Você está na página 1de 12

SISTEMAS DE VISÃO COMPUTACIONAL APLICADAS EM PRODUÇÃO

AGROPECUÁRIA E AGROINDÚSTRIAL: UMA ABORDAGEM TEÓRICA

Arnaldo Ibanhe Mongelo1, Marcilio Alleoni Marson1 e Marcio Aoqui1

Mestrado em Biotecnologia, Universidade Católica Dom Bosco-UCDB, Campo Grande-MS.


aimongelo@yahoo.com.br; almarson@hotmail.com; NIKKENOBJETIVO@hotmail.com

Resumo: As novas tecnologias de visão computacional e processamento de imagens têm sido


utilizadas com sucesso em muitas aplicações relevantes. As matérias primas agroalimentares,
sejam de origem animal ou vegetal as quais podem ser de ordem física, química, ou biológica.
Além destas, outros agentes como o ar, a luz e o calor podem promover alterações de cor,
aparência e sabor dos alimentos. As tarefas de visão computacional incentivam uma
significativa parte da pesquisa em todas as áreas científicas e industriais, entre as quais, cita-
se a área voltada para o complexo agroindustrial. O principal objetivo deste trabalho é mostrar
as técnicas e tecnologias disponíveis da área de visão computacional que podem ser
empregadas desde o cultivo até o processamento de produtos agrícolas.

Palavras-chave: visão computacional, agroindústria, agrícola.

Abstract: The new technologies of computer vision and image processing have been used
successfully in many relevant applications. The agri-food raw materials, whether of animal or
vegetable origin which may be physical, chemical, or biological. Besides these, other agents
such as air, light and heat can cause changes in color, appearance and flavor of computer
vision tasks food. As encourage a significant part of research in all areas of science and
industry, among them, cite if the area dedicated to the agricultural complex. The main
objective is to show the techniques and technologies available in the area of computer vision
that can be employed from cultivation to processing agricultural products.

Keywords: computer vision, agribusiness, agriculture.

1 INTRODUÇÃO
O sentido da visão pode ser considerado o meio eficiente que o ser humano dispõe
para captar as informações originadas no ambiente que o cerca. A utilização da imagem na
forma digital torna possível o seu processamento computacional aumentando sua qualidade. A
visão computacional pode ser descrita como um complemento da visão biológica. Nesse
contexto, a visão computacional estuda e descreve sistemas de visão artificial implementados
por hardware ou software.
As novas tecnologias de visão computacional e processamento de imagens têm sido
utilizadas com sucesso em muitas aplicações relevantes, principalmente nas áreas da
astronomia, medicina, análise de impressões digitais, sensoriamento remoto, multimídia,
entretenimento, reconhecimento de assinaturas, manufatura, robótica de manipuladores,
robótica móvel, sistemas produtivos, entre outras
A produção agropecuária é uma atividade desenvolvida no espaço rural, em áreas que
se encontram ocupadas pelo setor primário da economia no qual destaca-se a agricultura, a
pecuária e as atividades extrativistas. A produção agropecuária tem como objetivo destinar
seus produtos, tais como grãos, frutas, verduras e também carne, leite, ovos dentre outros,
para abastecer o mercado interno e o mercado externo, além de matérias-primas destinadas a
agroindústria. Já o termo agroindústria é toda relação comercial e industrial envolvendo a
cadeia produtiva agrícola ou pecuária.
As matérias primas agroalimentares, sejam de origem animal ou vegetal, e os pescados
são susceptíveis a alterações, as quais podem ser de ordem física, química, ou biológica. Além
destas, outros agentes como o ar, a luz e o calor podem promover alterações de cor, aparência
e sabor dos alimentos.
Este artigo apresenta um referencial teórico das diversas possibilidades da aplicação
da visão computacional nos diversos estágios do complexo agroindustrial, assim como as
potencialidades nos recursos oferecidos pela visão por computador.
O artigo é organizado da seguinte forma: Na seção 2 são apresentadas características
de sistemas de visão e na seção 3, algumas das aplicações do sistema em diversos estágios.

2 Características dos Sistemas de Visão Computacional


O sentido da visão pode ser considerado o meio mais eficiente que o ser humano
dispõe para captar as informações originadas no ambiente que o cerca. Algumas aplicações de
imagens e alguns tipos de imagens requerem uma interação visual bastante intensa. A
capacidade humana para processar e interpretar quantidades imensas de dados de natureza
visual motiva o desenvolvimento de técnicas e dispositivos, de modo a estender esta sua
capacidade e sensibilidade ainda mais. O conhecimento de como reage o sistema visual
humano e de algumas técnicas disponíveis para melhor adequar a imagem à aplicação são
importantes para poder explorar mais eficientemente os recursos de processamento de
imagens. A utilização da imagem na forma digital torna possível o seu processamento
computacional, aumentando dessa forma a sua qualidade.
O objetivo da visão computacional é automatizar a tomada de decisões úteis sobre
objetos físicos e cenas reais com base em imagens detectadas. (SHAPIRO e STOCKAMN,
2001). Segundo Yang e Gillies (2008), visão é exatamente o oposto da computação gráfica.
Os processos em computação gráfica iniciam com uma descrição funcional, e terminam com
uma imagem de representação. Neste caso, a imagem possui as informações completas, assim,
a maior parte dos problemas é de natureza algorítmica. Na visão não se tem a informação
completa. Conseqüentemente, devemos usar o domínio especifico de conhecimento,
suposições ou heurísticas para alcançar o objetivo.
Para determinados problemas, todas as etapas da visão computacional são aplicadas
em seqüências, porém essa não é uma regra para cada tipo de aplicação. Embora os conceitos
mencionados em seguida estejam apresentados em seqüências e relacionados, eles são
independentes.
De acordo com o apresentado em WEEKS (1996), uma seqüência de ações para
aquisição e processamento de uma imagem pode ser expressa conforme a representação
genérica da Figura 1, onde são representadas as principais operações realizadas no tratamento
de uma imagem.

Figura 1: Seqüência de Ações para Aquisição e Processamento de uma imagem.

A seguir apresenta-se uma descrição destes conceitos:


a) Aquisição da Imagem: No procedimento de aquisição da imagem, existem dois
elementos relevantes que fazem parte de um sistema de visão computacional. O
primeiro se refere aos equipamentos que compõem o ambiente (hardware), tais como
câmeras, computadores e sistemas de iluminação. E o segundo elemento é o programa
(software) que processa as imagens e gerencia as ações a serem realizadas. Um
sistema de aquisição de imagem consiste usualmente de uma câmera CCD (Charge
Coupled Device) (WEEKS, 1996; RUSS, 1995), um monitor de vídeo e a placa
digitalizadora de vídeo (ORTH, 1998)
b) Pré-Processamento: Depois de digitalizar e armazenar a imagem em um computador,
as técnicas de pré-processamento são usadas para aprimorar a qualidade de uma
imagem, corrigindo iluminação, contraste, distorções e nitidez (RUSS,1995).
c) Segmentação: é a transformação da imagem em uma escala reduzida de informações .
A idéia utilizada na segmentação (thresholding) é dividir a imagem em regiões que
correspondem a unidades estruturais da cena (RUSS, 1995; RUDEK, 1999; LIU,
2000), ou que distinguem os objetos de interesse (RUSS, 1995), separando os objetos
da imagem (foreground) das informações de fundo da imagem (background).
d) Identificação de Objetos: A identificação e extração de objetos de imagens são
necessárias em muitos casos. Devido a uma variedade de razões, os dados de imagens
usados na entrada de um sistema de visão, nem sempre são perfeitos. Os problemas
que freqüentemente ocorrem estão relacionados com a oclusão, onde um objeto pode
estar parcialmente escondido atrás de outro objeto, ou dois.
e) Reconhecimento de Padrões: O processamento da imagem é realizado por ambientes
computacionais que conseguem operar com as informações obtidas das imagens. A
extração de atributos, a exemplo da detecção de borda (LIU, 2000; WONG, 2000),
constitui-se numa operação que permite definir quais elementos dos objetos nas
imagens e podem ser separados de outros objetos presentes na mesma imagem.

3 Aplicação do sistema
3.1 Identificação da mancha preta em citros
A mancha preta dos citros (Citrus spp.) (MPC), cujo agente causal é o fungo Guignardia
citricarpa Kiely, foi relatada pela primeira vez em pomares comerciais no Estado de São
Paulo em 1992, na região de Limeira (Goes e Feichtenberger, 1993). Os sintomas ocasionados
pela doença depreciam os frutos para a comercialização in natura no mercado interno, assim
como restringem as exportações (Aguilar-Vildoso et al., 2002). A MPC também causa a
queda prematura dos frutos (Timmer, 1999), podendo levar a reduções de até 80% na
produção (Klotz, 1978).
De acordo com Goes (2002), a doença é disseminada por dois tipos de esporos do fungo:
os assexuais (conídios), que se desenvolvem nos frutos, nos ramos e nas folhas fixadas à
planta, e os sexuais (ascósporos), que se desenvolvem nas folhas em decomposição no solo.
Eles infectam frutos da mesma planta ou plantas vizinhas, no entanto, os ascósporos também
podem infectar plantas de outros pomares, porque podem ser disseminados a quilômetros de
distância pelo vento.
A rápida detecção e identificação da doença são fatores de suma importância em vista do
longo período de incubação que ela apresenta, desde o momento da infecção até a
manifestação dos sintomas. Com base nisso, Pazotti, et al. (2006), utilizaram um sistema para
automatizar a identificação dos ascósporos existentes nas imagens adquiridas dos discos de
coleta, aplicando-se técnicas de visão computacional e de reconhecimento de padrões.
De acordo com esses autores o principal objetivo desse sistema é automatizar a
identificação dos ascósporos, o qual permite informar ao produtor a existência dos esporos do
fungo no pomar. Além disso, outras informações podem ser obtidas e combinadas, como, por
exemplo, a data, a hora e a direção do vento para cada ocorrência do fungo, caso sejam
cruzadas com os dados de uma estação agrometeorológica.
A coleta e a aquisição das imagens realizaram-se por meio dos discos de coletas e de
câmeras digitais acopladas a um microscópio convencional. As técnicas de segmentação
basearam-se na segmentação por limiarização. A análise e extração de características foram
realizadas para cada uma das partículas segmentadas, tendo-se adotada a curvatura da forma.
A Identificação dos Ascósporos consistiu em aplicar técnicas de reconhecimento de padrões
para identificar os ascósporos do fungo Guignardia citricarpa, a técnica de reconhecimento
de padrões adotada foi a Rede Neural Artificial, empregando uma rede feed-forward
backpropagation,

Figura 2. Etapas desenvolvidas no Sistema CitrusVis. 1. Coleta, 2. Aquisição, 3. Segmentação,


4. Extração de características, 5. Classificação e Identificação.

O resultado geral obtido com esses experimentos foi de 96,6% de acerto na


identificação das partículas existentes no disco, considerando apenas as pré-selecionadas.
Além disso, o tempo médio de processamento para cada imagem também foi de apenas 66
segundos por imagem. O método descrito neste trabalho, portanto, possibilita ao citricultor ou
ao responsável técnico monitorar com segurança a ocorrência dos ascósporos de Guignardia
citricarpa no pomar. O sistema permite um monitoramento ágil, contribuindo para que o
combate eficaz à doença seja realizado em um tempo menor a partir da detecção dos
ascósporos, uma vez que, quando essa tarefa é realizada manualmente, ela se torna inviável
em razão do custo e da demora da análise.
Embora existam na literatura trabalhos científicos relacionados à identificação de
formas por meio de análise de imagens (Araya-Kroffet al., 2004;; Wilkinsonet al., 2000;
Vanhoutteet al., 1995), este trabalho foi o primeiro a identificar os esporos do fungo
Guignardia citricarpa por meio desse método.

3.2 Automatização para classificação por cor de laranjas.


A gradação de cores é um processo importante para o setor agrícola especialmente no
processamento de alimentos, frutas e classificação vegetal. A cor do produto é muitas vezes
usada para determinar a qualidade e o preço. Os consumidores têm desenvolvido correlações
distintas entre a cor e a qualidade global de um produto específico. As Indústrias fazem uso
da tecnologia de visão de máquina para classificar os produtos com base nas cores de sua
superfície para manter a qualidade e o preço dos produtos. Além disso, a gradação de cor é
usada para determinar o momento de mercado. Isso é necessário por razões comerciais,
porque uma fruta podre colocado entre os bons podem deteriorar todo o lote. (NANTES e
LEONELLI,2000).
Sirisathitkul, et .al. ( 2006), propuseram um sistema de visão computacional que pode
analisar a cor da superfície de laranjas Chokun de suas imagens. Este sistema consiste de
uma câmera CCD de cores para a aquisição de imagens e um computador para
processamento. O método proposto foi implementado usando o Borland C + + Builder 6.0 em
um processador Intel Pentium M 1.7 GHz Notebook com 512 MB de RAM. Noventa laranjas
Chokun em três graus (matérias-primas, maduro e passado) são usados na etapa de
treinamento e 50 laranjas Chokun foram avaliados na etapa de testes. Primeiramente, a
imagem da cor original RGB de cada laranja foram capturado e transformada em uma
imagem ISH. A partir das imagens, as cores de matiz foram analisadas, coletados e utilizados
para formar regras de decisão de um classificador. Modelo de cores HSI foi usada e regras de
decisão são obtidas a partir da cor matiz.
De acordo com esses mesmos autores os resultados experimentais mostram que a
técnica é uma alternativa importante e um método mais viável para a classificação de grandes
quantidades de laranjas Chokun em comparação com classificação manual. Para melhorar o
nível da classificação, os dados de todos os lados de cada laranja tem de ser analisado.

3.3 Processamento de hard-to-cook em feijão


O feijão é um excelente alimento, fornecendo nutrientes essenciais ao ser humano,
como proteínas, ferro, cálcio, magnésio, zinco, vitaminas (principalmente do complexo B),
carboidratos e fibras. Representa a principal fonte de proteínas das populações de baixa renda
e constitui um produto de destacada importância nutricional, econômica e social. (SOARES,
1996).
Além da presença de antinutricionais, as condições de armazenamento dos grãos
também podem interferir no seu valor nutricional. Quando armazenados sob condições de alta
temperatura e umidade o feijão sofre um processo de endurecimento também denominado
efeito hard-to-cook (HTC) ou “difícil de cozinhar” (RIBEIRO et al., 2009; RUIZ-RUIZ et
al.,2008.
Vários métodos têm sido propostos para estudar o hard-to-cook de feijão, mas eles são
trabalhoso, demorado e invasivo, uma vez que destruir a amostra analisada.
Laurent et al. (2010), em trabalho realizado com feijão vermelho definiram e
determinaram os parâmetros característicos de uma imagem de cor digital de uma semente,
identificar quais desses parâmetros variam significativamente as condições de armazenamento
que predominam em regiões tropicais, e estabelecer correlação entre esses parâmetros e a
capacidade de absorção de água por processamento de imagens. A visão de sistemas de
computador (CVS) foi constituída por uma caixa padrão iluminada, câmera de aquisição de
imagens e software de processamento de imagens foi desenvolvida (Figura 03). Análise de
imagens de feijão vermelho com base em RGB e determinação histogramas de luminância foi
determinada.

Figura 3: Criação de captura de imagens.

Histogramas apresentaram desvio à esquerda em variação na cor do feijão durante o


armazenamento, provando que feijão vermelho, se torna bronzeado durante o armazenamento.
Dez características de histograma que variaram significativamente (P <0,05) com as
condições de armazenamento, altamente correlacionado com a capacidade de absorção água
(WCA) de feijão, uma característica clássica do grau de difícil cozinhar. Os resultados obtidos
confirmam que o feijão sofre alterações de cor durante o armazenamento, o que está
relacionado com o fenômeno de “difícil de cozinhar”. Assim demonstrando a capacidade de
processamento de imagens de feijão para avaliar esse fenômeno em termos de imagens e
atributos de cores.

3.4 Inspeção Automática de Defeitos em Madeiras de Pinus.


A eliminação de desperdícios e a maximização do valor da matéria-prima têm sido os
grandes desafios da indústria madeireira nos últimos anos. Nesta direção, a introdução de
novas tecnologias, incluindo-se os Sistemas de Visão Computacional, confere à indústria e
seus produtos a qualidade, confiabilidade e competitividade exigidas pelo mercado mundial.
Além disso, a adoção de tecnologias que garantam a maximização do aproveitamento deste
recurso natural evidencia a preocupação da indústria com a redução de passivos ambientais.
(OLIVEIRA, et al.2008).
O processo de beneficiamento tem como objetivo maximizar o valor da madeira.
Oliveira, et al. (2008) em trabalho realizado para detectar defeitos em madeira de
Pinus,propuseram um sistema que seja robusto e de baixo custo. Desta forma, um dos
desafios deste trabalho foi a seleção de um conjunto de características para detecção de
defeitos em madeira que seja extraído de imagens em escala de cinza. Na concepção do
método proposto foram avaliados dois diferentes paradigmas de aprendizagem de máquina:
Máquinas de Vetor de Suporte (MVS) e Redes Neurais (RN). O método para inspeção
automática de defeitos em madeiras é composto por elementos de hardware e software. A
Figura 6 apresenta os principais elementos deste método.

Figura 4: Principais componentes do método proposto: 2 câmeras line scan,


computador, iluminação baseada em LEDs e transportador.
O processo de inspeção iniciou-se com a passagem de uma tábua de madeira por um
transportador. Duas câmeras tipo line scan e sistema de iluminação baseado em LEDS
permitiram à captura de imagens de ambas as faces da madeira de forma sincronizada com a
velocidade do transportador. Uma vez adquiridas as imagens completas de ambas as faces da
madeira, estas foram processadas por um módulo de extração de características baseadas em
cor, ou em textura. Um processo de seleção de características permitiu a eliminação de
características redundantes ou irrelevantes. As características selecionadas foram utilizadas
como entrada de um classificador de padrões previamente treinado. O coração do método
proposto está na seleção e extração de características, bem como no treinamento do
classificador utilizado para detecção dos defeitos em madeira.
Os autores concluíram que é possível atingir resultados similares aos obtidos com
características coloridas usando apenas informações de textura obtidas de imagens em escala
de cinza. É importante ressaltar a contribuição da seleção de características em todo o
processo. Em ambos os espaços (cor e escala de cinza) observou-se a redução de
características redundantes e/ou irrelevantes. Ainda, no caso do conjunto de características
baseado em escala de cinza, observando-se um ganho de desempenho com a redução das
características.

3.5 Uso em Agricultura de Precisão


Segundo Moraes et al. (2008), citado por Olivi (2009) as plantas daninhas são espécies
vegetais que apresentam alta adaptação ecológica e agressividade as plantas cultivadas no
mesmo ambiente.O controle das plantas daninhas tem um custo considerável nas práticas
agrícolas. Para o combate a estas a utilização de herbicidas tem sido a prática mais utilizada.
Ainda de acordo com esse mesmo autor o desenvolvimento de equipamentos que façam a
distribuição localizada do herbicida deve levar em consideração características que se
adaptem à pulverização agrícola adequada. Além de permitir a economia de defensivos com a
conseqüente redução da agressão ao meio ambiente, a prática do herbicida no local desejado e
na dosagem necessária se torna importante do ponto de vista econômico.
Um dos objetivos da agricultura de precisão é o de minimizar o volume de herbicidas
que são aplicados aos campos através do uso de site especifico em sistemas de manejo de
plantas daninhas. É uma maneira de gerir um campo produtivo metro a metro, levando em
conta o fato de que cada pedaço do local tem propriedades diferentes. O principal conceito é
aplicar os insumos no local correto, no momento adequado, nas quantidades de insumos
necessários à produção agrícola, para áreas cada vez menores e homogêneas, tanto quanto a
tecnologia e os custos envolvidos o permitam. (TSCHIEDEL e FERREIRA 2002).
Tellaeche et al. (2007), realizando um estudo de utilização automático do computador
baseado em visão para a detecção e diferencial de pulverização de plantas daninhas na cultura
do milho. A estratégia proposta envolveu dois processos: segmentação e tomada de decisão.
A segmentação de imagens combina técnicas básicas de processamento de imagem
apropriado, a fim de extrair células a partir da imagem, como as unidades de baixo nível.
Cada célula é descrita por dois baseados na área de medição relações entre cultura e plantas
daninhas. A decisão determina as células a serem pulverizadas com base no cálculo de uma
probabilidade posterior, sob enfoque bayesiano.

Figura 5: esquema de segmentação baseado em visão e processo de decisão.

As imagens foram adquiridas em projeção perspectiva, a binarização foi convertida a


entrada RGB da imagem em uma imagem em preto e branco, onde partes da vegetação (ervas
daninhas e culturas) da imagem de entrada foram representadas como o branco e o resto como
os negros. Na imagem resultante material binário vegetal, a partir de ambas as plantas
daninhas e culturas são branco e o restante, proveniente de terra, pedras e resíduos vegetais é
preto. A fim de detectar as linhas da cultura em a imagem foi utilizada a transformada de
Hough. A combinação da cobertura relativa de plantas daninhas como atributos melhora o
desempenho da abordagem, em comparação com o uso destes atributos separadamente. A
abordagem proposta alcança uma importante economia no custo e da poluição. Uma questão
que está a ser analisado em trabalhos futuros é a robustez do abordagem proposta contra a
variabilidade iluminação. Isso ocorre porque o trator onde está instalado o sistema vai em
uma direção e seu oposto, ou seja, as mudanças de iluminação, dependendo na direção.
REFERÊNCIAS
AGUILAR-VILDOSO, C.I., RIBEIRO, J.G.B., FEICHTENBERGER, E., GOES, A. &
SPÓSITO, M.B. Manual Técnico de Procedimentos da Mancha Preta dos Citros. Brasília.
MAPA/SDA/DDIV. 2002.
ARAYA-KROFF, P.; AMARAL, A.; NEVES, L. et al.. Development of image analysis
techniques as a tool to detect and quantify morphological changes in anaerobic sludge: I.
application to a granulation process. Biotechnoogy and Bioengineering, v.8, n.2, p.184–193,
2004.
GOES, A. & FEICHTENBERGER, E. Ocorrência da mancha preta causada por Phyllosticta
citricarpa (Guignardia citricarpa) em pomares cítricos do Estado de São Paulo. Fitopatologia
Brasileira 15:73-75. 1993.
GOES, A. Controle da mancha-preta dos frutos cítricos. Laranja 19:305- 320. 1998..
LAURENT, B., OUSMAN, B., DZUDIE, T. et al. Digital camera images processing of hard-
to-cook Beans. Journal of Engineering and Technology Research Vol. 2(9), pp. 177-188,
2010.
NANTES,J. F. D. e LEONELLI, F. C. V. A estruturação da cadeia produtiva de vegetais
minimamente processados. Rev. FAE, Curitiba, v.3, n.3, p.61-69, 2000.
OLIVEIRA, L. E. S.; CAVALIN, P. R.; BRITO, A. S. et al. Inspeção Automática de Defeitos
em Madeiras de Pinus usando Visão Computacional. RITA , Volume XV • Número 2 • 2008.
OLIVI, L. R. Aplicação de herbicidas a taxas variáveis utilizando controle preditivo.
Dissertação (Mestrado-Programa de Pós Graduação em Engenharia Elétrica e Área de
Concentração em Sistemas Dinâmicos)- Escola de Engenharia de São Carlos da
Universidade de São Paulo, 2009.
RUIZ-RUIZ, J., MARTINEZ-AYALA, A., DRAGO, S. et al. Extrusion of a hard-to-cook
bean (Phaseolus vulgaris L.) and quality protein maize (Zea mays L.) flour blen. Food
Science and Technology, 41, 1799-1807, 2008.
SIRISATHITKUL, Y. THUMPEN N. and PUANGTONG W.. Automated Chokun Orange
Maturity Sorting by Color Grading. Walailak J Sci & Tech 2006; 3(2): 195-205.
SHAPIRO, L; STOCKMAN, G. Computer vision. New Jersey: Prentice Hall, 2001.
SOARES, A. G. Consumo e qualidade nutritiva. In: REUNIÃO NACIONAL DE
PESQUISA DE FEIJÃO, 5., 1996, Goiânia. Anais... Goiânia: UFGO,. v. 2, p. 73- 79, 1996
TELLAECHEA, A.; BURGOS-ARTIZZUB,, X. P.;PAIARESA,G. et al. A vision-based
method for weeds identification through the Bayesian decision theory. Pattern Recognition.
v.41, p.521 – 530.2008.
TIMMER, L. W. Diseases of fruit and foliage. In: Timmer, L.W. & Duncan, L.W. (Eds.)
Citrus Health Management. Saint Paul. APS Press. p.107-115. 1999.
TSCHIEDEL, M. e FERREIRA, M. F. Introdução a agricultura de precisão: conceitos e
vantagens, Ciência Rural v.32, n.1, p.159-163. 2002.
VANHOUTE, B.; PONS,M. N.; THOMAS, C. R. et al. Characterization of penicillium
chrysogenum physiology in submerged cultures by color and monochrome image analysis.
Biotechnology and Bioengineering, v.48, n.1, p.1–11, 1995.
WEEKS, ARTHUR R. JR.; Fundamentals of Electronic Image Processing, SPIE/IEEE
Series on Imaging Science & Engineering, IEEE PRESS, 1996.
WILKINSON, M. H. F., ROERDINK, J. B. T. M., DROOP, S. et al. Diatom contour analysis
using morphological curvature scale spaces. In: International Conference on Pattern
Recognition, 15, Anais… 2000. v.3, p.652–655.
YANG, G.Z., GILLIES, D.F. Computer Vision, Department of Computing, Imperial
College. Disponível em www.doc.ic.ac.uk/~gzy. Acesso em 05 de Dezembro de 2010.