93

Avaliao de Mtodos de Extrao de Caractersticas para

Inspeo Automtica de Laranjas Destinadas Produo de
Suco Utilizando Classificadores No Paramtricos
Rodrigo C. S. Costa 1 , Antonio C. S. Barros 1 , Frederico R. Maciel 1 ,
Auzuir R. de Alexandria2 , G. L. B. Ramalho 3
1

Universidade Federal do Cear - UFC

Laboratrio de Engenharia de Sistemas de Computao - LESC
Campus do PICI S/N, Bloco 725, Cx.Postal 6015, CEP. 60455-970, Fortaleza - CE
2

Instituto Federal de Educao, Cincia e Tecnologia do Cear - IFCE

Av. Treze de Maio, 2081, CEP 60040-531, Fortaleza - CE

Instituto Federal de Educao, Cincia e Tecnologia do Cear - UNED Maracana

Av. Contorno Norte, 10, CEP 61925-315, Maracanau, CE

{carlos,fred,rodcosta}@lesc.ufc.br, {auzuir, gramalho}@ifce.edu.br

Resumo. Muitas aplicaes utilizando Viso Artificial tm sido desenvolvidas

para a agro-indstria. A classificao de frutas uma operao essencial
depois da colheita, sendo um dos fatores mais importantes para a qualidade
de produtos alimentcios. Este trabalho prope a avaliao da extrao
de caractersticas geomtricas e texturais (mtodos estatsticos e baseados
em transformada Wavelet) para seleo de frutas. As caractersticas so
avaliadas utilizando classificadores no paramtricos (redes neurais e k-NN).
Os resultados mostram que as caractersticas so bastante discriminativas e
permitem a separao das frutas. Os melhores resultados para a anlise do
teor de acidez so obtidos atravs das caractersticas de forma e texturais da
Transformada Wavelet Db2 e para o teor de dulcilidade atravs da forma e
textura estatstica.

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

como massa, tamanho, cor e forma. Porm, suas caractersticas internas no so

consideradas durante a etapa de classificao (Kondo et al., 2000).
A seleo automtica de frutas atravs de Viso Artificial pode melhorar a
qualidade do produto final, reduzir inconsistncias na inspeo manual e reduzir a
dependncia da mo de obra, sendo muito utilizada para a extrao de caractersticas
externas dos frutos (Laykin et al., 2002).
Muitos fazendeiros so capazes de identificar as laranjas doces, pela sua
experincia no manejo. Geralmente, a laranja doce tem uma colorao amarelada,
tamanho mdio e superfcie lisa. Contudo esse critrio varia de acordo com a experincia
de cada produtor e localizao geogrfica (Kondo et al., 2000).
O sistema de Viso Artificial proposto por Ramalho (2003) executa uma seqncia
de tcnicas de Processamento Digital de Imagens, incluindo desde a aquisio das
imagens at a determinao da laranja adequada produo de suco.
Neste sistema, as imagens so inicialmente processadas utilizando operaes de
realce e segmentao, separando a laranja da cena. A partir da imagem da laranja so
extrados a cor, tamanho (dimetros polar e equatorial), rea, forma e textura. Este
mtodo, extrai as caractersticas texturais baseadas na quantidade de bordas detectadas
atravs do filtro de Sobel (Ramalho, 2003).
Este trabalho prope a avaliao da extrao de caractersticas texturais baseada na
Transformada Wavelet em termos da capacidade de classificao automtica de laranjas
destinadas a produo de suco. Fundamentos tericos das tcnicas de avaliao de textura
de imagens digitais so apresentados na Seo 2. A metodologia proposta descrita na
Seo 3. Na Seo 4 so descritos os resultados experimentais e na seo 5, a concluso
e as perspectivas futuras.

2. Extrao de Caractersticas Texturais

A textura uma importante caracterstica na percepo visual de imagens naturais. A
textura contm informaes importantes, geralmente utilizada pelo ser humano para a
interpretao e anlise de vrios tipos de imagens, podendo ser interpretada como relaes
espaciais e arranjos de elementos bsicos de uma imagem (Christodoulou et al., 2003).
Dentro da comunidade cientfica de processamento de imagens, a caracterstica
de textura utilizada para indicar propriedades intrnsecas de superfcies ou regies,
especialmente para aquelas que no possuem uma variao suave de intensidade (Livens,
1998).
Na literatura (Haralick, 1972; Wouwer, 1998; Livens, 1998) so encontrados
diversos sistemas de Viso Artificial que utilizam a textura para fornecer informaes
importantes, tendo em vista a identificao de superfcies ou objetos em diferentes tipos
de imagens.
Os mtodos para extrair textura so diversos, refletindo em diferentes conceitos
originados nas reas de aplicao dos mesmos. Existem vrios mtodos de anlise
textural, podendo ser classificados (Castellano et al., 2004; Livens, 1998) como:
estatsticos: so aqueles em que adquirem-se informaes texturais a partir da
distribuio e relacionamentos dos pixels da imagem. Estes mtodos normalmente

_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.

95

conseguem maiores taxas de discriminao do que os mtodos estruturais e das

transformaes. Exemplos desse tipo de mtodo so a anlise do histograma
(Pratt, 2002), matriz de co-ocorrncia (Haralick et al., 1973) e o espectro de
textura (He. e Wang, 1990);
estruturais: neste grupo de mtodos, a textura definida como uma composio
de texturas primitivas dispostas de acordo com algumas regras sintticas. Sua
vantagem produzir uma boa descrio simblica da imagem, porm mais til
para formar a imagem (sntese) do que realizar anlise. Um exemplo de ferramenta
para anlise estrutural a morfologia matemtica (Soille, 2003);
transformaes: este mtodo representa a imagem em um novo espao, como,
por exemplo, os espaos de freqncia e escala, em que as caractersticas texturais
se tornam mais acessveis. Exemplos disso so os mtodos espectrais, em que a
informao da distribuio espacial de freqncia se torna clara nas transformadas
de imagens atravs de Fourier, Gabor e Wavelet.
Neste trabalho, so investigados trs mtodos de extrao das caractersticas
texturais para seleo automtica da qualidade das laranjas. O primeiro mtodo, proposto
por Ramalho (2003), utiliza o filtro de Sobel. O segundo, utiliza as estatsticas de primeira
e segunda ordem, baseado na repetio de pares de pixels proposto por Haralick et al.
(1973). O terceiro mtodo baseado na Transformada Wavelet proposto por Livens
(1998).
2.1. Mtodo Estatstico
A extrao de medidas texturais atravs de mtodos estatsticos procura enfatizar a textura
de acordo com a aspereza e suavidade da regio. As caractersticas estatsticas mais
utilizadas so extradas a partir da matriz de dependncia espacial do nvel de cinza (Chen,
1995), tambm conhecida como estatstica de segunda ordem. Este mtodo constri a
funo de probabilidade da ocorrncia de pares de tons cinza, extraindo caractersticas
como contraste, energia e entropia.
2.1.1. Estatsticas de Primeira Ordem
As estatsticas de primeira ordem so computadas a partir do histograma da imagem em
nveis de cinza, definido como:
h(i) =

ni
;
N

i = 0, 1, . . . , I 1,

(1)

em que N o nmero de pixels da imagem; I o nmero de nveis de cinza da imagem e

ni o nmero de pixels de intensidade i presentes na imagem.
A partir do histograma, os conjuntos de parmetros que compem as estatsticas
de primeira ordem so a mdia (Sm ), desvio padro (Sd ), coeficiente de assimetria (SS ),
coeficiente de agudeza (SK ), entropia(SEnt) e energia (SE ) (Bevk e Kononenko, 2002),
dadas por:
Sm = m = x =

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)

h (x) log2 [h (x)].

(7)

SE =

x=1

SEnt =

I
!

x=1

2.1.2. Estatsticas de Segunda Ordem

Este mtodo caracteriza a textura de acordo com a co-ocorrncia de pares de pixels
(Haralick, 1972). As estatsticas de segunda ordem so calculadas a partir da funo
de probabilidade que estima a freqncia de repetio de um par de pixels com nveis de
cinza i e j separados por um vetor de distncia d. Esta funo de probabilidade tambm
definida como matriz de co-ocorrncia, devido ao fato dela medir a probabilidade da
co-ocorrncia de dois pares de pixels na imagem.
Geralmente, as matrizes de co-ocorrncia so computadas para um nmero finito
de orientaes (intervalos de 45o ). A matriz de co-ocorrncia definida como:

P (i, j|d, ) =

%
%
%

%
%
%
%
%

%
%

I (k, l) = i, I(m, n) = j
(k, l) e (m, n) M N

[#u (k, l) , #v (m, n)] ;

d = d! = (d cos , d sin )

v =
u + d
(M dx) (N dy)

%
%

%%
%
%

%%

(8)

em que i e j so, respectivamente, a intensidade de dois pixels localizados em (k, l) e

(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) =

P (i, j|d, ) + P (i, j|d, )"

.
2

(9)

As estatsticas de segunda ordem so extradas da matriz que contm a mdia de

quatro matrizes para orientaes entre 0, 45, 90 e 135o , obtidas atravs da Equao 9,
ou seja:
S=

S0 + S45 + S90 + S135

.
4

_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.

(10)

97

A maior parte das caractersticas estatsticas so baseadas na soma ponderada dos

elementos da matriz de co-ocorrncia. As caractersticas estatsticas podem ser divididas
de acordo com os pesos utilizados para ponderao dos elementos (S(i, j)) da matriz de
co-ocorrncia. H trs tipos fundamentais de caractersticas: contraste, regularidade e
estatstica descritiva(Bevk e Kononenko, 2002). As caratersticas de contraste extradas
neste trabalho so o contraste (C) e a homogeneidade (H), dados respectivamente por:
C=

(i j)2 S (i, j),

(11)

S (i, j)
.
1 + (i j)2

(12)

ij

H=

!
ij

Dentre as caractersticas de regularidade, neste trabalho so extradas a energia (En), a

mxima probabilidade (MAX) e a entropia (Ent), dados respectivamente por:
En =

S (i, j)2 ,

(13)

ij

MAX = max (S (i, j)) ,

Ent =

(14)

S (i, j) log2 (S (i, j)).

(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

em que i e j so as mdias de S(i, j), i e j so as varincias de S(i, j), dadas

respectivamente por:
i =

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

2.2. Mtodo de Transformao Utilizando Wavelets

Segundo Livens et al. (1996), um importante aspecto da textura o nvel de detalhes, ou
seja, a escala. Estudos psicovisuais indicam que o sistema de viso humano processa uma
imagem em mltiplas escalas. O crtex visual tem clulas especializadas que respondem
a diferentes freqncias e orientaes.
A decomposio Wavelet separa as informaes diferentemente em cada escala.
Em seu trabalho, Livens (1998) props um conjunto de caractersticas invariante rotao
e o conjunto extrado dos coeficientes Wavelets. Na escala j, a energia (Ei (j, m, n) =
Wi (j, m, n)2 ) associada ao coeficiente de detalhe pode ser interpretada como a energia
em cada direo. A informao da orientao pode ser simplesmente removida pela
adio das trs energias em cada escala.
Etot (j, m, n) = EH (j, m, n) + EV (j, m, n) + ED (j, m, n) ,

(23)

alm desta caracterstica, a medida de anisotropia da energia calculada atravs de:

Orian (j, m, n) =

.
1
ET ot ,
Etot (j, m, n)

(24)

em que, ET ot dada por:

/

ET ot = EH EV

02

+ EH ED

02

+ EV ED

02

(25)

em que o termo (j, m, n) foram suprimidos na Equao 25 para fins de simplificao.

Etot (j, m, n) representa a energia total por pixel, e Orian (j, m, n) a anisotropia
da energia por pixel. Somando a informao de cada pixel, obtm-se, as Equaes 26 e
27:
N
M !
1 !
Etot (j) =
Etot (j, m, n) e
(26)
MN m=1 n=1
N
M !
1 !
Orian(i) =
Orian (j, m, n),
MN m=1 n=1

(27)

conhecidas como a energia e a anisotropia na escala (j), respectivamente.

O vetor de caractersticas texturais extrados por este mtodo consiste na energia
(E) do coeficiente de aproximao do ltimo nvel de decomposio (n), a energia
(Etot(1), Etot(2), . . . , Etot(n)) e anisotropia (Orian(1), Orian(2), . . ., Orian(n))
em todos os nveis da decomposio Wavelet. Assim sendo, para a transformada
Wavelet padro, o vetor de caracterstica formado possui 2d + 1 caractersticas, j para a
decomposio compacta (pacote) formado um vetor com 2d caractersticas.
2.3. Mtodo Proposto por Ramalho (2003)
Na Figura 1, so exibidas duas imagens de laranjas, classificadas manualmente por
Ramalho (2003) como rugosa (Figura 1(a)) e lisa (Figura 1(c)) atravs do toque na
superfcie da laranja.
A extrao de caractersticas atravs do filtro de Sobel (Gonzalez e Woods, 2002)
apresentada nas Figuras 1(b) e 1(d). Segundo Ramalho (2003), percebe-se que o

_______________________________________________
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

Figura 1. Exemplos de laranja (a) rugosa e (c) lisa e resultado da aplicao do

filtro de Sobel na laranja (b) rugosa e (d) lisa (Ramalho, 2003).

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)

Em que R e R so, respectivamente, a mdia e o desvio padro do nmero de pixels

detectados pelo filtro de Sobel de todas as amostras utilizadas neste trabalho (Ramalho,
2003).

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)

Figura 2. Imagens utilizadas para o teste dos algoritmos propostos.

Tabela 1. Testes para avaliao do desempenho dos mtodos de extrao de

caractersticas utilizados neste trabalho.

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

Na Tabela 1, o conjunto de caractersticas rotulado como Forma consiste na

extrao de quatro caractersticas da imagem: o tamanho (em nmero de pixels) do
dimetros polar e equatorial, o tamanho da laranja (rotulada como pequena, mdia ou
grande), a forma da laranja (rotulada como alongada ou redonda) e cor (rotulada como
verde, verde-amarelada ou amarelada).
O conjunto de caractersticas rotulado como Sobel consiste na rotulao da laranja
como lisa, levemente rugosa ou rugosa em funo do nmero de pixels detectados a partir
do mtodo proposto por Ramalho (2003). O conjunto de caractersticas rotulado como
1a ordem consiste na extrao das seis caractersticas estatsticas de primeira ordem
descritas pelas Equaes 2 7.
O conjunto de caractersticas rotulado como 2a Ordem consiste na extrao das
dez caractersticas estatsticas de segunda ordem descritas pelas Equaes 11 20. O
conjunto rotulado como estatstico consiste na unio das caractersticas estatsticas de
primeira e segunda ordem.
Para verificao do desempenho das caractersticas texturais baseadas em
Wavelets, dois tipos de funes de base so utilizadas, a funo Daubechies tap2 (db2),
tambm conhecida como Wavelet Haar (Gonzalez e Woods, 2002) e a funo Daubechies
tap6 (db6) (Daubechies, 1988), formando, respectivamente os conjuntos de caractersticas
Db2 e Db6.
As amostras so classificadas utilizando-se duas tcnicas diferentes de
classificadores no-paramtricos supervisionados:
kNN (k-Nearest Neighbour)
(Michie e Spiegelhalter, 1994) e a MLP (Multi-Layer Perceptron) (Haykin, 1999).
Na MLP foi utilizada a arquitetura de 3 camadas, com 5 neurnios na camada escondida,
treinada atravs do algoritmo backpropagation com taxa de aprendizagem 0,5 durante
500 pocas.
Em todos os testes de classificao so escolhidas aleatoriamente 70% das
amostras para a fase de treinamento e os 30% restantes para a fase de testes.

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

Tabela 2. Taxa de acerto da classificao automtica do teor de acidez.

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%

primeira e segunda ordem, os resultados de classificao so prximos para ambos os

classificadores.
Ao unir esses espaos caractersticos, a taxa de acerto do k-NN diminuiu e ao unir
as caractersticas desses dois mtodos com a anlise de forma, a taxa de acerto cai mais
ainda. Isso mostra este classificador muito influenciado negativamente pelo grande
nmero de caractersticas. J na MLP, ocorre o contrrio, ao unir as caractersticas de
forma e as caractersticas estatsticas aumentou uma pequena melhora na taxa de acerto.
Isto mostra que a MLP possui uma menor influncia quanto ao nmero de caractersticas
utilizados.
Em termos da extrao de caractersticas adquiridas baseadas em Wavelet, as
extradas pela Db6 possuem pior desempenho que as obtidas pela Db2. Alm disso, em
todos os testes realizados, as caractersticas extradas pela Db2, isoladamente, possuem o
melhor resultado e a sua unio com as caractersticas de forma resulta em uma melhoria
sutil das taxas de acerto.
Os resultados da classificao automtica do teor de dulcilidade apresentado na
Tabela 3.
Em termos de dulcilidade, observa-se que os resultados em todos os testes
utilizando apenas um mtodo de extrao de caracterstica so similares anlise de
acidez. De todos os mtodos estudados, as caractersticas texturais estatsticas possuem
o melhor desempenho, se mostrando como a caracterstica importante para a anlise de
dulcilidade.
Diferentemente da outra anlise, as caractersticas extradas pela Db6 possuem
melhor desempenho que as obtidas pela Db2.
Alm disso, ao aumentar a
dimensionalidade do espao caracterstico, combinando a Db6 com outros mtodos, a
taxa de acerto no diminui.

_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.

103

Tabela 3. Taxa de acerto da classificao automtica do teor de dulcilidade.

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

G. Castellano, L. Bonilha, L. M. Li, e F. Cendes. Texture analysis of medical images.

Clinical Radiology, 59(12):10611069, Dez. 2004.
Y. Q. Chen. A Novel Techniques for Image Texture Classification. Doutorado,
Departamento de Eletrnica e Cincia da Computao, Universidade de Shouthampton,
Mar. 1995.
Y.-R. Chen, K. Chao, e M. S. Kim. Machine vision technology for agricultural
applications. Computers and Electronics in Agriculture, 36(2 3):173191, Nov. 2002.
C. I. Christodoulou, S. C. Michaelides, e C. S. Pattichis. Multifeature texture analysis for
the classification of clouds in satellite imagery,. IEEE Transactions on Geoscience and
Remote Sensing, 41(11):26622668, Nov. 2003.
R. C. S. Costa. Inspeo automtica de laranjas destinadas produo de suco utilizando
tcnicas de processamento digital de imagens. 96f. Monografia (Trabalho de Concluso
de Curso), Centro Federal de Educao Tecnolgica, Fortaleza, set. 2006.
I. Daubechies. Orthonormal bases of compactly supported wavelets. Comm. Pure Appl.
Math., 41(7):909996, Mar. 1988.
R.C. Gonzalez e R.E Woods. Digital Image Processing. Prentice Hall, New York, 2002.
R. M. Haralick. Computer and Robot Vision. Addison-Wesley, New York, 1972.
R. M. Haralick, K. Shanmugam, e I. Dinstein. Textural features for image classification.
IEEE Transactions on Systems, Man, and Cybernetics, 3(6):610 621, Nov. 1973.
S. Haykin. Redes Neurais: Princpios e Prtica. Bookman, Porto Alegre, 2a edio
edition, Julho 1999.
D.-C. He. e Li Wang. Texture feature extraction from texture spectrum. In Proceedings
of the International Geoscience and Remote Sensing Symposium, pages 1987 1990,
Whasington DC, may 1990. IEEE.
N. Kondo, U. Ahmad, M. Monta, e H. Murase. Machine vision based quality evaluation of
iyokan orange fruit using neural networks. Computers and Electronics in Agriculture,
29(1-2):135147, Oct. 2000.
S. Laykin, V. Alchanatis, E. Fallik, e Y. Edan. Image processing algorithms for tomato
classification. Transactions of American Society of Agricultural Engineeres, 45(3):
851858, 2002.
S. Livens. Image Analysis for Material Characterization. Doutorado, Departmento de
Fsica, Universidade of Antwerpia, Blgica, 1998.
S. Livens, P. Scheunders, G. V. Wouwer, D. V. Dyek, H. Smets, J. Winkelmans,
e W. Bogaerts. A texture analysis approach to corrosion image classification.
Microscopy, Microanalysis, Microstructures, 8(2):5772, 1996.
D. Michie e D. J Spiegelhalter. Machine Learning, Neural and Statistical Classification.
Prentice Hall, Nova Iorque, Julho 1994.
W. K. Pratt. Digital Image Processing. John Wiley & Sons, New York, 2nd edition, 2002.
G. B. Ramalho. Descrio de um sistema experimental de viso artificial aplicado
inspeo automtica de frutas ps-colheita. 113f. Monografia (Lato Sensu),
Universidade Estadual do Cear, Fortaleza, 2003.
P. Soille. Morphological Image analysis. Principles and aplications. Springer, Alemanha,
2003.
G. V. Wouwer. Wavelets for Multiscale Texture Analysis. Doutorado, Departmento de
Fsica, Universidade of Antwerpia, Blgica, 1998.

_______________________________________________
Grahl, E. A; Reis, D. S. (Eds.). Anais do XVIII Seminrio de
Computao, Blumenau, 9-10 de dezembro, 2009.