A triagem ótica baseada em IA já não é uma curiosidade de laboratório no processamento de caju — é tecnologia comercialmente implementada por fabricantes estabelecidos de triagem alimentar, apoiada por investigação publicada com números reais e citáveis de precisão. Durante décadas, a classificação de amêndoas em fábricas de caju significou filas de trabalhadores a inspecionar visualmente amêndoas em busca de descoloração, queimaduras e defeitos de forma sob uma lâmpada. Isso ainda acontece na maioria das fábricas em todo o mundo, e ainda funciona. Mas uma camada distinta da indústria avançou para sistemas de câmaras e sensores que classificam amêndoas por cor, forma e defeito de superfície a uma velocidade que nenhuma linha de triagem humana consegue igualar, e os últimos anos produziram produtos suficientemente nomeados e referências avaliadas por pares para que um comprador possa agora avaliar esta tecnologia com base em evidências, não apenas em alegações de marketing.

O que a triagem ótica baseada em IA realmente faz numa linha de caju

Um triador de IA ou ótico situa-se a jusante do descasque e da despeliculagem, usando câmaras de alta resolução — por vezes associadas a sensores infravermelhos ou multiespectrais — para captar imagem de cada amêndoa à medida que passa numa correia ou cai livremente numa calha, disparando depois uma rajada de ar comprimido para ejetar tudo o que não corresponda à classe alvo. A distinção face aos triadores mecânicos de cor mais antigos é que os sistemas modernos aplicam classificadores de aprendizagem automática treinados em grandes conjuntos de imagens de amêndoas boas e defeituosas, em vez de regras fixas de limiar de cor, o que lhes permite detetar defeitos mais subtis — queimadura parcial, dano por insetos, matéria estranha — que um simples limiar de cor perderia ou rejeitaria em excesso. Isto importa diretamente para a classificação de amêndoas ISO e UNECE, já que todo o objetivo de um triador ótico é atingir uma especificação de classe definida de forma consistente, turno após turno, sem a variabilidade induzida pela fadiga que afeta as linhas de triagem manual ao longo de um turno de oito horas.

A TOMRA e a indústria estabelecida de triagem ótica

A TOMRA, a empresa norueguesa de triagem alimentar, é o nome que a maioria dos compradores que investigam esta área já reconhecerá de outros contextos food-tech, e mantém uma linha de triagem de caju dedicada dentro da sua categoria de produtos de frutos secos e frutas desidratadas. A TOMRA construiu a sua reputação global em triagem ótica numa vasta gama de matérias alimentares — batatas, produtos frescos, frutas desidratadas e frutos secos — antes de estender essa plataforma especificamente ao caju, o que confere à tecnologia subjacente de sensores e classificação um historial que vai muito além da própria indústria do caju. Para uma fábrica a avaliar se deve confiar na triagem por IA, uma empresa com essa amplitude de implementação noutras categorias alimentares representa um perfil de risco significativamente diferente de um novo participante exclusivo do caju, sem histórico fora do nicho.

Os produtos de triagem por IA nomeados da AMD Color Sorter

A AMD Color Sorter oferece dois produtos concretamente nomeados que vale a pena conhecer pelo nome, em vez de referir genericamente como “um triador de IA”: o XC-E AI Sorter e a LQ Four-view Cashew Colour Sorting Machine, ambos documentados pela empresa com material público de demonstração. Nomear a linha de produtos real importa ao comparar fornecedores, porque “triagem por IA” como descrição de categoria diz-lhe muito pouco sobre resolução de deteção, precisão de ejeção, ou débito a uma capacidade específica — esses números variam significativamente entre produtos, mesmo dentro do catálogo do mesmo fabricante, e um guia de compra que se refira apenas a “triadores de IA” genericamente não lhe dá o suficiente para realmente avaliar um orçamento. Leia isto junto das questões gerais de avaliação de fornecedores no Guia de Compra de Equipamento e no Quadro de Avaliação de Fornecedores antes de tratar as alegações de marketing de um único triador como o panorama completo.

O estudo de referência YOLOv5 de 2024 do RV College of Engineering

Um estudo revisto por pares de 2024, oriundo do RV College of Engineering em Bangalore, comparou três classificadores de aprendizagem automática — YOLOv5, YOLOv9, e uma rede neuronal convolucional (CNN) convencional — para classificação automatizada de caju, e verificou que o YOLOv5 atingiu 97,65% de precisão de classificação a uma velocidade de processamento de 0,025 segundos por imagem, uma referência real e citável, em vez de um número de marketing arredondado. Este estudo é significativo menos pelo próprio número de precisão específico e mais pelo que demonstra: que as atuais arquiteturas de deteção de objetos, treinadas especificamente em imagens de amêndoas de caju, conseguem classificar o estado de classe e defeito a uma velocidade compatível com o débito real de uma linha de produção, não apenas num contexto de investigação lento e offline. O estudo foi publicado na revista Engineering, Technology & Applied Science Research (DOI 10.48084/etasr.8052), conferindo-lhe o tipo de citação rastreável e verificável que distingue uma descoberta de investigação genuína de um número repetido em segunda mão em material de marketing. Para leitores a construir ou avaliar o seu próprio caso de negócio para triagem por IA, este é o número a citar — não uma alegação mais vaga de que “a triagem por IA é altamente precisa”.

Descasque robótico: robótica com controlo de força vinda do Japão

A visão computacional e a classificação por IA são apenas parte do rumo que a automação está a tomar no processamento de caju — um corpo de investigação separado e numa fase mais inicial está a explorar a robótica dentro da própria fase de descasque, não apenas na fase de classificação a jusante. Publicada no Journal of Advanced Mechanical Design, Systems, and Manufacturing (JAMDSM), investigação de engenharia japonesa documentou braços robóticos com controlo de força concebidos para se adaptarem à variação substancial de tamanho e forma entre castanhas de caju individuais durante o descasque — um problema mecânico genuinamente difícil, já que um mecanismo de corte de força fixa que funciona numa castanha grande esmagará uma pequena, e um calibrado para uma pequena não conseguirá descascar completamente uma grande. O controlo de força adaptativo, em que o braço robótico deteta resistência em tempo real e ajusta a pressão de corte por castanha, é uma abordagem de engenharia significativamente diferente das descascadoras mecânicas de geometria fixa que dominaram a indústria durante décadas, e representa um sinal precoce mas credível de para onde a automação da fase de descasque pode ir a seguir, muito além de onde a maioria do equipamento comercial se encontra hoje.

O que isto significa para os compradores: quando é que o custo da triagem por IA realmente compensa?

A triagem baseada em IA é, nesta fase, uma tecnologia madura e comprovada, mas isso não significa que seja a compra certa para todas as fábricas — a verdadeira questão para a maioria dos compradores é se o débito e o preço de um triador específico justificam o seu custo face à sua base de custo laboral existente, não se a tecnologia funciona em princípio. Uma fábrica de grande volume que exporta para mercados que pagam um prémio significativo por consistência de classe rigorosa e baixa tolerância a defeitos — particularmente compradores de retalho da UE e dos EUA que aplicam especificações estritas — tipicamente recuperará o custo de um triador ótico através de menos retrabalho, taxas de rejeição do cliente mais baixas, e as horas de trabalho já não gastas em triagem visual manual. Uma fábrica de menor capacidade num mercado de menor custo laboral, por outro lado, pode descobrir que triadores manuais bem treinados continuam a ser a escolha mais económica durante mais alguns anos, um cálculo tratado com mais detalhe na página Pequena Escala e Tecnologia Apropriada. De qualquer forma, a decisão deve ser tomada com base nos seus próprios números de recuperação de amêndoa e quebra, idealmente recolhidos através de uma auditoria de fábrica, em vez das alegações de capacidade do próprio fornecedor — e vale a pena verificar a vida útil esperada de um triador candidato face às referências na página Vida Útil e Depreciação de Máquinas antes de finalizar uma comparação de custo total de propriedade.

Esta página resume a tecnologia de triagem por IA e ótica e a investigação associada apenas como referência geral, verificada face ao estudo publicado citado no momento da redação. As linhas de produtos dos fornecedores e as referências de investigação continuam a desenvolver-se — confirme as especificações atuais diretamente com um fornecedor antes de se basear nisto para uma decisão de compra específica.