See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/266872884

CLASSIFICAÇÃO DE TOMATES UTILIZANDO

REDES NEURAIS ARTIFICIAIS

Article

CITATIONS READS

2 30

6 authors, including:

Antonio Louro Adilson Gonzaga

Universidade Estadual de Santa Cruz University of São Paulo
5 PUBLICATIONS 2 CITATIONS 111 PUBLICATIONS 166 CITATIONS

SEE PROFILE SEE PROFILE

Available from: Antonio Louro

Retrieved on: 06 May 2016
 CLASSIFICAÇÃO DE TOMATES UTILIZANDO REDES NEURAIS ARTIFICIAIS

LOURO, Antônio Henrique Figueira1; MENDONÇA, Michelle Magalhães2; GONZAGA, Adilson3

Endereço: Av. Trabalhador São Carlense, 400 - Centro. Cep: 13566590 - São Carlos, SP - Brasil
Tel: (16)33739326 Ramal: 9326 Fax: (16)33739372.
1
ahfl63@hotmail.com, 2michelle2000ba@hotmail.com, 3agonzaga@sc.usp.br

RESUMO

Neste estudo, técnicas de processamento de imagens e redes neurais foram aplicadas para
classificar tomates em quatro classes diferentes baseadas em seu tamanho e cor. Primeiro, imagens de
102 tomates pertencentes ao grupo saladete foram digitalizadas através de uma web-cam. Segundo,
características de cor e forma foram extraídas de cada imagem e terceiro, essas características foram
apresentadas a uma combinação de duas redes neurais.

1. INTRODUÇÃO [1] destaca as vantagens que a visão

Nas linhas de controle de
qualidade e classificação não
automatizadas, as pessoas permanecem
olhando o produto deslizar pela esteira,
tentando retirar rapidamente os objetos
que não estejam dentro dos padrões
exigidos. Com o passar das horas, seus
olhos cansam, suas mentes se distraem e
conseqüentemente uma quantidade de
produtos pode ser classificada
incorretamente acarretando em prejuízos
e desperdícios, com perdas tanto para
indústria quanto para a sociedade.
Os sistemas de inspeção
automáticos são controlados através de
sensores eletrônicos, que muitas vezes
simulam os nossos sentidos. Atualmente,
existem várias aplicações em que são
projetados e construídos sistemas de
visão artificial com a finalidade de
inspecionar os processos ou supervisionar
os produtos finalizados.
A inspeção de frutos para a
avaliação de sua qualidade é um campo
de aplicação de grande interesse. Tillet
artificial apresenta a esse respeito e, em
geral, para a maioria dos produtos
alimentícios devido a sua rapidez,
confiabilidade e higiene.
Um sistema de visão
computacional é composto por hardware
e software. A parte que compõe o
hardware pode incluir os seguintes
componentes: sistema de iluminação,
sistema de aquisição de imagens, sistema
de processamento e sistema de atuação. A
parte de software de um sistema de visão
pode ser composta de: melhorias do sinal,
segmentação, análise da forma, da cor e
da textura e tomadas de decisão. Em
todas essas fases, excetuando-se a de
iluminação, é possível utilizar técnicas de
redes neurais para implementá-las. Em
[5] uma rede neural auxilia na
classificação de laranjas; em [4] as redes
neurais são usadas para classificação de
alimentos; em [7] as redes neurais foram
usadas para classificar nozes de pistache;
em [6] as redes neurais foram usadas para
classificar maçãs.
2. MATERIAIS E MÉTODOS
Além das necessidades industriais
pela inspeção automatizada, o mercado de
frutas e legumes “in natura” para o
consumidor comum também é carente de
qualidade. Por exemplo, em [2] e [3] são
mostrados resultados de uma pesquisa
sobre a insatisfação do consumidor e suas
exigências em relação a qualidade dos
tomates, onde os seguintes fatos foram
observados:
ƒ 95,6% dos consumidores estavam
insatisfeitos quanto à qualidade do
tomate, apontando mais de um
aspecto, sendo a presença de
injúrias (incluindo cortes, furos e
amassados) a principal causa do
descontentamento, seguido do
tomate manchado (aspecto
amarelado, coloração não
uniforme).
ƒ Os consumidores ressaltaram a
preferência por tomate com
coloração vermelha.
ƒ O tomate recebeu o mais alto
índice de insatisfação comparado
a outros 31 produtos, como por
exemplo, alface e batata.
ƒ Na opinião dos consumidores um
tomate ideal para consumo seria
aquele que, de maneira geral,
fosse: com coloração vermelha,
uniforme, firme e sem presença de
injúrias.
Sendo assim, o objetivo deste trabalho
é constatar a possibilidade de se
classificar tomates utilizando redes
neurais artificiais e avaliar seu
desempenho comparando as suas
respostas com a opinião de um
“especialista”.
Os tomates utilizados neste estudo
foram obtidos no supermercado Doto,
localizado na região de São Carlo-SP.
Através do sitio de internet
www.agr.unicamp.br/tomates constatou-
se que as amostras colhidas pertenciam ao
grupo dos saladetes. A figura 1 apresenta
amostras desse grupo.
Figura 1 – Amostra de tomates do grupo
saladete em diferentes fases de
maturação.
As amostras colhidas possuíam cores
e tamanhos diferentes, as mesmas foram
lavadas e organizadas em quatro classes
diferentes, são elas:
ƒ Classe A - tomate maduro e
graúdo (acima de 7 cm de
diâmetro equatorial) e
completamente vermelho sem
qualquer mancha verde.
ƒ Classe B – tomate apresentando as
mesmas características de cor da
classe A, porém com tamanho
inferior a 7 cm.
ƒ Classe C – tomate apresentando
qualquer mancha esverdeada e
possuindo tamanho acima de 7
cm.
ƒ Classe D - tomate apresentando as
mesmas características de cor da
classe C, porém com tamanho
inferior a 7 cm.
Os 102 tomates obtidos foram
digitalizados usando-se uma Logitech
QuickCam Express-USB. Para a obtenção
das imagens foi utilizado um modulo de
aquisição de imagens da USP o qual é
constituída de uma câmara de iluminação
difusa que consegue reduzir ao máximo
os reflexos indesejados sobre o objeto. A
figura 2 mostra esse aparato, que facilitou
bastante a fase de segmentação das
imagens.
Vale a pena ressaltar que
inicialmente, como recomendado na
maioria dos livros e artigos lidos sobre
visão computacional, foi usado um fundo
negro, o qual não se mostrou adequado. A
substituição por um fundo branco Figura 3 – Imagem adquirida.
facilitou de forma substancial a fase de
segmentação para esse tipo de amostra. N

∑R i
r= N
i =1
N N
(1)
2.1 Extração de características ∑ R + ∑G + ∑ B
i =1
i
i =1
i
i =1
i

O fluxograma a seguir apresenta

N
os passos utilizados na extração das
características. Ao final desse ∑R i

processamento obteve-se 6 variáveis Rm = ( i =1

) / 255 (2)
N
normalizadas: pixels médios (Rm, Gm,
Bm), coordenadas cromáticas r, g ,b. A
coordenada cromática do vermelho é
calculada com a equação (1).

Figura 2 – Módulo de
iluminação/aquisição de imagens.

A mesma equação é usada para o

verde e o azul, bastando substituir o
numerador. O pixel médio Rm é
calculado com a equação (2). A mesma
equação é usada para calcular Gm e Bm.
Em ambas as equações o valor N é o total
de pixels da imagem.
 função de ativação logística. A camada
de entrada recebe as variáveis, podendo
ser um neurônio para cada variável, e
cada variável assume diversos valores
diferentes. Todos os neurônios de uma
camada estão interligados com todos
neurônios da camada subseqüente. Cada
uma dessas interligações possui um peso
wi,j, que multiplica a saída do neurônio
anterior para gerar a entrada do neurônio
subseqüente.

3.2 Redes Neurais Artificiais (RNAs)

Figura 4: Rede neural MLP
Geralmente a classificação de
frutos e a aplicação de RNAs estão
relacionadas à maturidade de frutos. Se
4. RESULTADOS
uma rede neural pode imitar exatamente
quão maduro os compradores gostam de
Inicialmente a arquitetura da rede
comprar seus tomates, pode-se então
neural foi configurada com 7 neurônios
associar esse aspecto com conjuntos de
na camada de entrada, um para cada
modelos matemáticos que predizem
variável citada anteriormente e uma outra
quanto tempo será necessário até que eles
variável referente ao diâmetro equatorial
cheguem a esse ponto de maturidade;
do tomate, todos esse valores estão entre
dessa forma, as quitandas poderão
0 e 1 devido a utilização da função de
comprar tomates com a cor ideal de
ativação logística na camada escondida da
venda, segundo a visão de seus
rede (os valores do diâmetro equatorial do
compradores [8].
tomate foram normalizados). Utilizou-se
Uma rede neural típica é
15 neurônios na camada escondida e 2
constituída de uma camada de entrada de
neurônios na camada de saída. Para o
dados, uma camada de modificação
aprendizado da rede foi usado o algoritmo
desses dados chamada camada oculta ou
resilient backpropagtion, o qual difere do
escondida e uma camada de saída que são
backpropagation original por não
os resultados ou dados objetivos, como
considerar as magnitudes das derivadas
mostra a Figura 4. Cada camada é
parciais, utilizando apenas o sinal destas
constituída de nódulos chamados de
para fazer as atualizações dos pesos.
neurônios, nas quais ocorre a modificação
Para o conjunto de treinamento
dos dados segundo uma função de
foram selecionadas 92 amostras e
transferência com o campo de variação
organizadas em uma matriz de 7x92, onde
entre 0 e 1, no caso de se utilizar uma
cada coluna corresponde a uma
observação. Foi montada uma matriz
2x92 contendo os valores de saída
desejados, isto é, a codificação em binário
da classe de cada observação (A=00,
B=01, C=10 e D=11). O conjunto de teste
foi organizado em uma matriz 7x10.
As respostas da rede apresentaram
80% de acertos para o conjunto de testes.
Decidiu-se, então, realizar um estudo
sobre os dados de entrada e as respostas
da rede observando-se as faixas de
valores (intervalo entre o mínimo e
máximo de cada variável) e concluiu-se:
ƒ Havia variáveis que não
influenciavam na discriminação
das classes ou contribuíam da
mesma forma que outras (uma
espécie de redundância)
[Entradas]
ƒ O conjunto de treinamento não era
suficientemente representativo,
isto é, deixava a desejar quanto ao
relacionamento tamanho-cor. Por
exemplo, amostras que possuíam
tamanho grande e cor vermelha e
que deveriam ser classificadas
como “A” estavam sendo
classificadas como “B”, pois a
rede não “conhecia” amostras
grandes com aquela quantidade de
vermelho.
Pretendo-se ter um melhor
desempenho, foram eliminadas as
variáveis que poderiam trazer problemas
ou que não estavam contribuindo de
forma desejável.
Os conjuntos de treinamento e de
teste foram alterados para utilizar apenas
essas duas variáveis coordenadas
cromáticas “r e g”. Os tomates foram
classificados como verdes ou maduros.
As classes agora são: M=0 e V=1.
A arquitetura da rede foi alterada para
se adaptar aos novos conjuntos de dados.
A rede passou a ter 2 neurônios na
camada de entrada, 5 neurônios na
camada escondida e 1 na camada de saída
(rede_1). Os resultados obtiveram 100%
de acertos.
A idéia seguinte foi tentar classificar
os frutos, já separados nas classes verde e
maduro, em classes cuja variável
“diâmetro equatorial” fosse levada em
conta. Assim, uma segunda rede neural
foi construída para ser associada a saída
da primeira (rede_2). Esta segunda rede
possuía 2 neurônios na camada de
entrada, 5 neurônios na camada escondida
e 2 neurônios na camada de saída. Todas
as características de aprendizado e
parâmetros da rede descrita anteriormente
foram mantidas para esta nova rede_1.
Uma descrição destas redes pode ser
encontrada na figura 5.
[Camada escondida]
[Camada de saída]
r
0 - maduro
g 1 - verde
a
00-A
01-B
Diâmetro
10-C
equatorial
11-D
b
Figura 5: Representação gráfica da
Rede_1 (a) e Rede_2 (b).
Para montar o conjunto de
treinamento da rede_2 usou-se os valores
“0” para maduro e “1” para verde
(obtidos no treinamento da rede_1)
associados ao diâmetro equatorial
correspondente de cada tomate, gerando
uma matriz 2x92. Uma matriz 2x92 foi
montada para o “target” correspondendo
às classes A, B, C e D propostas
originalmente.
O conjunto de teste para a rede_2 foi
montado da mesma forma que o conjunto
de treinamento, usando a saída da rede_1
e associando-se ao diâmetro equatorial
correspondente. Os resultados da
classificação obtiveram 100% de acerto.
6. CONCLUSÕES
Neste trabalho foi observado que
há uma necessidade muito grande em se
escolher cuidadosamente as variáveis,
uma grande quantidade de variáveis não é
garantia de um bom desempenho da rede.
O conjunto de treinamento deve possuir
dados bem abrangentes que cubram todas
as faixas de valores que cada classe possa
assumir.
É necessário que se delimite
quantitativamente e com certo grau de
precisão onde termina e onde se inicia
uma determinada classe, por exemplo,
qual a faixa de valores permitida para a
componente verde de um tomate
considerado maduro por um especialista.
Para a classificação de frutos ser feita
corretamente é necessário que existam
padrões bem definidos e não confiar o
treinamento da rede na simples percepção
subjetiva das pessoas.
Para um próximo trabalho propõe-
se realizar a classificação utilizando os
padrões da agroindústria com a inclusão
de análise de formas e conversão para um
outro espaço de cores com menos
distorções, como por exemplo o
CIELAB. Propõe-se também
classificação do grau de defeitos do
tomate.
BIBLIOGRAFIA
[1] TILLET, R.D.. Image analysis for
agricultural processes: A review of
potential opportunities. Journal
Agriculture Engineering research
(1991)50, 247-58.
[2] ANDREUCCETTI, Caroline;
FERREIRA, Marcos; TAVARES,
Marcelo. Preferências e costumes
dos consumidores de tomate de mesa
em supermercados de Campinas-SP
Fonte: Anais do 43º Congresso
Brasileiro de Olericultura, CBO,
Recife-PE, 2003.
[3] ANDREUCCETTI, Caroline;
FERREIRA, Marcos; TAVARES,
Marcelo. Reclamações e exigências
dos consumidores de tomate de mesa
em supermercados de Campinas - SP
Fonte: Anais do 43º Congresso
Brasileiro de Olericultura, CBO,
Recife-PE, 2003
[4] DING, K.; GUNASEKARAN, S..
Shape feature extraction and
classification of food material using
computer vision. Transactions of the
ASAE 1994, vol.37(5):1537-1545.
[5] KONDO, N.. Quality evaluation of
orange fruit using neural networks.
Food processing automation IV.
Proceedings of the EPAC IV
conference 1995.
[6] NAKANO, K.. Application of neural
networks to the color grading of
apples. Computers and Electronics in
Agriculture 18 (1997) 105-116.
a
[7] GHAZANFARI,A.; IRUDAYARAJ,
J.; Kusalik, A.. Grading pistachio
nuts using a neural network
approach. Transactions of the ASAE
1996. Vol.39(6):2319-2324.
[8] THAI, C. N.; SHEWFELT, R. L.
Modeling sensory color quality of
tomato and peach: neural networks
and statistical regression.
Transactions of the ASAE, Saint
Joseph v. 34, n. 3, p. 950-954, 1991.