Detecção de defeitos de cenouras utilizando técnicas de processamento de imagens digitais

Abstract

A inspeção e separação manual de produtos agrícolas para o consumo humano é uma tarefa que além de cansativa é ineficiente, pois o critério de separação pode variar de pessoa para pessoa. A automação de processos de inspeção visual e separação de produtos utilizando sistemas de visão artificial vêm crescendo no mundo todo, sendo utilizados também na classificação de produtos agrícolas. No caso de cenouras, a presença de alguns defeitos considerados como graves resultam no descarte do produto. Neste trabalho, foi estudada a detecção de defeitos graves em cenouras, como a incidência de ombro-verde/roxo, a presença de rachaduras e defeitos no formato. Para realizar a identificação da incidência de ombro verde/roxo, foram utilizados os valores RGB da imagem, aplicados a um classificador utilizando a análise discriminante. Esta metodologia resultou na classificação exata de todas as imagens analisadas, sendo indicada para a separação das raízes que apresentaram este defeito. Para separar as raízes com formato inadequado (tortas) foram desenvolvidos cinco descritores: geométricos, momentos, momentos invariantes, e espectrais baseados nas transformadas de Fourier e de wavelet. Cada grupo foi individualmente aplicado e um classificador baseado em uma rede neural do tipo perceptron, de três camadas. O grupo que apresentou melhores resultados foi o formado pelos descritores geométricos, com exatidão global de 93,3% e um coeficiente kappa de 86,1%. Para detecção de rachaduras em cenouras, foram avaliadas duas metodologias, sendo a primeira utilizando descritores de textura de Halarick (contraste, energia, homogeneidade e correlação) obtidos a partir da matriz de co-ocorrência extraída da imagem monocromática. A segunda metodologia foi baseada no valor de energia das sub-bandas da imagem original, obtidas pela decomposição espectral através da aplicação da transformada de wavelet. Os dois grupos de descritores foram aplicados a um classificador baseado em uma rede neural do tipo perceptron de três camadas. As duas metodologias apresentaram resultados satisfatórios, sendo que os descritores de textura apresentaram exatidão global de 95%, com coeficiente kappa de 87,5%, e os descritores de energia apresentaram exatidão global de 94,7%, com coeficiente kappa de 88,7%. Foi também avaliada a utilização de uma câmera digital do tipo line scan, que permitiu elevadas taxas de aquisição e transferência de dados. Para capturar todo o contorno da imagem, foram utilizados espelhos planos, que resultaram na distorção da imagem.Manual inspection and separation of agricultural products for human consumption is a task that is not only tiresome but inefficient since separation criterion may vary from person to person. Automation of the visual inspection and product separation processes utilizing machine vision systems has been growing worldwide, also being utilizes in classification of agricultural products. In the case of carrots, the presence of some serious defects results in disposal of the product. In this work the detection of severe defects in carrots was studied, including the incidence of the green/purple shoulder, the presence of cracks and defects in shape. For identification of incidence of green/purple shoulder RGB values of the image were used, applied to a classifier using a discriminant analysis. This methodology resulted in the exact classification of all images analyzed, being indicated for the separation carrots with this defect. To separate carrots with an inappropriate shape (crooked), five categories were developed: geometric, moments, invariant moments, and spectral based on Fourier and wavelet transforms. Each group was individually applied and classified based on a three layer perceptron neural network. The group presenting the best results was formed by the geometric factors, with an overall accuracy of 93.3% and a kappa coefficient of 86.1%. For detection of cracks in carrots two methodologies were assessed, the first using Halarick texture festures (contrast, energy, homogeneity and correlation) obtained from the co-occurrence matrix extracted from the monochrome image. The second method was basec on the energy value of the sub-bands from the original image, obtained by spectral decomposition via application of the wavelet transform. The two groups of descriptive features were applied to a classifier based on a three layer perception neural network. The two methods showed satisfactory results, where the texture features presented overall accuracy of 95% with a kappa coefficient of 87.5%, and the energy factors showed an overall accuracy of 94.7% with kappa coefficient of 88.7%. also evaluated was the use of a line scan digital camera, which allowed for elevated rates of data acquisition and transfer. To capture the entire image, flat mirrors were used, resulting in image distortion.