Detecção de defeitos de cenouras utilizando técnicas de processamento de imagens digitais
Ano de defesa: | 2010 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
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 |
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | http://locus.ufv.br/handle/123456789/693 |
Resumo: | 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. |