Comparison of feature spaces in fruit recognition

(1)

Comparison of feature spaces in fruit recognition

Marcela Nishida, Danilo Medeiros Eler, Almir Olivette Artero, Maur´ıcio Araujo Dias Faculdade de Ciˆencias e Tecnologia, UNESP – Univ Estadual Paulista,

Presidente Prudente, Departamento de Matem´atica e Computa¸c˜ao Presidente Prudente/SP, Brazil

marcelanishida@gmail.com; {daniloeler, almir, madias}@fct.unesp.br Resumo—Automatic fruit recognition has grown

since the techniques proposed for this domain have presented good results. This paper compares the re-sults of feature spaces computed from fruit images. Both statistics and shape features are compared, and it is verified the influence of the background on the correct classification rate when using color features. In addition, it is also verified if the combination of these features improve the classification results. Finally, features computed with PEx-Image tool were employed for comparison with statistics and shape features. The experiments show satisfactory results up to 80% of correct classification.

I. Introdu¸c˜ao

Na l´ıngua portuguesa, a palavra padrão é utilizada para definir o que serve de referência ou de modelo [1]. O ser humano é dotado da capacidade de poder reconhecer padrões, sejam estes visuais, sonoros, táteis, entre outros. Sendo assim, tudo o que existe é rotulado por um padrão, permitindo diversos tipos de classifica¸cões e de agrupamen-tos.

Há muitos anos foram iniciados estudos na área de reconhecimento de padrões, cujo interesse tem crescido devido ao desafio de tornar a visão computacional capaz de reconhecer milhares de objetos da mesma maneira como o ser humano faz. Além disso, as aplica¸cões estão mais exigentes em rela¸cão à busca constante de melhores resultados, fazendo com que as pesquisas existentes sejam bem elaboradas, apresentando bons resultados e permi-tindo que esses resultados sejam utilizados para facilitar o cotidiano de todos. Por exemplo, na área agr´ıcola não tem sido diferente, pois já existem diversos estudos e sistemas capazes de realizar o processamento e reconhecimento de frutas.

Conforme novos métodos são testados e aprovados, estes são disponibilizados para que sejam aproveitados em novos estudos e técnicas a serem desenvolvidas. Os sistemas de reconhecimento de frutas, por exemplo, podem ser utilizados na área educacional, auxiliando no aprendi-zado, não só de crian¸cas, como também de adultos, pois, permitem o acesso às informa¸cões sobre diversas frutas existentes, suas informa¸cões nutricionais, benef´ıcios, áreas prop´ıcias ao plantio, etc. Estes sistemas também podem ser utilizados no âmbito comercial, por exemplo, em su-permercados e varejões. Isso diminuiria o tempo gasto pelo funcionário para rotular manualmente cada fruta. Além disso, pode-se evitar preju´ızos, uma vez que a rotula¸cão de cada fruta depende do conhecimento que cada funcionário

possui sobre as frutas e, se o mesmo se equivocar, pode gerar custos desnecess´arios tanto para o estabelecimento quanto para o cliente.

Diversas técnicas de reconhecimento de frutas são de-senvolvidas com base nas cores e nos formatos de cada fruta, pois, ao utilizar apenas uma abordagem (cor ou for-mato) pode ser que a técnica escolhida não traga resultados tão eficientes. Sendo assim, é muito comum a integra¸cão de duas ou mais abordagens no mesmo sistema. Como é o exemplo do sistema proposto por Ganesan et al. [2], que utiliza abordagem de cor e de textura das frutas. Existe também o sistema prosposto por Seng e Mirisaee [3], que ´

e um sistema de reconhecimento de frutas utilizando trˆes abordagens para obter resultados mais eficazes, sendo cor, formato e tamanho das frutas.

Este trabalho traz uma abordagem de reconhecimento baseada nas caracter´ısticas de cores dos canais RGB e no formato de cada fruta por meio da deteçcão de contorno. Para isso, são utilizadas algumas etapas de processamento de imagens e morfologia matemática para auxiliar e faci-litar a extra¸cão das caracter´ısticas. Após a fase do pro-cessamento, são obtidos os cálculos individuais da média, variância e desvio padrão sobre os canais RGB e em escala de cinza. Para a extra¸cão das caracter´ısticas de contorno foram utilizados o filtro de Sobel e a Transformada Dis-creta de Fourier. Também foram extra´ıdas caracter´ısticas utilizando a ferramenta PEx-Image [4], com a qual foram obtidas caracter´ısticas de média, desvio padrão, descritores do histograma da imagem utilizando a Transformada 1D de Fourier e descritores da imagem inteira utilizando a Transformada 2D de Fourier. Assim, foram realizadas compara¸cões entre essas caracter´ısticas para verificar a sua eficácia no reconhecimento de frutas.

As demais se¸cões estão distribu´ıdas da seguinte ma-neira: na Se¸cão II são apresentados os trabalhos relacio-nados; a Se¸cão III demonstra a técnica implementada; na Se¸cão IV são apresentados os experimentos realizados; e na Se¸cão V são apresentadas a conclusões do trabalho.

II. Trabalhos Relacionados

Seng e Mirisaee [3] propuseram um sistema de reco-nhecimento de frutas baseado em três métodos: análise baseada em cor, em formato e no tamanho das frutas, pois a combina¸cão destas três análises melhora a precisão dos resultados. As caracter´ısticas consideradas por este sistema são: cor RGB, formato, per´ımetro e área, sendo o per´ımetro e a área calculados pelos valores de pixels presentes nas fronteiras das frutas. Para determinar as

(2)

cores foram utilizados cálculos da média nos canais RGB separadamente. O formato foi obtido usando segmenta¸cão com limiar, auxiliado por opera¸cões de morfologia mate-mática. No experimento foram utilizadas 50 imagens de frutas, sendo 36 imagens destinadas ao treinamento e as demais 14 imagens para o teste. O sistema foi capaz de reconhecer as imagens das frutas, resultando em uma taxa de precisão de 90%.

Um outro sistema de reconhecimento de frutas proposto por Ganesan et al. [2] é baseado nas caracter´ısticas de cor e textura de frutas. As caracter´ısticas de cores foram calculadas em representa¸cão HSV (matiz, satura¸cão e valor) e as caracter´ısticas de textura foram obtidas por meio da matriz de co-ocorrência. No total foram obtidas 13 caracter´ısticas de cada imagem, sendo 5 caracter´ısticas da textura e 8 referentes às cores. Os cálculos de média, desvio padrão, assimetria e Kurtosis foram realizados sobre os componentes H (matiz) e S (satura¸cão). Foram realizados os testes com 2633 imagens capturadas em diferentes dias e horários para obter-se uma base de dados mais natural. Desse total de imagens, 50% foram destinadas ao treinamento e os outros 50% aos testes. Os testes foram realizados de três maneiras: reconhecimento somente por caracter´ısticas de cores; reconhecimento somente pelas ca-racter´ısticas de textura; reconhecimento por caca-racter´ısticas de cores e textura. A taxa de precisão do reconhecimento somente por cores obteve uma média de 45,49%, enquanto o reconhecimento somente por texturas obteve uma média de 70,85% e o reconhecimento por cores e textura combi-nadas apresentou resultado médio de 86%.

Zawbaa et al. [5] também propuseram o reconhecimento de frutas baseado nas cores e no formato. O trabalho possui três fases, sendo: pré-processamento, extra¸cão das caracter´ısticas e por último a fase de classifica¸cão. Durante a fase do pré-processamento as imagens de frutas têm seus ´ındices de cores reduzidos para diminuir a quantidade de dados a serem processados. Na fase da extra¸cão das caracter´ısticas, o sistema utiliza um recurso de escala de transforma¸cão invariante e os algoritmos extraem carac-ter´ısticas de formato e cores que são armazenadas em vetores. As caracter´ısticas extra´ıdas de cores são utilizadas nos cálculos de média, variância, assimetria e Kurtosis. Para extrair as caracter´ısticas de formato são utilizados Centróides, Excentricidade e Número de Euler. Foram re-alizados experimentos com um conjunto de dados contendo 178 imagens de frutas, que foram divididas entre fases de treinamento e testes. O objetivo dessa etapa foi a de identificar frutas com formatos semelhantes, porém com cores diferentes. Os melhores resultados foram obtidos para ma¸cãs e laranjas, resultando em 85% de precisão para ma¸cãs e 65% para laranjas.

Sengupta e Lee [6] propuseram um sistema de reco-nhecimento de frutas c´ıtricas verdes em árvores frut´ıferas em ambientes naturais utilizando forma e textura. Foram utilizadas um total de 82 imagens, obtidas em um pomar experimental na Flórida. As imagens foram reduzidas para o tamanho de 800x600 pixels cada uma, para obter melhor eficiência computacional. As 82 imagens foram seleciona-das aleatoriamente e dividiseleciona-das para a fase do treinamento e para a fase de testes. Para a fase de treinamento do

classificador de texturas, uma análise básica de formatos foi realizada para tentar buscar a localiza¸cão das frutas verdes. Como a maioria das frutas tem o formato cir-cular, foi utilizada a Transformada de Hough Circular para determinar os parâmetros de um c´ırculo. Com base no tamanho aproximado das frutas c´ıtricas nas imagens de experimenta¸cão, um raio de alcance foi estimado, e uma busca foi realizada dentro desse raio. Para o cálculo da textura foram utilizadas as médias dos canais RGB, desvio padrão, entropia, limiar, contraste, homogeneidade, correla¸cão e energia. Os resultados apresentaram uma taxa correta de classifica¸cão de 81,7%.

Este trabalho visa comparar simples extratores de caracter´ısticas para o reconhecimento de frutas. Serão utilizados métodos estat´ısticos e baseados em contorno; além da combina¸cão das duas abordagens. A próxima se¸cão apresenta a metodologia utilizada para a extra¸cão das caracter´ısticas empregadas neste trabalho.

III. Metodologia de Extra¸c˜ao de Caracter´ısticas

Primeiramente, dada uma imagem colorida, s˜ao ex-tra´ıdas caracter´ısticas estat´ısticas de cor. Em seguida, ela ´

e convertida para a escala de cinza, da qual também são computadas caracter´ısticas estat´ısticas. Os métodos estat´ısticos implementados são média aritmética, variância e desvio padrão.

Para cada cálculo são usados dois métodos distintos, sendo um deles considerando os valores dos pixels brancos pertencentes ao fundo da imagem e o outro desconside-rando os valores dos pixels brancos pertencentes ao fundo da imagem. Essa divisão foi feita para obter dois vetores de caracter´ısticas, utilizados posteriormente, na fase da classifica¸cão, de modo a verificar se os pixels brancos per-tencentes ao fundo podem interferir na eficácia do processo de classifica¸cão de cada fruta.

Após este processo, são obtidas quatro médias aritm´ e-ticas, sendo uma para o canal vermelho, uma para o verde, uma para o azul e uma para o canal cinza. Em seguida, são calculadas as variâncias e os desvios padrão dos canais RGB e também da escala de cinza.

Ao final dessas três opera¸cões são obtidos dois vetores, cujo tamanho de cada um é de 12 posi¸cões, contendo as seguintes caracter´ısticas:

• 1 - m´edia aritm´etica de todos os pixels do canal R presente na imagem;

• 2 - m´edia aritm´etica de todos os pixels do canal G presente na imagem;

• 3 - m´edia aritm´etica de todos os pixels do canal B presente na imagem;

• 4 - m´edia aritm´etica de todos os pixels presente na imagem em escala de cinza;

• 5 - variância somente do canal R da imagem; • 6 - variância somente do canal G da imagem; • 7 - variância somente do canal B da imagem;

(3)

• 8 - variância somente da escala de cinza; • 9 - Desvio Padrão do canal R da imagem; • 10 - Desvio Padrão do canal G da imagem; • 11 - Desvio Padrão do canal B da imagem; • 12 - Desvio Padrão da escala de cinza.

A próxima etapa é a extra¸cão de caracter´ısticas de forma da fruta. Para isso, a imagem é binarizada consi-derando um limiar, cujo valor está fixado, empiricamente, em 250, por se tratar de um experimento controlado para comparar os extratores de caracter´ısticas. Em seguida, a imagem passa pelo método de erosão binária para assegu-rar que o contorno a ser extra´ıdo posteriormente tivesse a menor quantidade poss´ıvel de ru´ıdos. Após a erosão, também é aplicada a dilata¸cão binária da imagem. Essas opera¸cões garantem que o contorno a ser extra´ıdo seja um contorno cont´ınuo, ou seja, os pixels pertencentes ao contorno da fruta fiquem localizados todos muito pr´ oxi-mos, para descartar a possibilidade de uma futura falha ao percorrer todas as coordenadas do contorno.

A etapa seguinte consiste na deteçcão de contornos da fruta, desenvolvida usando o método de Sobel, de maneira que na imagem de sa´ıda fiquem vis´ıveis apenas os pixels pertencentes à fronteira da fruta com o fundo da imagem. O próximo passo consiste em capturar todas as co-ordenadas (x, y) pertencentes ao contorno obtido com o Filtro de Sobel. Para isso, é utilizado um método conhecido como Seguimento de Contorno [7]. Para dar in´ıcio ao rastreamento do contorno é necessário encontrar o primeiro pixel pertencente ao contorno da fruta, independentemente da posi¸cão (x, y) que esse pixel se encontra na imagem, pois a partir desse pixel encontrado, são descobertos os demais pixels do contorno. Neste trabalho foi seguida uma sequência anti-horária para realizar a busca pelos pixels do contorno.

Ao final de todo o percurso do contorno, as coor-denadas ficam armazenadas em dois vetores, sendo um designado para armazenar somente as posi¸cões capturadas na coordenada x e o outro é designado para armazenar somente as posi¸cões capturadas na coordenada y. O passo seguinte usa a Transformada Discreta de Fourier, que é um método muito utilizado para extra¸cão de caracter´ısticas em reconhecimento de imagens e formas, pois extrai os k -descritores que melhor descrevem as caracter´ısticas do objeto, segundo o dom´ınio das frequências.

Inicialmente, o algoritmo processa um vetor de coorde-nadas do contorno, contendo n posi¸cões e retorna um vetor de resultados com n posi¸cões também. Durante a trans-formada, as informa¸cões com as frequências mais altas ficam localizadas nas extremidades deste vetor, então são extra´ıdas somente 20 dessas informa¸cões, das quais 10 são capturadas do in´ıcio do vetor e as outras 10 são capturadas do final do vetor. Finalmente, os dois vetores são unificados formando somente um vetor de caracter´ısticas referente ao contorno da fruta.

A. Caracter´ısticas Extra´ıdas com PEx-Image

A ferramenta PEx-Image (Projection Explorer for Ima-ges) é uma ferramenta que pode ser utilizada para criar e explorar representa¸cões visuais de cole¸cões de imagens [4]. Ela possui um conjunto de métodos de extra¸cão de caracter´ısticas que foram utilizados para comparar com as abordagens deste trabalho. As caracter´ısticas do PEx-Image são: descritores de Fourier do Histograma da ima-gem; descritores de Fourier da Imaima-gem; média; e Desvio padrão.

Na extra¸cão de caracter´ısticas com base no histograma da imagem, são utilizados vetores de histogramas com in-tensidades de cor variando entre 0 e 255. Esses vetores são processados em um método utilizando a Transformada 1D de Fourier, que funciona de maneira similar à explica¸cão dada na subse¸cão anterior. A diferen¸ca é que nesse método, os dados de entrada são vetores com tamanhos fixos de 256 posi¸cões e, são extra´ıdos 20 descritores para o vetor do histograma.

No método para extra¸cão de caracter´ısticas da imagem completa, é aplicada a Transforma¸cão 2D de Fourier, na qual uma imagem com a mesma dimensão da imagem original é gerada. Essa imagem pode ser dividida em duas partes, sendo a magnitude (parte real) e a fase (parte complexa), porém, somente a magnitude é utilizada na extra¸cão de caracter´ısticas [7]. Na parte real da imagem transformada são aplicadas máscaras para extrair os des-critores [8], [7], porém antes dessas aplica¸cões é realizada uma opera¸cão de shift, que consiste em deixar as altas frequências, originalmente localizadas nas extremidades, no centro da imagem. Uma das formas utilizadas para extrair os descritores é por meio da cria¸cão de c´ırculos concêntricos (máscaras), constru´ıdos no centro da imagem. Os elementos da imagem que estavam dentro de um c´ırculo são considerados e os demais são descartados [4]. A PEx-Image extrai seis descritores para representar as caracte-r´ısticas de Fourier da imagem, os quais contém a energia computada dos c´ırculos concêntricos aplicados na parte real da Transformada de Fourier [9].

IV. Experimentos

Esta se¸cão apresenta os experimentos realizados com os espa¸cos de caracter´ısticas computados durante as etapas de extra¸cão de caracter´ısticas que seguiu a metodologia apresentada na se¸cão anterior.

A. Ferramenta utilizada para classifica¸c˜ao

A ferramenta WEKA [10] é um software de código aberto, composto por um conjunto de algoritmos de apren-dizado de máquina para tarefas que contenham mine-ra¸cão de dados. Esses algoritmos podem ser aplicados diretamente em um conjunto de dados ou invocado a partir de um código feito em Java. O WEKA contém ferramentas que permitem realizar o pré-processamento dos dados, como também permitem realizar a classifica¸cão, entre outras.

Neste trabalho foram aplicados os conjuntos de da-dos diretamente ao WEKA e, em toda-dos os testes foram

(4)

utilizados os seguintes algoritmos classificadores: IBk e Perceptron Multicamadas; ambos com as configura¸c˜oes padr˜ao do WEKA.

B. Resultados

Para compor os conjuntos de dados utilizados nos experimentos demonstrados a seguir, foram selecionadas 163 imagens de frutas, divididas em 15 classes diferentes: abacaxi, avocado, banana, cereja, damasco, kiwi, laranja, limão, ma¸cã, manga, melancia, melão, morango, pêra e uva. Essas imagens foram adquiridas na Internet, por meio da ferramenta Google Imagens e do site ViCoS [11]. Foram realizadas buscas por imagens de frutas individuais, com exce¸cão da banana que tiveram imagens de pencas misturadas e, todas as imagens possu´ıam o fundo branco. Em todos os conjuntos de dados, as 163 imagens foram utilizadas para extrair as caracter´ısticas de cor e forma. As imagens não tiveram um critério de ordena¸cão espec´ıfico, apenas foram mescladas aleatoriamente entre as 15 classes. Nos experimentos, cada conjunto de dados foi dividido em duas partes, sendo 66% das 163 imagens (108 imagens) destinadas à fase de treinamento e 34% das 163 imagens (55 imagens) destinadas à fase de teste. A Figura 1 exem-plifica uma parte do conjunto de imagens utilizado.

Figura 1: Exemplos das imagens de frutas utilizadas nos experimentos.

1) Caracter´ısticas de Cor: Os primeiros experimentos foram realizados com dois conjuntos de dados que conti-nham somente caracter´ısticas de cores. Esses conjuntos de dados continham informa¸cões sobre a média aritmética, a variância e o desvio padrão dos canais de cores RGB e do canal cinza das imagens.

No primeiro conjunto consideravam os pixels brancos pertencentes ao fundo da imagem de cada fruta e no segundo conjunto consideravam apenas a fruta, sem o fundo branco.

A Tabela I mostra o resultado obtido no teste com o primeiro conjunto de dados (considerando os pixels brancos das imagens) utilizando o algoritmo classificador IBk. Conforme ´e poss´ıvel observar, das 55 imagens tes-tadas, o algoritmo IBk obteve um resultado de 67,28% classifica¸c˜oes corretas.

No teste realizado com o algoritmo classificador Per-ceptron, o resultado obtido foi de 78,19%, ou seja, de 55

Tabela I: Caracter´ısticas de cores considerando pixels bran-cos. Classificador utilizado: IBk

Descri¸c˜ao Quantidade %

Instˆancias classificadas corretamente 37 67,28 Instˆancias classificadas incorretamente 18 32,72

N´umero total de instˆancias 55

imagens testadas foram poss´ıveis classificar corretamente 43 imagens. A Tabela II ilustra esse resultado:

Tabela II: Caracter´ısticas de cores considerando pixels brancos. Classificador utilizado: Perceptron Multicamadas

No teste realizado com o segundo conjunto de dados (sem considerar os pixels brancos das imagens), foi obtido um resultado de 69,10% utilizando o algoritmo de classi-fica¸cao IBk e 72,73% utilizando o algoritmo classificador Perceptron Multicamadas . Esses resultados podem ser observados nas Tabelas III e IV:

Tabela III: Caracter´ısticas de cores desconsiderando pixels brancos. Classificador utilizado: IBk

Tabela IV: Caracter´ısticas de cores desconsiderando pixels brancos. Classificador utilizado: Perceptron Multicamadas

2) Caracter´ısticas de Forma: Ser˜ao apresentados os resultados dos experimentos realizados com o conjunto de dados com caracter´ısticas somente de forma. Essas caracter´ısticas foram extra´ıdas utilizando a Transformada 1D de Fourier.

Conforme ´e poss´ıvel visualizar nas Tabelas V e VI, os testes realizados obtiveram os mesmos resultados de 43,64% utilizando os classificadores IBk e Perceptron, res-pectivamente.

(5)

Tabela V: Caracter´ısticas de forma. Classificador utilizado: IBk

Tabela VI: Caracter´ısticas de forma. Classificador utili-zado: Perceptron Multicamadas

3) Caracter´ısticas de Cores e de Forma: As caracter´ıs-ticas de cores e de forma foram obtidas separadamente durante a etapa de extra¸cão, porém neste experimento, foram realizados experimentos utilizando as combina¸cões entre as caracter´ısticas de cores e de forma. Para as carac-ter´ısticas de cores, foram feitas as combina¸cões tanto das caracter´ısticas considerando os pixels brancos da imagem, quanto as caracter´ısticas desconsiderando os pixels brancos das imagens.

A Tabela VII mostra o resultado de 67,28% obtido no primeiro teste utilizando o classificador IBk, no qual foram considerados os pixels brancos das caracter´ısticas de cores, juntamente com as caracter´ısticas de forma extra´ıdas pela Transformada 1D de Fourier.

Tabela VII: Caracter´ısticas combinadas de cores conside-rando os pixels brancos e a forma. Classificador utilizado: IBk

Na Tabela VIII, ´e poss´ıvel observar o resultado obtido pelo classificador Perceptron, onde foram utilizados os con-juntos de dados das caracter´ısticas de cores considerando os pixels brancos da imagem e as caracter´ısticas de forma. Esse experimento resultou em 80% de imagens classificadas corretamente.

Em seguida, a Tabela IX apresenta o resultado obtido com o classificador IBk, no qual foram utilizados o conjunto de dados das caracter´ısticas de cores sem considerar os pixels brancos da imagem, juntamente com as caracter´ıs-ticas de forma. Esse experimento mostrou um resultado de 65,46% de imagens classificadas, ou seja, das 55 imagens utilizadas nos testes, 36 foram classificadas corretamente

Tabela VIII: Caracter´ısticas combinadas de cores conside-rando os pixels brancos e a forma. Classificador utilizado: Perceptron Multicamadas

Instˆancias classificadas corretamente 44 80 Instˆancias classificadas incorretamente 11 20

utilizando a combina¸c˜ao desses dois conjuntos de dados. Tabela IX: Caracter´ısticas combinadas de cores desconside-rando os pixels brancos e a forma. Classificador utilizado: IBk

No algoritmo de classifica¸cão Perceptron, a combina¸cão das caracter´ısticas de cores desconsiderando os pixels bran-cos e as caracter´ısticas de forma apresentaram resultados de 70,91%. Esse resultado é apresentado na Tabela X. Tabela X: Caracter´ısticas combinadas de cores desconside-rando os pixels brancos e a forma. Classificador utilizado: Perceptron Multicamadas

4) Caracter´ısticas extra´ıdas no PExImage: Abaixo se-rão apresentados os resultados obtidos pelos algoritmos de classifica¸cao IBk e Perceptron, utilizando um único conjunto de dados com caracter´ısticas de média, desvio padrão, descritores de Fourier do histograma da imagem e descritores de Fourier da imagem inteira. Essas caracter´ıs-ticas foram extra´ıdas com o uso da ferramenta PEx-Image [4].

Para realizar esses experimentos foram utilizadas as mesmas imagens dos experimentos anteriores, ou seja, 163 imagens de frutas divididas entre 15 classes.

A Tabela XI ilustra o resultado do primeiro experi-mento, que obteve 65,46% de classifica¸c˜oes corretas com o classificador IBk.

A Tabela XII ilustra o resultado do segundo experi-mento, utilizando o classificador Perceptron, que obteve 74,55% de classifica¸c˜oes corretas.

A Tabela XIII ilusta como foram os resultados de todos os experimentos. O campo m´edia demonstra a m´edia

(6)

Tabela XI: Caracter´ısticas extra´ıdas pela ferramenta PEx-Image. Classificador utilizado: IBk

Tabela XII: Caracter´ısticas extra´ıdas pela ferramenta PEx-Image. Classificador utilizado: Perceptron Multicamadas

aritm´etica obtida entre os resultados dos classificadores IBk e Perceptron para o mesmo conjunto de dados. Tabela XIII: Resumo dos resultados obtidos em todos os experimentos

IBK Perceptron M´edia Cores com fundo 67,28% 78,19% 72,73% Cores sem fundo 69,10% 72,73% 70,91%

Forma 43,64% 43,64% 43,64%

Cores com fundo + Forma 67,28% 80% 73,64% Cores sem fundo + Forma 65,46% 70,91% 68,18%

PEx-Image 65,46% 74,55% 70%

V. Conclus˜ao

Este trabalho foi desenvolvido visando a extra¸cão de caracter´ısticas de cores e de formas das frutas. As caracte-r´ısticas de cores foram obtidas por meio de cálculos est´ a-tiscos de média, variância e desvio padrão sobre os canais RGB e em escala de cinza, separadamente, obtendo um total de 12 caracter´ısticas. As caracter´ısticas de contorno foram extra´ıdas, totalizando 40 descritores, utilizando a Transformada 1D de Fourier. Foi utilizada a ferramenta PEx-Image [4] para extrair caracter´ısticas de média, desvio padrão, descritores de Fourier do histograma da imagem e descritores de Fourier da imagem inteira. Nesse processo foram obtidas 28 caracter´ısticas de cada imagem.

A fase de experimentos foi realizada utilizando todos os conjuntos de dados obtidos por meio da extra¸c˜ao das caracter´ısticas de 163 imagens de frutas. Nessa fase foram utilizados os classificadores IBk e Perceptron da ferra-menta WEKA [10].

Os resultados dos experimentos foram satisfatórios, mesmo levando em considera¸cão que os cálculos em que estavam envolvidos o fundo branco das imagens obtiveram

os resultados mais elevados do que os c´alculos em que este mesmo fundo branco foi desconsiderado.

Foi poss´ıvel notar que as classifica¸cões de frutas com base somente nas caracter´ısticas de forma mostraram-se menos precisas do que as classifica¸cões somente por cores. Isso ocorre devido ao fato de muitas frutas possu´ırem o mesmo formato, por exemplo, o formato esférico de laranjas e limões.

As classifica¸cões utilizando as caracter´ısticas de cores e de forma combinadas mostraram resultados satisfatórios, em torno de 80%, enquanto as classifica¸cões utilizando a ferramenta PEx-Image [4] obteve resultados em torno de 74,55% de classifica¸cões realizadas corretamente.

Referˆencias

[1] A. de Holanda Ferreira, M. Ferreira, and M. dos Anjos, Novo dicion´ario Aur´elio da l´ıngua portuguesa. Editora Positivo, 2009. [Online]. Available: http://books.google.com.br/books? id=mMm6twAACAAJ

[2] S. Arivazhagan, R. N. Shebiah, S. S. Nidhyan, and L. Ganesan, “Fruit recognition using color and texture features,” Journal of Emerging Trends in Computing and Information Sciences, vol. 1, no. 2, pp. 90–94, 2010.

[3] W. C. SENG and S. H. MIRISAEE, “A new method for fruits recognition system,” ICEEI, 2009.

[4] D. M. Eler, M. Y. Nakazaki, F. V. Paulovich, D. P. Santos, G. F. Andery, M. C. F. Oliveira, J. Batista Neto, and R. Minghim, “Visual analysis of image collections,” The Visual Computer,

vol. 25, no. 10, pp. 923–937, Sep. 2009.

[5] H. Zawbaa, M. Abbass, M. Hazman, and A. Hassenian, “Au-tomatic fruit image recognition system based on shape and color features,” in Advanced Machine Learning Technologies and Applications, ser. Communications in Computer and Infor-mation Science, A. Hassanien, M. Tolba, and A. Taher Azar, Eds. Springer International Publishing, 2014, vol. 488, pp. 278–290.

[6] S. Sengupta and W. S. Lee, “Identification and determination of the number of immature green citrus fruit in a canopy under different ambient light conditions,” Biosystems Engineering, 2014, image Analysis in Agriculture.

[7] L. d. F. D. Costa and R. M. Cesar, Jr., Shape Analysis and Classification: Theory and Practice, 1st ed. Boca Raton, FL, USA: CRC Press, Inc., 2000.

[8] R. Azencott, J.-P. Wang, and L. Younes, “Texture classification using windowed fourier filters,” Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 19, no. 2, pp. 148–153, Feb 1997.

[9] K. Huang and S. Aviyente, “Rotation invariant texture classifi-cation with ridgelet transform and fourier transform,” in Image Processing, 2006 IEEE International Conference on, Oct 2006, pp. 2141–2144.

[10] Weka the university of waikato. [Online]. Available: http: //www.cs.waikato.ac.nz/ml/weka/

[11] Visual cognitive systems lab. [Acesso em 22 de fevereiro de 2015]. [Online]. Available: http://www.vicos.si/Downloads/ FIDS30