75 frutos de cada cultivar estudado. Os resultados encontrados indicaram tamanhos maiores de amostra para o estudo do caractere massa de frutos, que variou de 48 frutos para o cultivar THB, à 29 frutos para o cultivar UENF/Caliman 01, ambos com erro de estimação de 5% da média.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.