(um espaço)
O PROCESSAMENTO DE IMAGEM NO MONITORAMENTO DO PROCESSO DE PRODUÇÃO DE BIOETANOL
(um espaço) (um espaço) B. A. Y. MAURO1, C. M. G. ANDRADE1, L. B. ROCHA1 e H. F. S. FREITAS 1
um espaço)
1 Universidade Estadual de Maringá, Centro de Tecnologia, Departamento de Engenharia Química E-mail para contato: [email protected]
(um espaço) (um espaço) RESUMO – Este artigo trata-se de uma revisão da literatura, que tem como objetivo retratar o emprego de técnicas de processamento de imagem para o monitoramento da produção de etanol pela fermentação do caldo de cana com Saccharomyces cerevisae. O grande desafio da utilização do processamento de imagem é a obtenção de dados online e in site, buscando otimizar o processo de fermentação. Apesar de avanços tecnológicos no processamento de imagens para o controle de processos fermentativos terem sido desenvolvidos, conforme Lüder et al.(2014) e Souza et al. (2015), ainda não existe um método realmente confiável e viável para aplicação nos processos industriais. Isto ocorre pela necessidade do uso de reagentes ou equipamentos que tornam as diferentes técnicas inviáveis para serem aplicadas na indústria. Pode-se concluir desta revisão que a continuidade dos estudos de monitoramento online e in site do processo fermentativo é de grande importância para a evolução do processo de produção do bioetanol.
(um espaço)
1. INTRODUÇÃO
O aumento da busca por combustíveis de fontes renováveis impõe uma necessidade do crescimento da produção dos biocombustíveis. Segundo dados da UNICA (União da Indústria de Cana de Açúcar), o consumo de bioetanol hidratado foi de aproximadamente 16,27 bilhões de metros cúbicos de Janeiro até Novembro de 2015, se comparado ao mesmo período de 2014 houve um aumento de 40,12%. A RFA (Renewable Fuels Association) coloca o Brasil como segundo maior produtor de bioetanol somente atrás dos Estados Unidos, isso levando em conta os dados da produção de 2014.
Devido ao cultivo da cana de açúcar requerer uma grande área de plantação para atender as indústrias de etanol, cada vez mais se busca formas de otimizar a sua produção.
O método que atualmente é utilizado pelas indústrias na fermentação do caldo de cana acarreta em um tempo ocioso de duas a três horas, pois não existem ainda formas viáveis e ou eficientes de monitorar de maneira online o processo de fermentação.
Durante o processo fermentativo muitos parâmetros podem ser utilizados para se monitorar o
andamento da fermentação como: viabilidade celular, concentração de células, concentração de substrato, concentração de álcool, entre outros.
Dentre a diversos métodos a serem propostos o processamento de imagem surge como uma alternativa para se monitorar o processo fermentativo de maneira online e in site.
No monitoramento da fermentação do caldo de cana de açúcar com Saccharomyces cerevisae, o processamento de imagem vem sendo utilizado para medir a concentração celular e a viabilidade celular. Como exemplo podemos citar os trabalhos de Souza et al. (2015) e Mongelo et al. (2012) que serão detalhados ao longo do artigo.
Porém outras técnicas de processamento de imagem podem ser utilizadas para a aplicação no monitoramento online da fermentação, como exemplo podemos citar o método da transformada de wavelet que consegue extrair dados de texturas das imagens. Assim podendo obter o controle de outras variáveis de processo.
2. MONITORAMENTO ONLINE VIA PROCESSAMENTO DE IMAGEM
Yamashita et al (1993) propôs a utilização da transformada de Hough para contagem das células em uma imagem digitalizada obtida via microscópio. A imagem possuía 640x400 pixels graduada em escala de cinza. Os resultados obtidos na contagem pelo método da transformada de Hough foram comparadas a contagem humana, possuindo uma precisão de 97% nos testes que foram realizados. As figuras abaixo mostra a imagem original e a imagem com as células detectadas.
Figura 1 – Imagem original de Yamashita
Figura 2 – Imagem com as células detectadas por Yamashita
O método de Yamashita apesar de possuir uma grande precisão quando comparado a contagem humana ainda não pode ser usado para o monitoramento online em um processo fermentativo industrial. Isto acontece porque a imagem utilizada para contagem possui poucos ruídos. Com a tecnologia que possuímos hoje em escala industrial é quase impossível obter uma imagem com essa qualidade. Além disso o método pode contar bolhas de ar como células e deixar de contar células sobrepostas e ou com formatos diferentes.
Mongelo et al (2012) utilizou o software BioVic para contagem de células. A avaliação foi feita pelo método mais tradicional de contagem utilizado em usinas, utilizando o corante azul de metileno em câmara de Neubauer.
Os resultados obtidos por Mongelo mostram que o software BioVic possui uma grande eficiência na contagem de células inviáveis. Eficiência que é baixa para a contagem de células viáveis. Isto acontece pela câmara de Neubauer possuir linhas dificultando a identificação das células viáveis. O que demonstra que o método pode ser otimizado se for utilizado em uma imagem limpa sem a câmara.
Souza et al (2015) utilizou diversos classificadores como KNN, Naive Bayes e SMO junto com técnicas de extração de atributos como BoVW, OpC e BoC. O melhor resultado que foi encontrado foi utilizando o classificador SMO e a técnica de extração de atributos OpC, assim denominando o método como SMOOpC.
Esse método foi aplicado dentro do software BioVic e quando comparado ao trabalho de Mongelo apresentau uma melhor detecção de células viáveis atingindo um desempenho de 85%.
Souza et al (2015) ainda apresenta alguns erros de classificação feitos pelo método. Um exemplo é a classificação de uma célula inviável como viável devido pequena diferença de forma.
Podemos ver a comparação das imagens na figura 03.
Figura 3 – Imagem obtida por Souza et al (2015). A esquerda a célula viável e a direita a célula inviável classificada de forma errada.
Outro tipo de erro cometido pelo método foi devido a cor do fundo na figura 04 podemos observar que a cor do fundo é similar ao interior da célula viável.
Figura 4 – Imagem obtida por Souza et al (2015). A esquerda a célula viável e a direita a imagem do fundo classificada de forma errada.
Lüder et al.(2014), usou dois sensores para monitorar de forma melhor a fermentação. Sendo um deles um microscópio ISM para o monitoramento biológico e o espectroscópio MIR para a monitoração da glicose.
Para a contagem de células Lüder et al.(2014) utilizou imagem desfocadas da fermentação.
Utilizando uma simples binarização em conjunto com um algoritmo de detecção de bordas para separar o centro das células (branco) do resto da imagem. A utilização da imagem desfoca foi escolhida, pois quando há um grande número de células na imagem elas tendem a se sobrepor confundindo diversos métodos de contagem de células. Mas com as imagens desfocadas os centros das células apresentam um brilho maior que o resto da célula, assim não atrapalhando o método escolhido.
A figura 5 mostra as imagens da contagem de células feita pelo método utilizado:
Figura 5 – A e B após 79 h; C e D após 162 h – Imagens obtidas por Luder.
Com a contagem de células via processamento de imagem e o monitoramento da glicose via MIR Luder conseguiu obter grandes resultados tanto em relação a contagem de células quanto a concentração de glicose no meio, assim controlando a fermentação de modo eficaz. O problema desse método é na aplicabilidade dele para a escala industrial, pois seriam necessários equipamentos muito sensiveis acoplados as dormnas de fermentação.
3. TRANFORMADA DE WAVELET
Todos os métodos citados anteriormente precisam da utilização de um miscroscópio para a obtenção das imagens da fermentação, o que inviabiliza o controle online da fermentação em escala industrial. Deste modo a transformada de wavelet se apresenta como uma oportunidade para o uso de imagens em escala real da fermentação dispensando assim o microscópio.
Este método se mostra muito eficiente em pesquisas médicas e na identificação de pragas em plantas.
Pujari et al (2014) obteve uma precisão de classificação e reconhecimento de pragas em folhas de algodão de 94% utilizando a transformada de wavelet como meio de identificar as
pragas. Podemos observar a figura abaixo a aplicação da tranformada na folha de algodão.
Figura 6 – Aplicação da tranformada de wavelet na folha de algodão.
4. CONCLUSÃO
O uso do processamento de imagem no monitoramento da fermentação da cana de açúcar com Saccharomyces cerevisae tem sido muito estudado, deste modo métodos extremamente precisos foram criados podendo até substituir a contagem humana realizada nas diversas destilarias. Porém ainda não foi possível desenvolver um método capaz de monitorar a fermentação de forma online em escala industrial.
Para continuar evoluindo nessa área mais estudos são necessários, mas o foco deve ser em conseguir monitorar a fermentação de forma online. Assim alguns métodos de processamento de imagem podem ser mais estudados de modo a fazer o monitoramento por processamento de imagem independente do uso de microscópios. Neste caminho a transformada de wavelet se mostra muito eficiente, apresentando bons resultados nas áreas da medicina e biologia.
5. REFERÊNCIAS
LUDER C.; LINDNER P.;BULNES-ABUNDIS D.;LU S.M.;LUCKING T.;SOLLE D.;
SCHEPER T. In situ microscopy and MIR-spectroscopy as non-invasive optical sensors for cell cultivation process monitoring. Pharm. Bioprocess. (2014),2, 157–166.
SOUZA J. S.; Identificação de Viabilidade de leveduras com corante vital utilizando histogramas de palavras visuais em imagens coloridas. Dissertação de Mestrado da UFMS.(2015)
MONGELO A. I.; Validação de Método Baseado em Visão Computacional para Automação da Contagem de Viabilidade de Leveduras em Indústrias Alcooleiras. Dissertação de mestrado da UCDB. (2012).
PUGARI J. D.; YAKKUNDIMATH R.; BYADGI A. S.; Automatic Fungal Disease Detection based on Wavelet Feature Extraction and PCA Analysis in Commercial Crops. I.J. Image, Graphics and Signal Processing, 2014, 1, 24-31
YAMASHITA Y.;KUWASHITA M.; NONAKA T.; SUZUKI M.; On-line measurement os cell size distribution and concentration of yeast by image processing. J. CHEM. ENG. OF JAPAN 1993,V. 6 p 615-619.
