2.5. Métodos para avaliação
2.5.4. Classificadores que utilizam visão computacional
O Quadro 2.5-1 resume vários trabalhos desenvolvidos para inspeção através de sistemas de visão computacional aplicada a inspeção de produtos agrícolas; já o Quadro 2.5-2 apresenta detalhamento das principais técnicas aplicadas para representação da informação e decisão.
Quadro 2.5-1: Sistemas classificadores por visão computacional. Fonte: Adaptado pelo autor a partir
de (SALDAÑA , 2013), (GARCIA-RAMOS et al., 2005) e (GILL et al, 2014).
Produto Agrícola
Propósito Técnica aplicada Referência
bibliográfica
Azeitona Avaliação de cores e Detecção de defeitos.
RGB, HSV, AV RIQUELME et al.,
(2008) Banana
Avaliação de cores SRGB, HSV, L*a*b* MENDOZA et al.
(2006) Aspecto da Textura Descritores de Fractais de
Fourier
QUEVEDO et al. (2008)
Batata Detecção de defeitos Algoritmo Meta-heurístico para classificação - AdaBoost BARNES et al. (2010) Batata frita Avaliação de cores L* a* b* PEDRESCHI et al. (2006) Medições e Correlação com
Informação de Sensores Carambola Avaliação de cores,
Avaliação da forma.
Descritores de Fourier ABDULLAH et al., (2006)
Cogumelos Avaliação de cores, Detecção de defeitos.
L*, PCA, ALD GOWEN et al., (2009)
Espinafre Detecção da deterioração da qualidade
AMI LUNADEI et al.,
Revisão bibliográfica
96
Continuação...
Quadro 2.5-1: Sistemas classificadores por visão computacional. Fonte: Adaptado pelo autor a partir
de (SALDAÑA , 2013), (GARCIA-RAMOS et al., 2005) e (GILL et al, 2014).
Frutas em geral
Classificação
Funções da Biblioteca do MatLab para análise de histogramas de cor
CHAN et al (2007). PLA et al., (1999)
K-NN SENG e MIRISA,
(2009)
Densidade média dos matizes RENGANATHAN e SUDHAKARA et
al., (2002)
Laranja
Avaliação da Forma Descritores de Fourier SIMÕES e COSTA, (2003)
Classificação COSTA et al.,
(2009) Detecção de defeitos AGE / Correlação de Limiares
(thresholds)
SLAUGHTER et
al., (2009)
Lima Detecção de defeitos Correlação de Limiares (thresholds) OBENLAND e NEIPP, (2005) Frutas cítricas Avaliação de cores, Detecção de defeitos
RGB, HSI, L*a*b*, XYZ, ALD BLASCO et al., (2007b) Avaliação de cores, Detecção da forma, Estimação de área, Detecção de defeitos. RGB, HSI, Descritores de Fourier, ALD BLASCO et al., (2009) Avaliação de cores, Detecção de defeitos
RGB, HSI, BLASCO et al.,
(2007a)
Detecção de defeitos AMI LOPEZ-GARCIA et
al., (2010) Avaliação de cores, Detecção de defeitos, Aspecto da Textura AM ZHAO et al., (2009) Maçã Detecção de defeitos
RNA ARIANA et al.,
(2006a)
MQP, SW ELMASRY et al.,
(2008)
Detecção de defeitos RNA ELMASRY et al., (2009)
Classificação IQBAL et al.,
(2012) Detecção de defeitos
Análise de Histogramas LEFCOUT e KIM, (2006) MQP LEFCOUT et al., (2006) Avaliação de cores RGB, amido, k-NN, MQP, ALD UNAY e GOSSELIN (2007)
RGB, HSI XIAOBO et al.,
(2007) Aspecto da Textura,
Detecção de defeitos
Revisão bibliográfica
97
Continuação...
Quadro 2.5-1: Sistemas classificadores por visão computacional. Fonte: Adaptado pelo autor a partir
de (SALDAÑA , 2013), (GARCIA-RAMOS et al., 2005) e (GILL et al, 2014). Maçãs e
outras frutas
Classificação AMI GUILHERMIN et
al., (2006)
Mamão Estimação de Massa e Volume
RIYADI et al., (2007)
Mangas em geral
Detecção dos eixos principal e secundário
Técnicas de Segmentação / PCA ATENCIO et al., (2009)
Estimação de Massa e Volume
AGE BERMÚDEZ et al.,
(2012)
Avaliação de cores L* a* b* KANG e
TRUJILLO (2008) Estimação de Massa e
Volume
Segmentação em 3D / AGE SPREER e MÜLLER, (2011) AGE / Regressão estatística SINGH, (2012) Manga
(Tommy
Atkins)
Classificação e Seleção
Funções da Biblioteca do MatLab, cadeia de sensores eletromecânicos,
fotos térmicas. BORGES, (2011) Manga (Chokanan) Estimação de Massa e Volume
AGE / Regressão estatística TEOH e SYAIFUDIN, (2006)
Melancia
Estimação de volume AGE KOC, (2007)
Classificação AGE SADRNIA et al.,
(2007) Melão
(Cantalupe)
Classificação AMI RASHIDI e SEYFI,
(2007) Morango desidratado Avaliação da variação de cores AMI AGUDELO- LAVERDE et al., (2013) Pepino
Detecção de defeitos PCA, proporção de faixa, as diferenças de faixa
ARIANA et al., (2006b)
Detectar Divergência em Análise Espectral
Análise Espectral QIN et al., (2009)
Pera
Estimação da maturação, Detecção
de defeitos
Mineração de dados em Mapas auto- organizáveis (clustering R / NIR)
LLEÓ et al., (2009)
Repolho Estimação do frescor da fruta
AMI ARCE-LOPERA et
al., (2012)
Romã Classificação AMI BLASCO et al.,
(2009)
Tangerina
Detecção de defeitos SW, AG, AC, IM, ALD GÓMEZ-SANCHIS
et al., (2008a)
Avaliação da forma Modelo digital de elevação é um modelo digital ou representação em
3D de superfícies
GÓMEZ-SANCHIS
Revisão bibliográfica
98
Quadro 2.5-2: Principais métodos/técnicas aplicadas nos sistemas de classificação. Fonte: Produção
do autor.
Abreviação Descrição
AC: Análise de
Correlações.
A análise de correlação avalia as inferências estatísticas das medidas de associação linear, que podem ter coeficientes simples ou múltiplos. O coeficiente de correlação simples mede o grau de relacionamento linear entre duas variáveis, enquanto que o coeficiente de correlação múltiplo mede o grau de relacionamento entre uma variável dependente e um conjunto de outras variáveis (BUSSAB, 1988).
AG: Algoritmo
Genético.
Algoritmos genéticos são programas que visam encontrar soluções aproximadas em problemas, através de um processo que promove evolução e busca, de maneira similar ao mecanismo de seleção e otimização genética das espécies vivas, através da criação de novas instâncias de soluções melhoradas (evoluídas por mutação ou recombinação) interativamente, até encontrar uma solução considerada ideal (HAUPT e HAUPT, 2004).
AGE: Análise da
Geometria Espacial.
A partir de informações obtidas dos objetos, a análise da Geometria Espacial visa estabelecer relações desses objetos, como cálculos de comprimentos de curvas, as áreas de superfícies, volumes de regiões sólidas, etc.
AM: Análise
Multivariada.
Visa reconhecer padrões em números abstratos para o nosso senso comum, que é feito matematicamente, pela análise das principais fontes de variação de dados complexos (muitas variáveis) com o objetivo de tornar as informações interpretáveis por meio de gráficos (BUSSAB, 1988).
AMI: Análise de
imagem Multivariada.
Uma imagem multivariada consiste em uma série de imagens empilhadas, onde cada uma delas é medida em diferentes comprimentos de onda ou energia. Com isso, uma imagem multivariada em um plano de dimensão n, é representada por matriz de terceira ordem n+1. Se a observação é realizada ao longo do tempo, a matriz que descreve o sistema passa a ser de n+2 e a mudança é considerada para decisão (GELADI e GRAHN, 1996).
AV: Análise da
Variância.
A análise de variância é utilizada quando se quer analisar se as diferenças amostrais observadas em uma situação são reais ou casuais. Conceitualmente, uma situação real existe quando as diferenças são causadas por discrepâncias significativas nas populações observadas; já nas situações causais, as diferenças são decorrentes da variação típica da amostra. O principal pressuposto dessa abordagem é que o acaso só produz pequenos desvios (BUSSAB, 1988), (MILONE, 2009).
IM: Análise de
Informações Mútuas.
Nesse tipo de análise, a Informação mútua é a medida da quantidade de informação que uma determinada variável aleatória X contém acerca da variável aleatória Y, com o objetivo de deduzir a incerteza de X, com o conhecimento de Y. Nesse caso, se as variáveis forem independentes, o valor da análise de informação mútua é zero (SHANNON, 1993).
L*, a*, b*.
Trata-se de um Sistema de cores proposto pelo CIE (CIE, 1976), que representa a cor em termos de uma composição, onde:
L* – É a componente de luminosidade, com valores entre 0 (preto) e 100 (branco), e
a* > 0 indica que a cor é vermelho/púrpura;
a* < 0 indica que a cor é verde;
b* > 0 indica que a cor é amarela;
b* < 0 indica que a cor é azul;
Revisão bibliográfica
99
Continuação...
Quadro 2.5-2: Principais métodos/técnicas aplicadas nos sistemas de classificação. Fonte: Produção
do autor.
MVS (SVM):
Máquinas de Vetor de Suporte.
Em aprendizagem de máquina, Máquinas de Vetor de Suporte MVS, também conhecidas por (SVM – Support Vector Machines), são modelos de aprendizagem supervisionada, que empregam algoritmos de aprendizagem que reconhecer padrões pela análise de regressão.
MQP: Mínimos
Quadrados Parciais.
A regressão por Mínimos Quadrados Parciais é uma técnica de análise de dados multivariados, com uma matriz de variáveis independentes X e uma matriz de variáveis dependentes Y, que são representadas por escores e pesos. A relação entre as duas matrizes de dados pode ser obtida, correlacionando-se os escores de cada bloco, a fim de obter uma relação linear, gerando uma matriz resposta T para uma série de amostras de calibração e uma componente que representa o ruído do espectro e os erros do modelo (KONZEN et al., 2003).
PCA: Princípo do
componente principal e FA: Análise de fatores.
Os métodos de análise de componentes principais (PCA) e de fatores (FA) são técnicas estatísticas geralmente aplicadas sobre um conjunto de variáveis para descobrir quais conjuntos de variáveis (subconjuntos coerentes) são relativamente independentes entre si. O objetivo é alcançar a redução de um grande conjunto de variáveis para um conjunto mais significativo, com um conjunto menor de variáveis, sem perda de representatividade (LOPES et al, 2001).
RNA: Redes Neurais
Artificiais.
As Redes Neurais Artificiais (RNAs) são ferramentas de Inteligência Artificial que modelam o neurônio humano e possuem a capacidade de se adaptar para aprender a realizar determinada tarefa ou comportamento, a partir de um conjunto de exemplos dados, criando um banco de conhecimento, que estará disponível na forma utilizada para representar o objeto da imagem, geralmente, uma descrição numérica (KOVÁCS, 2006).
UVA: Ultravioleta A
Ondas Longas.
Neste tipo de análise, utiliza-se a Luz Ultravioleta de Onda Longa (também conhecida como luz negra), cujo comprimento de onda se estende de 320 a 380 nm, com pico de energia próximo a 365 nm. Aplica-se nos processos de identificação bacteriana, eletroforese, detecção de contaminação em alimentos, e muito mais. Trata-se de um método de detecção de fluorescência para contagem de contaminantes, através de mecanismos manuais ou automáticos. (AOCS, 1997).