Escolar Documentos
Profissional Documentos
Cultura Documentos
net/publication/260595905
CITATIONS READS
0 252
4 authors:
Some of the authors of this publication are also working on these related projects:
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.
2
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
3
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
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
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
(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.
As embalagens das classes: Amarelo, Azul, Verde, Verde Escuro, Branco Leitoso e
5
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
6
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
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.
7
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
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:
8
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
FIGURA 4 - Grafo da rede classificadora da cor dos pixels. Fonte: o próprio autor.
9
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
(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:
10
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
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
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
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.
AM AZ BL BN CZ VR VE
100% 100% 100% 100% 100% 100% 100%
Fonte: o próprio autor.
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
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
TABELA 3 - Taxa de acerto para cada classe, na avaliação 2 contendo variação nas condições de iluminação.
AM AZ BL BN CZ VR VE
100,00% 100,00% 66,6% 41,6% 91,66% 100,00% 100,00%
Fonte: o próprio autor.
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
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
14
XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Engenharia De Produção & Objetivos De Desenvolvimento Do Milênio
Bauru, SP, Brasil, 4 a 6 de novembro de 2013
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