XX Simpep Art 646

See discussions, stats, and author proﬁles for this publication at: https://www.researchgate.
net/publication/260595905
CLASSIFICAÇÃO DE CORES DE EMBALAGENS VAZIAS DE DEFENSIVO

AGRÍCOLA USANDO REDES BAYESIANAS
Conference Paper · November 2014
CITATIONS READS
0 252
4 authors:
Eduardo Andrade Joao Da Silva Dias

Universidade Federal do Paraná Universidade Federal do Paraná
1 PUBLICATION 0 CITATIONS 37 PUBLICATIONS 93 CITATIONS
SEE PROFILE SEE PROFILE
Eduardo Parente Ribeiro Gideon V. Leandro

Universidade Federal do Paraná Universidade Federal do Paraná
43 PUBLICATIONS 103 CITATIONS 29 PUBLICATIONS 51 CITATIONS
SEE PROFILE SEE PROFILE
Some of the authors of this publication are also working on these related projects:
FPGA-Based Complex Impedance Measurement Methods View project
Desenvolvimento de sistema capacitivo para detecção da presença de óleo em água View project
All content following this page was uploaded by Eduardo Andrade on 08 March 2014.
The user has requested enhancement of the downloaded ﬁle.

CLASSIFICAÇÃO DE CORES DE EMBALAGENS
VAZIAS DE DEFENSIVO AGRÍCOLA USANDO
REDES BAYESIANAS
EDUARDO DE ANDRADE - eduardo.br.andrade@gmail.com
UNIVERSIDADE FEDERAL DO PARANÁ - UFPR
JOÃO DA SILVA DIAS - joao@joaodias.eng.br

EDUARDO PARENTE RIBEIRO - edu@eletrica.ufpr.br

GIDEON VILLAR LEANDRO - gede@eletrica.ufpr.br

Resumo: O MÉTODO EMPREGADO NA CLASSIFICAÇÃO DA COR DE

EMBALAGENS DE DEFENSIVO AGRÍCOLA CONSISTE NA INSPEÇÃO
VISUAL HUMANA. TODAVIA A QUANTIDADE DE EMBALAGENS
RECEBIDAS MENSALMENTE NAS CENTRAIS DE RECOLHIMENTO E O
SEU GRAU DE TOXICIDADE TORNAM ESSE TRABALHO EXAUSTIVO,
INSALUBRE E SUSCETÍVEL A FALHAS. O PRESENTE TRABALHO
DEMONSTRA QUE ATRAVÉS DA AQUISIÇÃO DE UMA IMAGEM DIGITAL
DA EMBALAGEM É POSSÍVEL REALIZAR A CLASSIFICAÇÃO BASEADA
NA SUA COR. O TRABALHO DE CLASSIFICAÇÃO DE CORES DE
EMBALAGENS DE DEFENSIVO AGRÍCOLA EM UM AMBIENTE
COMPUTACIONAL É UM PROBLEMA DE DIFÍCIL MODELAGEM
DEVIDO PRINCIPALMENTE A QUANTIDADE DE INFORMAÇÕES QUE
DEVEM SER FILTRADAS NA IMAGEM, ÀS VARIAÇÕES DE
LUMINOSIDADE DO AMBIENTE, RUÍDOS QUE PODEM ESTAR
CONTIDOS NA IMAGEM E, ALTA SIMILARIDADE DAS
CARACTERÍSTICAS DE COR DAS EMBALAGENS. PROPÕE-SE NESTE
TRABALHO A UTILIZAÇÃO DO RACIOCÍNIO PROBABILÍSTICO PARA
REALIZAR A CLASSIFICAÇÃO DAS EMBALAGENS ATRAVÉS DE UMA
REDE BAYESIANA. A METODOLOGIA DE AVALIAÇÃO PROPOSTA
ABORDA DESDE A AQUISIÇÃO E PROCESSAMENTO DA IMAGEM ATÉ A
DEFINIÇÃO RESULTADO FINAL. APÓS O PROCESSAMENTO DA
IMAGEM OS DADOS SÃO APRESENTADOS À REDE BAYESIANA QUE
DEVOLVE O RESULTADO. OS RESULTADOS APRESENTADOS NESTE
TRABALHO ESTIMULAM A APLICAÇÃO DE UM SISTEMA
AUTOMATIZADO PARA REALIZAR CLASSIFICAÇÃO DE COR DAS
EMBALAGENS DE DEFENSIVO AGRÍCOLA.
Palavras-chaves: RECONHECIMENTO DE CORES; REDES BAYESIANAS; HSL;

SEPARAÇÃO DE EMBALAGENS.
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
Área: 10 - EDUCAÇÃO EM ENGENHARIA DE PRODUÇÃO

Sub-Área: 10.2 - ESTUDO DO DESENVOLVIMENTO E APLICAÇÃO DA PESQUISA
EM ENG. DE PRODUÇÃO
2
COLOR RECOGNITION OF PESTICIDE PACKAGES

USING BAYESIAN NETWORK
Abstract: HUMAN VISUAL INSPECTION IS THE EMPLOYED METHOD ON THE

COLOR CLASSIFICATION OF PESTICIDE PACKAGES. HOWEVER, THE
PACKAGE AMOUNT RECEIVED MONTHLY BY THE RECYCLING PLANTS
AND THE TOXICITY DEGREE OF THOSE PACKAGES, TURN THIS WORK
INTO AN EXHAUSTTING, UNHEALTHY AND FAILURE SUSCEPTIBLE
PROCESS. THE PRESENT PAPER DEMONSTRATES THAT BY ACQUIRING
A DIGITAL IMAGE OF THE PACKAGE IT IS POSSIBLE TO PERFORM
THE CLASSIFICATION BASED ON ITS COLOR. THE COLOR
CLASSIFICATION OF PESTICIDE PACKAGES IN A COMPUTING
ENVIRONMENT IS A SUBSTANTIAL PROBLEM TO SOLVE, DUE TO
LARGE AMOUNT OF INFORMATION TO BE FILTERED IN THE IMAGE,
AMBIENT LIGHTING VARIATIONS, NOISE THAT MAY BE CONTAINED IN
THE IMAGE AND HIGH SIMILARITY OF THE PACKAGES
CHARACTERISTICS. UNDERSTANDING THAT THE COLOR
CHARACTERISTICS OF EACH IMAGE ARE SHOWN INACCURATELY, IT
IS PROPOSED IN THIS PAPER THE USE OF PROBABILISTIC
REASONING TO PERFORM COLOR SORTING THROUGH A BAYESIAN
NETWORK. THE CLASSIFICATION METHODOLOGY PROPOSED BY THIS
PAPER, DEAL SINCE FROM IMAGE ACQUISITION AND PROCESSING TO
FINAL RESULT ACQUISITION. AFTER IMAGE PROCESSING PROCESS,
THE IMAGE DATA ARE PRESENTED TO A BAYESIAN NETWORK THAT
RETURNS THE RESULT. THE RESULT PRESENTED ON THIS PAPER
ENCOURAGES THE APPLICATION OF AN AUTOMATED SYSTEM TO
PERFORM THE CLASSIFICATION OF PESTICIDE PACKAGES.
Keyword: COLOR RECOGNITION; BAYESIAN NETWORK; HSL; PACKAGE

SEPARATION.
3
1. Introdução
Os processos de fluxo produtivo reverso vêm ganhando cada vez mais atenção no
meio industrial, seja pelos benefícios econômicos obtidos da sua aplicação (MURARO et al.,
2006), seja pelas necessidade de cumprimento de obrigações impostas por leis (BRASIL,
2010). Cria-se então a demanda por soluções na área de logística reversa, que por sua vez
necessitam de métodos e ferramental para serem aplicadas. Esse cenário é atendido pelas
diversas engenharias que podem criar ou aplicar técnicas e ferramentas adequadas a cada
caso. Exemplo disto é o recolhimento de embalagens vazias de defensivo agrícola. O processo
de logística reversa para essas embalagens foi implantado no Brasil na última década e é
referência mundial por sua eficiência. No Paraná, por exemplo, o recolhimento das
embalagens vazias chega a um valor próximo de 98% das vendidas (INPEV, 2013). São
centenas de milhares de embalagens vazias de defensivos agrícolas coletadas mensalmente
por várias centrais de recolhimento em todo o país. Essas embalagens contêm variados tipos
de defensivo e possuem diferentes cores. Cada produtor rural, ou grupo de produtores
associados a uma cooperativa entrega várias embalagens misturadas em um único
carregamento. Para realizar o processo de destinação final das embalagens há a necessidade
de separá-las de forma que possam ser encaminhadas ao processo correspondente ao tipo da
embalagem. Atualmente essa classificação é realizada de forma manual, sendo que, através da
observação da cor, um técnico determina qual é o tipo da embalagem. A demanda crescente
por alimentos e o avanço nas técnicas agrícolas tem impulsionado a utilização de defensivos
agrícolas e por consequência aumentado o volume de embalagens recebidas nas centrais de
recolhimento. Existe também o agravante da embalagem vazia, mesmo lavada, ser um
produto que apresenta riscos à saúde humana e riscos ambientais, portanto quanto mais rápido
for o processo de destinação final menor será o impacto socioambiental (BIGATÃO, 2009).
Apesar de haver um grande crescimento nas pesquisas de sistemas de visão, a
classificação de embalagens de defensivo agrícola ainda é realizada manualmente através de
inspeção visual humana. À primeira vista esse procedimento parece uma tarefa relativamente
fácil, pois o técnico já conhece as cores e possui as faculdades físicas e cognitivas necessárias
para classificá-la. No entanto, devido ao grande volume classificado, esse processo
transforma-se num trabalho exaustivo e repetitivo, o que o torna suscetível a falhas. Um
sistema automatizado que realize essa tarefa pode apresentar resultados melhores que o
processo manual no que se refere à velocidade e precisão na etapa de classificação. Outra
vantagem é que, ao contrário de um técnico humano, um sistema computacional não é afetado
pelas condições insalubres do ambiente onde é realizada a classificação.
Sistemas de segmentação e reconhecimento de objetos em imagens digitais são
pesquisados em diversas áreas do conhecimento e estão cada vez mais presentes no ramo
industrial. Isso se deve, em grande parte, ao fato das ferramentas computacionais terem
evoluído no que tange a sua capacidade de processamento e terem tornado-se
economicamente acessíveis. Há exemplos desse avanço no segmento agroindustrial com a
classificação de frutas (SIMÕES & COSTA, 2003), na área de segurança e reconhecimento de
veículos (BUTZKE et al., 2008), no segmento de reciclagem com a classificação de
embalagens vazias de refrigerante (CONNOLY, 1995) e até mesmo no setor de engenharia
ambiental através dos recursos de sensoriamento remoto (LIMA et al., 2005).
Nas pesquisas relacionadas com reconhecimento de objetos e cores em imagens
digitais existem estudos utilizando variadas ferramentas. Ferramentas capazes de lidar com
incerteza são geralmente as eleitas para realizar processos de classificação, como, por
exemplo, lógica nebulosa (Lógica Fuzzy) (YOUNES et al., 2005; BONVETI & COSTA,
2000), Redes Neurais Artificiais (RNA) (SIMÕES & COSTA, 2003) e Redes Bayesianas
4
(SANTANA, 2005). Neste trabalho o método escolhido foi o raciocínio probabilístico através
das Redes Bayesianas.
As Redes Bayesianas possuem a capacidade de lidar com informações imprecisas.
Elas utilizam o raciocínio probabilístico para determinar o resultado da classificação. Através
da análise dos dados presentes no domínio são definidas tabelas de probabilidades
condicionais que armazenam valores probabilísticos associados aos eventos. Essas tabelas
determinam o grau de crença em um resultado (CHARNIAK, 1991). Diversas aplicações já
utilizam Redes Bayesianas para realizar a representação do conhecimento sobre determinado
domínio e o raciocínio probabilístico como processo de inferência. Podem-se citar, no âmbito
da medicina, trabalhos que auxiliam a tomada de decisão dos profissionais e que realizam
diagnóstico de doenças (SANTANA, 2005; SIMÕES, 2001). Também há trabalhos que
mostram o emprego das Redes Bayesianas como sistemas de classificação (SILVA, 2006).
O presente trabalho apresenta um sistema para a classificação, por cores, de
embalagens de defensivo agrícola utilizando Redes Bayesianas. A opção de um método que
trabalha com incerteza deve-se ao fato das embalagens apresentarem características muito
similares e muitas vezes com ruídos.
Este artigo está organizado da seguinte forma: na seção 2 são apresentados os tipos de
embalagens de defensivo agrícola. A seção 3 descreve a representação de cor no meio
computacional, e a seção 4 trata sobre as Redes Bayesianas. A abordagem proposta é
apresentada na seção 5. Os testes e resultados são descritos na seção 6 e finalmente na seção 7
é apresentada a conclusão deste trabalho.
2. Embalagens de defensivo agrícola

As embalagens de defensivo agrícola são recebidas nas centrais de recolhimento em
carregamentos com diversas embalagens misturadas. Durante o ano de 2012, 37.379 toneladas
de embalagens vazias foram recebidas nas centrais de recolhimento em todo o país (INPEV,
2013). Após a classificação as embalagens são destinadas ao processo de reciclagem onde
podem ser reaproveitadas para produzir novos produtos como, por exemplo, conduítes para
fios elétricos e carrinhos de mão. Para que sejam enviadas ao processo de reciclagem
pertinente há a necessidade de separá-las de acordo com as suas cores.
As cores das embalagens de defensivo agrícola são divididas em sete classes: Amarelo
(AM), Azul (AZ), Verde (VR), Verde Escuro (VE), Branco Leitoso (BL), Branco Natural (BN)
e Cinza (CZ), conforme é mostrado na FIGURA 1.
FIGURA 1 - Tipos de embalagens de defensivo agrícola. Fonte: o próprio autor.
As embalagens das classes: Amarelo, Azul, Verde, Verde Escuro, Branco Leitoso e
5
Cinza são opacas. A embalagem da classe Branco Natural é translúcida.

3. Representação de cores
No âmbito computacional uma imagem digital é normalmente definida como uma
matriz. Em cada posição dessa matriz são armazenadas as informações pertinentes à imagem
e que são chamadas pixels (picture element). Estes possuem vários formatos (UMBAUGH,
2010; TAGLIAFERRO, 2007). Em imagens de tons de cinza a informação armazenada é
relacionada com a intensidade luminosa. Em imagens coloridas a informação armazenada é
sobre a cor que esse pixel representa, e essa é a principal informação utilizada neste trabalho.
Um modelo de representação de cor bastante conhecido é o formato RGB (red, green,
blue). Essa representação é muito difundida no meio computacional, e nela cada pixel da
imagem é representado por três bytes com valores variando entre 0 e 255. Esses valores
representam o brilho para cada canal de cor (vermelho, verde e azul), e através destes três
valores temos a descrição completa de uma cor (UMBAUGH, 2010). Outro modelo de
representação de cor é o modelo HSL (hue, saturation, luminosity, ou tonalidade, saturação,
luminosidade). É uma representação onde o valor de luminosidade não é relacionado com a
informação de cor, e os valores de saturação e tonalidade são relacionados com o processo
pelo qual os seres humanos percebem as cores (LIMA et al., 2005). Na representação HSL, a
componente tonalidade (hue) refere-se ao comprimento de onda mais próximo do observado
em relação à faixa espectral visível pelos humanos. O valor da tonalidade varia de 0° a 360°, e
é representado por um círculo de cores, onde a cada 120° encontra-se uma das cores
primárias, conforme pode ser observado na FIGURA 2. Apenas a componente tonalidade já é
suficiente para definir uma cor, com exceção do branco, preto, e as variações entre os dois,
que são os tons de cinza. A saturação refere-se à pureza da cor, ou a quantidade de luz branca
que está misturada à cor dominante. Juntamente com a componente tonalidade, representa a
característica cromática da cor. A componente luminosidade indica o grau de brilho do pixel,
sem definir a sua cor. Ela representa a quantidade de luz que é refletida ou emitida pelo
objeto. Essa componente define a característica acromática da cor. Juntando as características
cromáticas com as acromáticas tem-se a descrição completa de uma cor (UMBAUGH, 2010).
FIGURA 2 – Representação do modelo HSL. Adaptado de Umbaugh (2010).
A opção pela escolha do modelo HSL neste trabalho baseia-se no fato da

representação HSL ser próxima à percepção humana das cores, facilitando a interpretação dos
valores e pelo fato das variáveis serem condicionalmente independentes. Assim, neste
trabalho, a cor será descrita com base nas três variáveis obtidas no modelo HSL, tonalidade
(H), saturação (S), e luminosidade (L). O próximo passo consiste na inserção destas três
variáveis em uma ferramenta que processe e identifique a cor. Uma das formas de processar
informações com altas taxas de incerteza é utilizando as Redes Bayesianas.
6
4. Redes Bayesianas
Uma Rede Bayesiana constitui um modelo de representação de dependências entre
variáveis de uma distribuição conjunta de probabilidade. Ela é composta por uma parte
qualitativa e uma parte quantitativa. A parte qualitativa designa a composição estrutural da
rede, ou seja, o seu formato gráfico, que é composto por nós que representam variáveis
aleatórias da distribuição e arcos que identificam as relações de dependência causais entre
essas variáveis (SILVA, 2006).
As Redes Bayesianas possuem este nome por utilizarem nos seus cálculos as fórmulas
de probabilidade condicional e probabilidade condicional conjunta do Teorema de Bayes
(4.1).
(4.1)
Na sua porção qualitativa, o grafo formado é dirigido e acíclico (DAG), ou seja, possui
entradas e uma saída (um nó final). Quanto maior o número de variáveis na rede e maior o
número de dependências, mais complexa é a sua estruturação. A composição estrutural da
rede pode ser obtida de duas maneiras: i) inferida por meio da aquisição de um conjunto de
dados representativo do problema abordado ou; ii) definida explicitamente por especialistas
no domínio da aplicação. Na FIGURA 3 é exibida uma Rede Bayesiana que possui 5 nós
(variáveis aleatórias). As setas que ligam as variáveis representam as dependências causais.
FIGURA 3 – Exemplo de uma Rede Bayesiana com 5 nós. Fonte: o próprio autor.
A parte quantitativa refere-se ao conjunto de probabilidades condicionais associadas

aos arcos do modelo gráfico, que identificam as dependências entre as variáveis aleatórias. As
relações entre as variáveis possuem uma intensidade. Essa intensidade é armazenada na
Tabela de Probabilidades Condicionais (TPC). A TPC lista a probabilidade de cada nó filho
em relação à ocorrência de um evento no nó pai. Esses valores de probabilidades são obtidos
através da alimentação da rede com os dados de treinamento disponíveis no domínio ou
alimentados manualmente por um especialista na área. Na avaliação a rede estabelece o grau
de crença em determinado evento com base nas entradas nos nós filhos e nos valores
armazenados na TPC.
Uma Rede Bayesiana pode ser utilizada na classificação dos pixels de uma imagem
digital através da modelagem de sua estrutura gráfica. Existem vários modelos de Redes
Bayesianas com diferentes propósitos, e no presente trabalho, um classificador faz-se
7
necessário. Um modelo de classificador baseado em Redes Bayesianas bastante difundido é o

Naive Bayes. O modelo Naive Bayes define um tipo de rede que considera que as variáveis do
domínio são condicionalmente independentes, ou seja, não possuem relação uma com a outra.
A vantagem desse modelo é a simplicidade de sua estrutura, e o processo de classificação é
muito eficiente (SILVA, 2006). O processo de aprendizagem de uma rede Naive Bayes é
realizado de forma indutiva, ou seja, através da apresentação de um conjunto de dados de
treinamento é realizado o cálculo da probabilidade condicional de cada variável aleatória.
Essa probabilidade condicional fica armazenada na TPC e é utilizada na avaliação de dados.
5. Materiais e Métodos
As ferramentas de hardware necessárias para a execução deste trabalho foram um
computador comum, uma câmera USB e sistema de iluminação composto por duas lâmpadas
fluorescentes comuns de 25 watts. A opção por uma câmera USB para capturar imagem e um
computador para realizar a análise dos dados dá-se pelo fato dessas ferramentas serem
economicamente acessíveis e fornecerem diversas informações sobre o ambiente e a
embalagem, possibilitando a expansão do escopo do projeto.
A classificação de uma embalagem de defensivo agrícola proposta neste trabalho
segue os seguintes passos: i) aquisição e segmentação da imagem, ii) conversão do formato
RGB para o formato HSL, iii) classificação dos pixels através de uma Rede Bayesiana, iv)
classificação da cor da embalagem através da análise do vetor de saída da rede utilizando um
algoritmo de aproximação de vetores. Cada um desses itens será abordado de forma mais
detalhada na sequência:
5.1 Aquisição e segmentação da imagem

A imagem digital da embalagem é obtida através de uma câmera webcam conectada
ao computador através de um barramento USB. Antes, porém, de iniciar o processo de
validação dos pixels da imagem, é necessário realizar a extração da porção relevante da
imagem, ou seja, apenas os pixels que representam o objeto embalagem contido na imagem.
A exclusão da região entendida como o fundo da imagem permite que o sistema trabalhe
apenas com dados relevantes. A segmentação é realizada através de um algoritmo de
subtração de fundo que, neste trabalho, é definido por:
(5.1)
onde: ImEmbalagem = imagem referente a embalagem, sem o fundo; ImFundo = imagem
referente ao fundo obtida no início do processamento; e Im = imagem adquirida da câmera
durante a validação.
Uma desvantagem deste método é que, para realizar a segmentação corretamente, a
cor do fundo deve ser contrastante com a cor das embalagens e manter-se constante durante o
processo de aquisição das imagens. Caso contrário o algoritmo não é capaz de segmentar a
imagem de maneira aceitável. A imagem do fundo deve ser obtida no início da execução do
sistema, ou seja, na fase de calibração.
As embalagens de defensivo agrícola possuem rótulos de papel que estão colados na
sua porção externa. Como essa informação não contribui para o objetivo do trabalho, e
poderia inclusive atrapalhar o processo de classificação, optou-se por eliminar a sua influência
no momento da aquisição da imagem. Portanto optou-se por obter uma imagem do gargalo da
embalagem. Essa imagem é obtida de maneira automática pelo sistema, quando o mesmo
8
detecta que houve uma modificação na imagem. Se um limiar de mudança é atingido o

sistema captura a imagem e realiza o processamento. Esse algoritmo foi desenvolvido para
que, em futura continuidade do trabalho, possa ser utilizada uma esteira.
5.2 Conversão RGB para HSL
Uma imagem digital é normalmente composta por milhares de pixels. Avaliar a
totalidade dos pixels torna-se impraticável e desnecessário, por isso neste trabalho foi
desenvolvido um algoritmo de amostragem, que realiza uma varredura na imagem e carrega
apenas algumas amostras. A amostragem é composta por 1% dos pixels distribuídos por toda
a imagem. Para evitar que o pixel amostrado fosse apenas ruído (data de validade impressa na
embalagem ou sombras), é retirada uma média dos pixels na região amostrada.
Após obter os pixels amostrados da porção relevante da imagem, eles são convertidos
para o formato HSL. O cálculo de conversão utilizado neste trabalho é o descrito em
UMBAUGH (2010).
5.3 Classificação da cor do pixel

Para realizar a classificação das cores dos pixels a ferramenta escolhida foi a Rede
Bayesiana. Tanto a porção qualitativa quanto a quantitativa podem ser aprendidas pela Rede
Bayesiana. Neste trabalho a parte qualitativa já era conhecida e na criação da rede foram
definidos os seguintes nós: Embalagem (nó de saída), Hue, Sat, Lum (FIGURA 4).
Uma vez realizadas a amostragem e conversão de formato, descritas nas seções
anteriores, os pixels selecionados são apresentados à Rede Bayesiana. Cada pixel, agora no
formato HSL, possui as informações: tonalidade (hue), saturação e luminosidade.
As informações são inseridas nos nós pertinentes. A rede processa os dados de entrada
e devolve como resultado o grau de crença em cada uma das classes (tipo de embalagem) no
nó Embalagem (nó de saída), com base na Tabela de Probabilidades Condicionais adquiridas
pela rede no momento do seu treinamento. A classe que obtiver o maior grau de crença será
considerada como resultado. A classificação é realizada para cada pixel amostrado e o
resultado vai sendo armazenado num vetor acumulador. Esse vetor acumulador de resultados
é composto por sete posições que representam cada uma das classes, e armazena a
percentagem de pixels de cada classe na imagem sob análise.
FIGURA 4 - Grafo da rede classificadora da cor dos pixels. Fonte: o próprio autor.
5.4 Classificador de cores

É nesta etapa que o sistema realiza o processo de identificação da cor predominante na
embalagem de defensivo agrícola. Na mesma imagem digital podem ser encontrados pixels
de diversas classes. Por exemplo, numa imagem de uma embalagem cinza, alguns pontos da
imagem podem ficar mais iluminados do que outros, dessa forma poderão ser identificados
como Branco Natural no lugar de Cinza.
9
Um vetor acumulador é o resultado da etapa de classificação das cores dos pixels,

descrita anteriormente. Esse vetor é comparado com os vetores médios de cada classe obtidos
na fase de treinamento. Essa comparação é realizada através de um processo de aproximação
de vetores, utilizando o cálculo de distância euclidiana (5.2):
(5.2)
sendo o vetor contendo as percentagens encontradas em uma
determinada imagem e o vetor médio contendo as percentagens de
quantidade de pixels para uma determinada classe.
Após comparar o vetor da imagem com os vetores de cada classe obtêm-se as
distâncias. O que for menos distante do vetor da imagem define o resultado, ou seja, a classe
que ele representa. Dessa forma obtêm-se a cor predominante na embalagem.
6. Testes e Resultados
Inicialmente realizou-se o processo de aquisição das imagens das embalagens vazias
de defensivo agrícola. Algumas imagens foram selecionadas para realizar o treinamento do
sistema. Com a rede criada e treinada foi possível realizar a etapa de validação.
Posteriormente, optou-se por mensurar a robustez do sistema em relação à condições
luminosas diferentes da do processo de treinamento. Por isso, numa segunda etapa, mais
imagens de embalagens de defensivo agrícola foram obtidas, observando que a condição de
iluminação foi propositalmente modificada. Portanto os procedimentos de testes estão
divididos etapas distintas: i) aquisição das imagens, ii) treinamento da rede e iii) validação
sem variação de luminosidade e iv) validação com variação de luminosidade.
Cada um destes procedimentos é tratado com mais detalhes a seguir:
6.1 Aquisição das imagens

As imagens foram adquiridas através de uma câmera USB (webcam) Microsoft®
LifeCam VX-800. A resolução definida para obter as imagens foi de 320x240 pixels, no
formato RGB. As embalagens foram posicionadas em frente a um fundo negro em condições
de luminosidade de aproximadamente 800 lux.
Foram obtidas 110 imagens de embalagens, sendo estas distribuídas de maneira
variada entre as classes de embalagens existentes. Destas 55 foram adquiridas sob mesmas
condições de iluminação, e delas 33 foram utilizadas para realizar o treinamento da rede. As
outras embalagens foram selecionadas para realizar dois testes. No primeiro 22 imagens sob
mesmas condições de iluminação foram avaliadas e posteriormente a avaliação foi realizada
com outras 55 imagens adquiridas sob condições diferentes de luminosidade.
6.2 Treinamento do sistema

Após o processo de segmentação, descrito na seção 5, as imagens ficaram com uma
resolução média de 170x110 pixels. De cada uma destas imagens digitais obteve-se
aproximadamente 70% de pixels que contém informações pertinentes ao processo de
10
classificação. O restante é imagem do fundo e eliminado no processo de treinamento e

classificação. O número aproximado de pixels utilizado no treinamento foi de 431.970
amostras. Essas informações foram armazenadas em um arquivo texto.
A Rede Bayesiana foi criada através do software Netica®, da Norsys Software Corp.
Através da interface computacional gráfica existente nesse programa a parte qualitativa da
rede foi criada. Posteriormente, nessa mesma interface, foram realizados os procedimentos de
treinamento da rede. O treinamento foi realizado através da apresentação do arquivo texto
contendo as amostras dos pixels das imagens de treinamento.
Após realizar o treinamento da rede, o mesmo arquivo contendo as informações de
treinamento, foi utilizado para gerar o arquivo contendo os vetores típicos de cada classe,
conforme mostra a TABELA 1. Nessa tabela está a média da percentagem de pixels de classes
distintas encontrados numa mesma imagem.
TABELA 1 – Vetores de classificação médios de cada classe em percentagem
AM AZ BL BN CZ VR VE
Amarela 100,00 0,00 0,00 0,00 0,00 0,00 0,00
Azul 0,00 100,00 0,00 0,00 0,00 0,00 0,00
Branca L. 0,00 0,00 64,41 13,59 22,00 0,00 0,00
Branca N. 0,00 0,00 0,00 46,06 53,94 0,00 0,00
Cinza 0,00 0,00 0,00 1,76 97,89 0,00 0,35
Verde 0,00 0,00 0,00 0,00 0,00 99,22 0,78
Verde E. 0,00 1,50 0,00 0,00 0,00 0,00 98,5
Fonte: o próprio autor.
Nem sempre a maior quantidade de pixels em uma determinada cor representa a cor
predominante na embalagem. Na embalagem Amarela, por exemplo, encontrou-se 100% dos
pixels classificados na classe Amarela (AM). Contudo, numa embalagem Branca Natural
existem mais pixels classificados como Cinza (CZ) do que Branco Natural (BN) (TABELA
1). Isso ocorre pelo fato das classes Branco Leitoso (BL), Branco Natural (BN) e Cinza (CZ)
possuírem as características muito próximas uma das outras.
6.3 Testes
As imagens escolhidas para validação foram processadas através de um algoritmo
escrito no programa Matlab®. Os dados dessas imagens são apresentados à Rede Bayesiana,
que retorna um vetor resultado. Esse vetor resultado é comparado à um vetor médio de cada
uma das classes. Utilizando o algoritmo de aproximação de vetores (escrito no programa
Matlab®) são comparados os vetores e então o resultado final é obtido. A aproximação de
vetores é realizada através do cálculo de distância euclidiana, conforme mostrado na equação
(5.2).
6.4. Resultados
6.4.1 Primeira avaliação
Quando as condições de luminosidade da avaliação foram mantidas no mesmo padrão
das condições do treinamento, o acerto foi de 100% para todas as classes de embalagens,
conforme verificado na TABELA 2. No intuito de comparar os resultados do trabalho
proposto com um método já consolidado, foi desenvolvido um algoritmo que utilizava, no
lugar da Rede Bayesiana, uma Rede Neural Artificial para identificar a cor dos pixels. O
treinamento da rede foi realizado através do programa Matlab®, utilizando os valores de
11
treinamento padrão com 6 neurônios na camada oculta. Utilizando a RNA o acerto também
foi de 100%. Ela foi treinada e avaliada com as mesmas imagens utilizadas na Rede
Bayesiana. Testes realizados com um classificador convencional de Distância Euclidiana
mostraram um índice de acerto de apenas 43% na classificação das embalagens.
TABELA 2 - Taxa de acerto para cada classe, na avaliação sem variação nas condições de iluminação.
100% 100% 100% 100% 100% 100% 100%
6.4.2 Segunda avaliação

Buscando avaliar a capacidade do sistema em lidar com diferentes graus de
luminosidade, foram realizados testes com 5 diferentes condições de iluminação, conforme
mostra FIGURA 5, sendo 1 iluminação mais baixa e 5 iluminação mais alta. Nas condições
onde a luminosidade ficou baixa, as embalagens que continham informações cromáticas (AZ)
continuaram sendo corretamente classificadas (FIGURA 5). No entanto, as embalagens que
continham apenas informações acromáticas (BL, BN e CZ) não foram classificadas
corretamente em grande parte (FIGURA 6).
Através da análise da FIGURA 5, observa-se que os valores de saída da etapa de
classificação de pixels mantêm-se estáveis, para uma embalagem da classe Azul (AZ). No
entanto, na FIGURA 6, os valores dos vetores de saída de uma embalagem Branca Leitosa
(BL) não ficam estáveis, interferindo dessa forma no processo de classificação de cores por
aproximação de vetores. Os vetores de saída da etapa de classificação de pixels ficam
demasiadamente distantes do resultado médio. Dessa forma, na etapa de classificação de
cores, o sistema não consegue classificar corretamente a cor predominante.
FIGURA 5 - Estabilidade na resposta da rede para pixels da cor Azul, com base na variação das condições de
iluminação. Fonte: o próprio autor.
FIGURA 6 - Falta de estabilidade na reposta da rede para pixels das cores BL, BN e CZ com base na variação
das condições de iluminação. Fonte: o próprio autor.
Nessas circunstâncias a taxa de acerto geral do sistema caiu para 81.82%. O mesmo
teste realizado com a Rede Neural obteve acerto de 80.30%. A taxa de acerto caiu em especial
para as embalagens das classes Branco Leitoso (BL) e Branco Natural (BN) conforme
TABELA 3.
12
TABELA 3 - Taxa de acerto para cada classe, na avaliação 2 contendo variação nas condições de iluminação.
100,00% 100,00% 66,6% 41,6% 91,66% 100,00% 100,00%
7. Conclusão
Nas condições ideais de iluminação o sistema apresenta resultados positivos e
demonstram que a ferramenta possui a capacidade de realizar a classificação desejada. O
sistema proposto apresenta as seguintes vantagens:
 Modelagem do sistema simplificada, não sendo necessário definir muitos
parâmetros ou regras.
 Rapidez no treinamento, em média 2 minutos para treinar a Rede Bayesiana.
 Facilidade no treinamento e adição de novas classes.
 Classificação realizada em média em 1.77 segundos para cada embalagem.
Nos testes realizados, observou-se que o resultado final é semelhante ao resultado
obtido quando houve o uso das Redes Neurais Artificiais, no entanto o diferencial deste
método é a velocidade do treinamento da rede. Enquanto que para realizar o treinamento da
Rede Neural Artificial o tempo médio gasto foi de 50 minutos, a Rede Bayesiana é treinada
em aproximadamente 2 minutos, proporcionando um ganho computacional bastante elevado.
A Rede Bayesiana também possui a vantagem de conseguir extrair um resultado relevante
mesmo quando nem todos os nós foram preenchidos, possibilitando que a modelagem da rede
classificadora que possa ser refeita e torne o sistema mais rápido.
Apesar do resultado positivo na primeira avaliação, o sistema apresentou uma queda
de desempenho na segunda. Detectou-se que as embalagens que não possuem a característica
tonalidade relevante (Branca Leitosa, Branca Natural e Cinza) mostraram-se bastante
sensíveis às variações das condições de luminosidade. Isso se deve ao fato da cor dessas
embalagens possuírem apenas representação significativa através das componentes Saturação
e Luminosidade.
A luminosidade é diretamente ligada com as condições de iluminação, pois define a
quantidade de luz refletida ou emitida pelo objeto. Portanto, torna-se dependente dessas
condições para manter a sua característica. Essa dependência fica evidenciada nos testes
apresentados na FIGURA 5 e FIGURA 6. Para a embalagem Azul, a diminuição da
intensidade luminosa não afetou a avaliação de forma significativa, pois a componente
tonalidade manteve-se íntegra. Já a embalagem Branca Leitosa, que possui a sua cor (branca)
representada pela saturação e luminosidade, e não possui valor de tonalidade relevante,
acabou sendo interpretada como embalagem Cinza quando as condições de iluminação
encontravam-se mais baixas.
Comparando os resultados do teste 1 com os resultados do teste 2 observou-se que o
sistema é sensível a mudanças de luminosidade.
Dessa forma o sistema apresenta as seguintes desvantagens:
 A aplicabilidade fica restrita a níveis mínimos de luminosidade para poder operar
na sua capacidade ótima.
 Dependência de um fundo contrastante para obter a imagem da embalagem.
Apesar das restrições o sistema apresenta resultados que motivam a aplicabilidade de
um sistema completamente automatizado no segmento de classificação de embalagens vazias
de defensivo agrícola, sendo necessário apenas parametrizar as condições de iluminação
13
durante a aplicação do sistema.
14
Referências
BIGATÃO, D. A. R. Cuidados e Destinação Final de Embalagens, na Utilização de Agrotóxicos por Produtores
Rurais no Município de Itaiporã – MS. Brasília, 2009. 85 f. Dissertação de mestrado em Ciência da Saúde –
Universidade de Brasília.
BONVENTI, Waldemar; COSTA, Anna Helena Reali, Classificação de pixels de imagens coloridas digitais por
lógica nebulosa. Workshop de Computação – WORKCOMP, 2000.
BRASIL. Lei nº 12.305, de 02 de agosto de 2010. Institui a Política Nacional de Resíduos Sólidos; altera a Lei
no 9.605, de 12 de fevereiro de 1998; e dá outras providências. Diário Oficial [da República Federativa do
Brasil], Brasília, DF, P. 2, 03/08/2010.
BUTZKE, M.; SILVA, A.G.; HOUNSELL, M.; PILLON, M.. Automatic Recognition of Vehicle Attributes -
Color Classification and Logo Segmentation. Hífen, Uruguaiana, v. 32, n.62, p. 293-300, 2008.
CHARNIAK, E. Bayesian Networks without Tears. AI Magazine, v. 12, n. 4, p. 50-63, 1991.
CONNOLY, J. W. Color detection and separation method. United States Patent. Patent number: 5.432.545,
1995.
GONZALEZ R.C., WOODS R.E. Digital Image Processing, Addison-Wesley Publishing Co., 1992.
INPEV. Estatísticas. Disponível em:
http://www.inpev.org.br/destino_embalagens/estatisticas/br/teEstatisticas.asp. Acessado em: 24 mar. 2013.
LIMA, D. L., GALO, M. L. B. T., IMAI, N. N. Aplicação do modelo de cores IHS na detecção de plantas
aquáticas imersas. Anais XII Simpósio Brasileiro de Sensoriamento Remoto, Goiânia, Brasil, p. 4115–4122,
2005.
MURARO, C., OLIVEIRA, F., JUNIOR, J., ROBERTO, M., KONISI, P. A Tendência de Utilização de
Embalagens Retornáveis em Indústrias – Um estudo exploratório no Brasil. Jovens Pesquisadores, v. 3, n. 5, p.
39-54, 2006.
SANTANA, A. L. de. Projeto e implementação de um sistema de suporte à decisão para o observatório de
saúde da Amazônia. Belém, 2005. 62 f. Dissertação de mestrado em Engenharia Elétrica – Centro Tecnológico -
Universidade Federal do Pará.
SIMÕES, P. W. T. de A. SACI – Sistema de Apoio na Avaliação de Distúrbios do Crescimento Infantil.
Florianópolis, 2001. 103 f. Dissertação de mestrado em Ciência da Computação – Universidade Federal de Santa
Catarina.
SILVA, R. L. de S. da. Um modelo de redes bayesianas aplicado a sistema de realidade aumentada. Rio de
Janeiro, 2006. 117 f. Tese de doutorado (Engenharia Civil) – Universidade Federal do Rio de Janeiro.
SIMÕES, A. da S.; COSTA, A. H. R. Classificação de laranjas baseada em padrões visuais. VI SBAI, p. 77-81,
2003.
TAGLIAFERRO, F. A. Técnicas de Reconhecimento Automatizado de Padrões Baseados em Imagens Digitais.
Jaguariúna, 2007. 44 f. Trabalho de Graduação em Bacharelado em Ciência da Computação – Faculdade de
Jaguariúna.
UMBAUGH, S. E. Digital Imaging Processing and Analysis: Human and Computer Vision Applications With
CVIPtools. CRC Press. New York, 957p, 2010.
YOUNES, A.; TRUCK, I.; AKDAG, H. Color Image Profiling Using Fuzzy Sets. Turkish Journal of Eletric
Engineering & Computer Sciences, v. 13, n. 3, p. 343-359, 2005.
15
View publication stats

XX Simpep Art 646

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

XX Simpep Art 646

Enviado por

Direitos autorais:

Formatos disponíveis

See discussions, stats, and author proﬁles for this publication at: https://www.researchgate.

CLASSIFICAÇÃO DE CORES DE EMBALAGENS VAZIAS DE DEFENSIVO

Conference Paper · November 2014

Eduardo Andrade Joao Da Silva Dias

SEE PROFILE SEE PROFILE

Eduardo Parente Ribeiro Gideon V. Leandro

SEE PROFILE SEE PROFILE

FPGA-Based Complex Impedance Measurement Methods View project

The user has requested enhancement of the downloaded ﬁle.

JOÃO DA SILVA DIAS - joao@joaodias.eng.br

EDUARDO PARENTE RIBEIRO - edu@eletrica.ufpr.br

GIDEON VILLAR LEANDRO - gede@eletrica.ufpr.br

Resumo: O MÉTODO EMPREGADO NA CLASSIFICAÇÃO DA COR DE

Palavras-chaves: RECONHECIMENTO DE CORES; REDES BAYESIANAS; HSL;

Área: 10 - EDUCAÇÃO EM ENGENHARIA DE PRODUÇÃO

COLOR RECOGNITION OF PESTICIDE PACKAGES

Abstract: HUMAN VISUAL INSPECTION IS THE EMPLOYED METHOD ON THE

Keyword: COLOR RECOGNITION; BAYESIAN NETWORK; HSL; PACKAGE

2. Embalagens de defensivo agrícola

FIGURA 1 - Tipos de embalagens de defensivo agrícola. Fonte: o próprio autor.

Cinza são opacas. A embalagem da classe Branco Natural é translúcida.

FIGURA 2 – Representação do modelo HSL. Adaptado de Umbaugh (2010).

A opção pela escolha do modelo HSL neste trabalho baseia-se no fato da

A parte quantitativa refere-se ao conjunto de probabilidades condicionais associadas

necessário. Um modelo de classificador baseado em Redes Bayesianas bastante difundido é o

5.1 Aquisição e segmentação da imagem

detecta que houve uma modificação na imagem. Se um limiar de mudança é atingido o

5.3 Classificação da cor do pixel

5.4 Classificador de cores

Um vetor acumulador é o resultado da etapa de classificação das cores dos pixels,

6.1 Aquisição das imagens

6.2 Treinamento do sistema

classificação. O restante é imagem do fundo e eliminado no processo de treinamento e

6.4.2 Segunda avaliação

durante a aplicação do sistema.

View publication stats

Você também pode gostar