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

• Ano de defesa: 2010
• Autor(a) principal: Barros, Antônio Carlos Fava de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Viçosa; BR; Construções rurais e ambiência; Energia na agricultura; Mecanização agrícola; Processamento de produ; Doutorado em Engenharia Agrícola; UFV
• Palavras-chave em Português: Processamento de imagens; Reconhecimento de padrões; Visão artificial; Cenoura; Image processing; Pattern recognition; Artificial vision; Carrots; CNPQ::CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA::MAQUINAS E IMPLEMENTOS AGRICOLAS
• Link de acesso: http://locus.ufv.br/handle/123456789/693

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.