Classifica¸c˜ao e reconhecimento

A etapa de classifica¸c˜ao e reconhecimento tem a fun¸c˜ao de realizar, automati- camente, a identifica¸c˜ao dos objectos segmentados. No processo de classifica¸c˜ao destacam-se duas fases distintas: a aprendizagem das formas e o reconhecimento das formas previamente aprendidas. O sistema de aprendizagem ´e respons´avel pela defini¸c˜ao de uma fun¸c˜ao capaz de separar de maneira conveniente todas as formas num espa¸co de medida. Os parˆametros oriundos da etapa de extrac¸c˜ao de atributos ser´a essencial para a constru¸c˜ao de um espa¸co de medida com dimens˜ao N.

O espa¸co de medida referido anteriormente, corresponde `a reuni˜ao dos parˆametros ou atributos. Cada dimens˜ao tem equivalˆencia a um atributo. Os parˆametros obtidos na etapa de extrac¸c˜ao s˜ao de extrema importˆancia, j´a que ser˜ao respons´aveis pela constru¸c˜ao do espa¸co de medida e, por fim, estar˜ao relacionados com a qualidade do processo de reconhecimento. Um n´umero elevado de atributos origina um espa¸co de medida com grandes dimens˜oes e, por conseguinte, a uma maior dificuldade no processo de aprendizagem de formas. Por outro lado, um espa¸co de medida pequeno poder´a resultar numa m´a caracteriza¸c˜ao e num fraco processo de reconhecimento na fase de aprendizagem, que se reflectir´a no resultado final.

2.3. CONCEITOS B´ASICOS DE PROCESSAMENTO DIGITAL DE IMAGEM 39

Quanto ao processo de aprendizagem, este pode dividir-se nos m´etodos n˜ao super- visionados e supervisionados.

Nos m´etodos n˜ao supervisionados, o classificador, durante a aprendizagem, ir´a re- ceber objectos desconhecidos e, de acordo com os diferentes parˆametros (atributos), tentar´a organiz´a-los em diferentes grupos ou classes.

Relativamente ao m´etodo supervisionado, na fase de aprendizagem, ir´a ser “treinado” de maneira a estruturar a forma como as classes devem ser identificadas na fase de reconhecimento. Supondo um sistema de reconhecimento de escrita de caracteres, ir˜ao existir classes para cada letra do alfabeto e, ainda, a possibilidade de varia¸c˜oes mai´usculas e min´usculas. Assim, a aprendizagem consistir´a na introdu¸c˜ao no sis- tema de um conjunto de modelos, conhecendo-se previamente as suas classes, e na defini¸c˜ao de uma fun¸c˜ao respons´avel por efectuar a separa¸c˜ao entre todas as classes existentes.

Resumindo, um sistema supervisionado actua com a supervis˜ao de outro sistema de reconhecimento, respons´avel pela identifica¸c˜ao pr´evia dos modelos a utilizar no sistema, pela defini¸c˜ao da sua fun¸c˜ao discriminante e pela constru¸c˜ao do espa¸co de medida. Ao longo deste procedimento, devem ser modificados os parˆametros que constituem o espa¸co de medida de modo a facilitar o ajuste da fun¸c˜ao, permitindo assim uma maior eficiˆencia durante o processo de classifica¸c˜ao. No final, pretende-se que a fun¸c˜ao obtida seja capaz de realizar com sucesso a separa¸c˜ao entre as diversas classes existentes. Quanto maior for o n´umero de modelos aprendidos pelo sistema, maior ser´a o custo computacional e o tempo de execu¸c˜ao.

Actualmente v´arios m´etodos de reconhecimento s˜ao utilizados: redes neuronais ar- tificiais; classificador de Bayes ou descri¸c˜ao de formas com recurso a dicion´arios de formas, entre outros.

3

Aplica¸c˜ao de inspec¸c˜ao visual

na agricultura

O uso de computadores na an´alise de imagens em conjunto com sistemas rob´oticos autom´aticos e semi-autom´aticos tem despertado o interesse da agricultura nas ´ultimas quatro d´ecadas, como forma de automatizar os processos agr´ıcolas. No entanto, a grande diversidade existente na ´area da agricultura torna dif´ıcil a adapta¸c˜ao dos algoritmos existentes. Na maioria dos processos agr´ıcolas, as decis˜oes tomadas baseiam-se na aparˆencia do produto. Manualmente ´e f´acil a realiza¸c˜ao de tare- fas como a colheita e poda recorrendo, basicamente, `a vis˜ao. Deste modo, um sistema de reconhecimento ideal ser´a aquele que consegue aproximar-se ao processo de interpreta¸c˜ao do sistema de reconhecimento visual humano.

Quando ´e conseguida a implementa¸c˜ao de um sistema deste tipo, este apresenta sucesso sob as condi¸c˜oes para as quais foi implementado. No entanto, os algoritmos usados n˜ao s˜ao directamente reutiliz´aveis noutras aplica¸c˜oes. Em teoria, os com- putadores s˜ao flex´ıveis pois permitem a sua reprograma¸c˜ao, mas na pr´atica ´e dif´ıcil modificar os algoritmos dos sistemas de vis˜ao para aplica¸c˜oes ligeiramente diferentes, como ´e referido em Jain e Dorai (1997).

De acordo com Tillet (1991), as ´areas de investiga¸c˜ao relativas ao processamento de imagem na agricultura dividem-se nos seguintes grupos: ferramentas de investiga¸c˜ao

e sistemas de decis˜oes. O primeiro grupo cont´em aplica¸c˜oes capazes de, por exemplo, monitorizar o crescimento de uma planta. Este tipo de ferramentas permite ao investigador a obten¸c˜ao de dados de forma eficiente e autom´atica. O segundo grupo fornece informa¸c˜ao que permite controlar o equipamento mecˆanico, possibilitando assim a selec¸c˜ao dos produtos tendo em conta o tamanho, a forma, a cor e a presen¸ca de defeitos, bem como a navega¸c˜ao de ve´ıculos aut´onomos robotizados.

Neste cap´ıtulo ser˜ao apresentados alguns estudos realizados utilizando inspec¸c˜ao visual e processamento de imagem aplicados `a agricultura, com especial interesse para o grupo de sistemas de decis˜oes, referido anteriormente.

3.1

Controlo de qualidade

Segundo Pl´a et al. (2001), o ramo de neg´ocio dos frutos e legumes tem-se tornado cada vez mais selectivo, obrigando os produtores a entregarem os produtos com n´ıveis de qualidade elevados, ao mesmo tempo que garantem o seu bom aspecto. Nos ´ultimos anos tˆem sido desenvolvidos v´arios sistemas de classifica¸c˜ao e selec¸c˜ao para responder a estas necessidades. Nesta sec¸c˜ao ser˜ao descritos alguns sistemas de classifica¸c˜ao e selecc¸c˜ao.