As resinas termoplásticas de pré-produção (pellets) são uma importante fonte de poluição microplástica nos ecossistemas marinhos e costeiros devido a perdas principalmente durante os processos de produção e transporte destes materiais. Há muita preocupação sobre os efeitos nocivos dos microplásticos para os organismos marinhos devido aos seus comportamentos no ambiente aquático. No momento que adentram no ambiente marinho os pellets começam a sofrer foto-oxidação e erosão, tornando-se amarelados. O grau de amarelamento infere sobre o tempo de residência do pellet no ambiente, auxiliando em estudos sobre toxicidade, fontes e o papel dos microplásticos como ameaças à saúde humana e à biota. O objetivo deste trabalho é propor uma nova metodologia para a avaliação de forma automatizada do grau de amarelamento em pellets através da escala de cores RGB. Foram analisadas 226 fotografias de pellets, de onde foram extraídos os valores de RGB da cor dominante na imagem. A partir de pellets referência foram criadas duas propostas de intervalos para a classificação do amarelamento, uma utilizando a banda B (azul), e outra utilizando as bandas B e R (vermelho). Estas classificações foram comparadas com dados de classificação visual das mesmas imagens avaliadas, e os resultados mostraram uma baixa eficiência dos intervalos criados (51,77% para banda B e 50,44% para as bandas B e R). Os resultados demonstraram que as propostas classificavam bem as classes com baixo grau de amarelamento, nulo (70,31%) e baixo (72,37%), não conseguiam classificar o amarelamento moderado (0%) e para o amarelamento alto e muito alto ocorria sobreposição dos dados quando avaliado apenas com a banda azul (44,74% alto e 0% muito alto), e quando adicionou-se a banda vermelha a sobreposição diminuiu (31,58% alto e 38,46% muito alto). Para trabalhos futuros se propõe que seja utilizada a abordagem computacional de machine learning.