Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Introduo
A importncia das tcnicas de Viso Artificial vem crescendo a cada dia durante as
ltimas dcadas. A aplicao destas tcnicas tem se expandido em diversas reas, tais
como diagnstico mdico por imagens, manufatura automtica, sensoriamento remoto,
diagnsticos tcnicos, veculos autnomos e movimentao de robs (Costa, 2006).
No setor agrcola, tm sido desenvolvidas muitas aplicaes utilizando tcnicas de
Viso Artificial, tais como: sensoriamento remoto para avaliao dos recursos naturais,
da maturao das culturas, qualidade do produto aps colheita, classificao, ordenao
e a automao do processo de seleo das frutas. O sistema de Viso Artificial auxilia
a classificao e separao em virtude de reconhecer no apenas tamanho, forma, cor e
textura dos objetos, mas fornecer atributos numricos da cena (Chen et al., 2002).
A classificao de frutas uma operao essencial na ps-colheita e muitas
variedades de frutas so comumente analisadas, considerando apenas aspectos externos,
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.
94
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.
95
ni
;
N
i = 0, 1, . . . , I 1,
(1)
I
!
x=1
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.
x h (x),
(2)
96
"
# I
#!
$
(x x)2
Sd = =
h (x),
(3)
(x x)3
h (x) ,
SS =
3
x=1
(4)
(x x)4 h (x)
SK =
3,
4
x=1
(5)
x=1
I
!
I
!
I
!
[h (x)]2 ,
(6)
(7)
SE =
x=1
SEnt =
I
!
x=1
P (i, j|d, ) =
%
%
%
%
%
%
%
%
%
%
I (k, l) = i, I(m, n) = j
(k, l) e (m, n) M N
v =
u + d
(M dx) (N dy)
%
%
%%
%
%
%%
(8)
(m,n), separados por uma distncia d (dx, dy) na orientao de com a horizontal.
Com base nessa matriz de co-ocorrncia, a matriz de dependncia espacial do
nvel de cinza (SGLDM - Spatial Gray Level Dependence Matrix) para uma orientao
calculada atravs de:
S (i, j|d) =
(9)
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.
(10)
97
(11)
S (i, j)
.
1 + (i j)2
(12)
ij
H=
!
ij
S (i, j)2 ,
(13)
ij
(14)
(15)
ij
Por fim, as medidas de estatstica descritiva extradas das laranjas neste trabalho so os
momentos de terceira (CS) e quarta ordem (CP ), correlao (Corr), auto-correlao (A)
e covarincia (Cov), dadas respectivamente por:
CS =
(i i + j j )3 S (i, j),
(16)
(i i + j j )4 S (i, j),
(17)
ij
CP =
ij
Corr =
i j S (i, j) i j
ij
A=
i j
!
i j S (i, j),
(18)
(19)
ij
Cov =
(i i ) (j j ) S (i, j),
(20)
ij
i S (i, j) e j =
ij
i2 =
ij
(i i )2 S (i, j) e j2 =
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.
j S (i, j),
(21)
(j j )2 S (i, j).
(22)
ij
ij
98
(23)
.
1
ET ot ,
Etot (j, m, n)
(24)
ET ot = EH EV
02
+ EH ED
02
+ EV ED
02
(25)
(27)
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.
99
(a)
(b) Rugosa
(c)
(d) Lisa
filtro evidenciou no somente as bordas das laranjas, mas tambm, de uma forma muito
interessante, as bordas de cada pequena depresso da laranja rugosa. Na laranja lisa,
praticamente nenhum ponto de descontinuidade evidenciado. Desta forma, com base
no nmero de pixels detectados pelo filtro de Sobel (R), o sistema proposto por Ramalho
(2003) classifica textura da laranja (T ) como lisa, levemente rugosa e rugosa atravs de:
T =
Lisa
se R < R R /2,
Levemente Rugosa se R R /2 R < R + R /2,
Rugosa
se R > R + R /2.
(28)
3. Metodologia
A metodologia utilizada para realizar a separao das laranjas quanto aos aspectos de
dulcilidade e acidez apresentada nesta seo. Neste trabalho, um total de 22 amostras
analisadas por Ramalho (2003) so utilizadas para classificao quanto ao teor de acidez
e dulcilidade.
A captura das imagens foi realizada atravs de uma cmera digital monocromtica
com 256 nveis de cinza sob iluminao controlada sob um fundo branco uniforme. O
sistema desenvolvido por Ramalho (2003) realiza a deteco da fruta e recorta a regio a
textura avaliada. Neste trabalho, as caractersticas texturais so extradas utilizando as
imagens das regies recortadas. Na Figura 2 so mostrados alguns exemplos de imagens
utilizadas neste trabalho.
Para definir o teor de dulcilidade e acidez das laranjas necessrio observar a
forma, cor e textura. O processo de classificao pode ser melhorado atravs de uma
extrao da informao textural mais refinada do que o mtodo estrutural proposto por
Ramalho (2003).
So realizados trs testes utilizando apenas um mtodo de extrao de
caractersticas texturais, e quatro testes utilizando informaes da forma associada com
um mtodo de textura e por fim cinco utilizando a combinao de dois ou mais mtodos
texturais e forma, totalizando onze testes rotulados na Tabela 1. Cada x na tabela
representa a utilizao do mtodo de extrao de caractersticas da coluna.
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.
100
(a)
(b)
(c)
(d)
(e)
(f)
(g)
(h)
(i)
(j)
(k)
(l)
(m)
(n)
(o)
(p)
(q)
(r)
(s)
(t)
(u)
Proposto
Ramalho (2003)
Estatstico
Wavelet
a
a
Mtodos
Forma Sobel 1 Ordem 2 Ordem Db2 Db6
Forma + Sobel
x
x
a
2 Ordem
x
a
1 Ordem
x
Estatstico
x
x
Forma+Estatstico
x
x
x
Db2
x
Forma+Db2
x
x
Forma+Estatstico+Db2
x
x
x
x
Db6
x
Forma + Db6
x
x
Forma+Estatstico+Db6
x
x
x
x
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.
101
4. Resultados
Nesta seo, so descritos os resultados obtidos atravs da metodologia proposta. A
eficincia da classificao utilizando os diferentes mtodos apresentada nas Tabelas 2 e
3. Os espaos caractersticos que obtm os melhores resultados (para cada classificador
em estudo) so destacados (em negrito) nas Tabelas 2 e 3.
Conforme mostrado nas Tabelas, observa-se que a MLP possuiu o melhor
desempenho devido ao seu alto poder de generalizao e especializao devido ao
processo de aprendizagem, melhorando em torno de 15% as taxas de acerto obtidas.
Atravs dos resultados na Tabela 2, observa-se que em todos os testes de
classificao do teor de acidez que utilizam apenas um mtodo de extrao de
caracterstica obtm taxas de acerto prximas. De todos os mtodos estudados, os que
empregam a Transformada Wavelet Db2 possuem a melhor taxa de acerto, se mostrando
como a caracterstica importante (textura) para a anlise de acidez.
Contudo, os testes mostram que nem sempre, unir espaos caractersticas
melhoram as taxas de acerto. Por exemplo, utilizando as caractersticas estatsticas de
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.
102
Mtodos
k-NN
Forma+Sobel
59,83 %
a
2 Ordem
68,67 %
a
1 Ordem
64,67 %
a
a
Estatstico (1 + 2 Ordem) 61,67 %
Forma+Estatstico
57,50 %
Db2
67,83 %
Forma+Db2
75,00 %
Forma+Estatstico+Db2
57,83 %
Db6
62,83 %
Forma+Db6
65,17 %
Forma+Estatstico+Db6
66,33 %
Acerto Mdio
64,30%
MLP
Acerto Mdio
83,95 %
71,89 %
83,95 %
76,31 %
84,36 %
74,52 %
86,23 %
73,95 %
87,14 %
72,32 %
90,27 %
79,05 %
90,32 %
82,66 %
88,45 %
73,14 %
88,91 %
70,87 %
88,95 %
77,06 %
88,82 %
77,58 %
87,40%
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.
103
Mtodos
k-NN
MLP
Acerto Mdio
Forma + Sobel
72,86 % 85,05 %
78,96 %
a
2 Ordem
60,00 % 83,91 %
71,95 %
a
1 Ordem
57,14 % 81,73 %
69,44 %
Estatstico
57,71 % 84,09 %
69,90 %
Forma+Estatstico
66,43 % 86,82 %
76,63 %
Db2
47,86 % 77,14 %
62,50 %
Forma+Db2
52,14 % 83,45 %
67,80 %
Forma+Estatstico+Db2 65,29 % 85,68 %
75,49 %
Db6
44,29 % 78,82 %
61,56 %
Forma+Db6
64,00 % 82,95 %
73,48 %
Forma+Estatstico+Db6 62,00 % 84,73 %
73,37 %
Acerto Mdio
59,07 % 83,12 %
5. Concluses
Neste trabalho, foi proposta a avaliao de mtodos de extrao de caractersticas texturais
atravs de classificadores no paramtricos para a utilizao em um sistema de Viso
Artificial aplicado seleo de laranjas para produo de suco.
Este trabalho mostra que possvel classificar automaticamente amostras com
relao a diferentes teores de acidez e dulcilidade atravs da anlise de imagens digitais de
laranjas, utilizando informao de textura com elevadas taxas de acerto. Contudo, as que
possuem maior importncia para as anlises de dulcilidade e acidez so, respectivamente,
as caractersticas de forma e as caractersticas texturais baseadas em Wavelets.
Os resultados das taxas de acerto obtidas com os classificadores k-NN (entre
57.57% - 75%) e MLP (entre 77% e 90%) deixam claro que os atributos escolhidos so
bastante discriminativos e permitem a separao com boa preciso em todos os testes
realizados.
Os resultados obtidos podem ser utilizados para fornecer subsdios no
desenvolvimento de novos sistemas de inspeo automtica de frutas na ps-colheita
a baixo custo e que sejam no-destrutivos, que assim integrem, substituam ou
complementem os atuais sistemas utilizados nas indstrias de pequeno e mdio porte
de regies produtoras, ou at mesmo cooperativas.
Como proposta de trabalhos futuros ser avaliada a diminuio de
dimensionalidade atravs de tcnicas das Anlises de Componentes Principais e
por Variveis Cannicas, bem como o teste com classificadores estatsticos, como por
exemplo, o classificadores de Mnima Distncia e Bayesiano e Discriminante Linear de
Fisher.
Referncias
M. Bevk e I. Kononenko. A statistical approach to texture description of medical images:
a preliminary study. Proceedings of the 15th IEEE Symposium on Computer-Based
Medical Systems, pages 239244, June 2002.
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.
104
_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.