GABRIEL FILLIPE CENTINI CAMPOS RECONHECIMENTO DE MARMOREIO DE CARNE BASEADO EM SEGMENTAÇÃO DE IMAGENS

GABRIEL FILLIPE CENTINI CAMPOS

RECONHECIMENTO DE MARMOREIO DE

CARNE BASEADO EM SEGMENTAÇÃO DE

IMAGENS

LONDRINA–PR

GABRIEL FILLIPE CENTINI CAMPOS

RECONHECIMENTO DE MARMOREIO DE

CARNE BASEADO EM SEGMENTAÇÃO DE

IMAGENS

Versão Preliminar de Trabalho de Conclusão de Curso apresentado ao curso de Bachare-lado em Ciência da Computação da Univer-sidade Estadual de Londrina para obtenção do título de Bacharel em Ciência da Compu-tação.

Orientador: Prof. Dr. Sylvio Barbon Júnior

LONDRINA–PR

Gabriel Fillipe Centini Campos

Reconhecimento de marmoreio de carne baseado em segmentação de imagens/ Gabriel Fillipe Centini Campos. – Londrina–PR,

2014-21p. : il. (algumas color.) ; 30 cm.

Orientador: Prof. Dr. Sylvio Barbon Júnior – Universidade Estadual de Londrina, 2014.

1. Palavra-chave1. 2. Palavra-chave2. I. Orientador. II. Universidade xxx. III. Faculdade de xxx. IV. Título

GABRIEL FILLIPE CENTINI CAMPOS

RECONHECIMENTO DE MARMOREIO DE

CARNE BASEADO EM SEGMENTAÇÃO DE

IMAGENS

Versão Preliminar de Trabalho de Conclusão de Curso apresentado ao curso de Bachare-lado em Ciência da Computação da Univer-sidade Estadual de Londrina para obtenção do título de Bacharel em Ciência da Compu-tação.

BANCA EXAMINADORA

Prof. Dr. Sylvio Barbon Júnior Universidade Estadual de Londrina

Orientador

Prof. Dr. Segundo Membro da Banca Universidade/Instituição do Segundo

Membro da Banca

Prof. Msc. Terceiro Membro da Banca Universidade/Instituição do Terceiro

Membro da Banca

Londrina–PR, 24 de novembrode 2014

LONDRINA–PR 2014

AGRADECIMENTOS

CAMPOS, G. F. C.. Reconhecimento de marmoreio de carne

base-ado em segmentação de imagens. 21 p. Trabalho de Conclusão de Curso (Graduação) – Versão Preliminar. Bacharelado em Ciência da Computação – Universidade Estadual de Londrina, 2014.

RESUMO

resumo.

Palavras-chave: segmentação de imagens. qualidade de carne. processamento

CAMPOS, G. F. C.. Marbling meat recognition based on Image

Seg-mentation.21 p. Final Project (Undergraduation) – Draft Version. Bachelor of Science in Computer Science – State University of Londrina, 2014.

ABSTRACT

abstract.

LISTA DE ILUSTRAÇÕES

Figura 1 – Uma foto em diferentes espaços de cor . . . 14

Figura 2 – Remoção do fundo por threshold baseado em histograma . . . 15

Figura 3 – Histograma do canal azul de uma imagem . . . 15

Figura 4 – Clusterização pelo algoritmo k-means . . . 16

Figura 5 – Ajustes sobre a base de dados . . . 17

Figura 6 – Falso positivo gerado por pixels vermelho escuro . . . 18

Figura 7 – Remoção de brilho e de pixels vermelho escuro . . . 19

SUMÁRIO

3.1 Aquisição da Base de Dados . . . 17

3.2 Descrição do Método. . . 17

3.3 Resultados . . . 19

12

1 INTRODUÇÃO

A qualidade da carne pode ser prevista por alguns fatores, dentre eles a cor, textura e o nível de marmoreio [1]. Estas análises são utilizadas em vários países [2] e muitas vezes são feitas visualmente por especialistas humanos, essa abordagem subjetiva pode causar uma falta de precisão, confiabilidade e padronização na avaliação. O desenvolvimento de métodos computacionais que realizem essas análises é importante para laboratórios, pesquisadores e até mesmo consumidores de carne, proporcionando-lhes avaliações mais concretas sobre a qualidade da carne.

1.1

Objetivos e Contribuições

O objetivo deste trabalho de conclusão de curso é apresentar um estudo sobre seg-mentação de marmoreio em imagens de carne, mostrando soluções presentes na literatura e propondo uma nova solução. Com o a abordagem proposta pretende-se solucionar pro-blemas deixados em aberto por outros métodos e adequar o algoritmo à realidade da carne brasileira. É possível também que os problemas resolvidos durante o trabalho contribuam em outras aplicações de segmentação de imagens.

1.2

Organização do Trabalho

No capítulo 2 são apresentados os conceitos básicos para a compreensão do tra-balho, bem como um levantamento de alguns trabalhos relacionados com a proposta. No capítulo 3 é apresentada a descrição do método desenvolvido, as melhorias propostas em relação ao método de comparação, testes, avaliação e resultados.

13

2 FUNDAMENTAÇÃO TEÓRICA

2.1

Trabalhos Correlatos

A cor, o marmoreio e a textura são usados em vários países para analisar a qua-lidade da carne [2]. Existem métodos computacionais que realizam essa análise, porém necessitam de intervenção humana em algumas partes do processo de segmentação do marmoreio e do músculo, como os trabalhos [2] e [3].

A necessidade de intervenção humana no processo de segmentação, além de não garantir um padrão, diminui sua praticidade em uma plataforma móvel, portanto é ne-cessário um método completamente automático que realize essa análise. O trabalho [4] propõe um algoritmo automático adaptado à segmentação do músculo e da gordura pre-sentes na carne, obtendo um resultado significativo se comparado à métodos que utilizam intervenção humana, porém ainda enfrenta alguns problemas de precisão causados princi-palmente pelo reflexo da luz na carne, além de utilizar várias etapas baseadas em valores empíricos.

2.2

Conceitos

O campo do processamento digital de imagens se refere ao processamento de ima-gens por um computador digital. Uma imagem digital é composta de um número finito de elementos, cada um com localização e valor específicos. Esses elementos são chamados de pixels [5]. Diversas técnicas de processamento de imagens serão combinadas na cria-ção do método de segmentacria-ção de imagens proposto neste trabalho. Conceitos e técnicas importantes para o decorrer do trabalho são definidas abaixo.

2.2.1

Segmentação de imagens

A segmentação de uma imagem consiste na identificação e isolamento de uma região de interesse [4], sendo sua automatização uma das tarefas mais difíceis no campo do processamento digital de imagens [6].

2.2.2

Espaços de cor

Um espaço de cor (ou modelo de cor) é uma especificação de um sistema de coor-denadas e um subestação dentro desse sistema no qual cada cor é representada por um único ponto. Seu objetivo é facilitar a especificação das cores em alguma forma padroni-zada, amplamente aceita. Em termos do processamento digital de imagens, os modelos

Capítulo 2. Fundamentação Teórica 14

mais utilizados são o RGB (vermelho, verde e azul), CMY (ciano, magenta e amarelo) e o HSI (matiz, saturação e intensidade). Existem também o HSV (matiz saturação e brilho), e o HSL (matiz, saturação e luminosidade). A principal vantagem do HSI é separar as informações de cor e de escala de cinza da imagem, sendo mais adequado para muitas das técnicas do processamento de imagens em níveis de cinza [5]. Na Figura 1 é apresentada uma imagem em quadro diferentes modelos de cor, sendo eles RGB (a), HSV (b), HSL (c) e HSI (d) respectivamente.

Figura 1 – Uma foto em diferentes espaços de cor

2.2.3

Crescimento de região

Crescimento de regiões é um processo interativo de agrupamento de pixels ou regiões com predicados comuns. Regiões homogêneas em relação ao predicado e adjacentes no espaço são agrupadas. O processo de segmentação se inicia a partir de uma semente (pixel ou conjunto de pixels escolhido da região de interesse) e se estende analisando o predicado dos pixels vizinhos. A agregação das regiões é feita quando o critério de similaridade ou de decisão do predicado for verdadeiro [7].

2.2.4

Thresholding

O thresholding, também conhecido como limiarização é uma técnica utilizada para segmentar imagens em tons de cinza. Consiste em encontrar um valor (limiar) que agrupe os pixels da imagem em dois grupos, os que possuem nível de cinza abaixo do limiar e os

Capítulo 2. Fundamentação Teórica 15

que possuem nível de cinza acima do limiar [7]. Na Figura2é exemplificada a remoção do fundo (b) de uma imagem no espaço de cor HLS (a) utilizando a técnica de thresholding, baseado na utilização do histograma.

Figura 2 – Remoção do fundo por threshold baseado em histograma

2.2.5

Histograma

O histograma (Figura3) de uma imagem consiste em um gráfico cartesiano no qual o eixo horizontal reflete os valores das tonalidades de cinza que a imagem pode assumir, enquanto o eixo vertical apresenta a freqüência na qual essas tonalidades ocorrem. A limiarização muitas vezes baseia-se na utilização do histograma [7].

Capítulo 2. Fundamentação Teórica 16

2.2.6

Clusterização

O agrupamento dinâmico de dados (clusterização) consiste na criação de grupos de amostras com base nas suas características, utilizando alguma função de medida de distância para agrupar dados semelhantes. Além do campo do processamento digital de imagens, os algoritmos de clusterização são usados nas áreas de inteligência artificial, reco-nhecimento de padrões, mineração de dados, biologia, psicologia e marketing. O k-means é um dos algoritmos mais simples que resolvem o problema de agrupamento dinâmico de dados [8]. Na Figura4está exemplificada a clusterização de uma imagem em três centros, sendo (a) a imagem original e (b) a imagem clusterizada.

17

3 DESENVOLVIMENTO

3.1

Aquisição da Base de Dados

A aquisição foi realizada durante um experimento do Laboratório ... (nome), onde foram abatidos 47 animais. As imagens foram adquiridas utilizando uma câmera Nikon D7000 utilizando apenas iluminação ambiente e configurações automáticas. Foi utilizado um papel cartão azul como fundo, para facilitar a remoção do mesmo. Após a aquisição, todas as imagens foram recortadas e ajustadas manualmente para a resolução 1550x1700, sendo armazenadas nos formatos bmp e png. a Figura 5mostra uma imagem da base de dados antes (a) e depois (b) dos ajustes.

Figura 5 – Ajustes sobre a base de dados

3.2

Descrição do Método

O método desenvolvido neste trabalho é uma proposta de melhoria ao método apresentado em [4]. O principal problema deixado em aberto pelo autor foi o reflexo da luz na superfície da carne. Outro problema foi encontrado ao testar o método sobre a nossa base de dados: o algoritmo k-means, utilizado em uma das etapas, associou pixels vermelho escuro aos pixels pretos do background, gerando falsos positivos de gordura no final da execução. Na Figura 6 observa-se esse problema, (a) representa a imagem original e (b) a imagem após execução do k-means, que não associou os pixels vermelho escuro ao mesmo cluster do restante da carne. Outras características observadas foram

Capítulo 3. Desenvolvimento 18

Figura 6 – Falso positivo gerado por pixels vermelho escuro

que o método utilizava duas etapas com valores de threshold completamente empíricos (remoção do background e DoubleGreen). O método é dividido em duas grandes partes, sendo a segunda parte dependente de um ajuste populacional do brilho das amostras, para facilitar o encontro de um threshold universal. Essas características tornam o método pouco viável para possíveis futuras aplicações em por exemplo, dispositivos móveis.

O valor empírico de threshold para remoção do fundo foi substituído por um valor baseado no histograma da imagem. Esse valor é dado pelo índice da primeira derivada nula ou positiva à direita do máximo global do histograma, ou seja, o fim da descida do pico do histograma, que representa os pixels azuis do fundo da imagem.

Por hora, a etapa do DoubleGreen foi removida do algoritmo. Nas próximas etapas do trabalho será estudado a necessassidade ou não de etapas que a substituam.

Para remover os pixels vermelho escuro, foi utilizado uma conta simples sobre os valores RGB do pixel. Foi considerado carne e removido da imagem da gordura, cada pixel cujo valor no canal vermelho fossse maior que a soma dos canais azul e verde. Para a remoção do brilho, além de retirar as regiões pequenas como realizado em [4], foi considerado brilho cada pixel onde o valor do canal azul é maior que o valor de pelo menos um dos canais azul ou verde. A Figura 7 mostra a remoção dos pixels vermelho escuro e do brilho por essa etapa do método, sendo (a) a imagem da gordura antes da remoção e (b) a imagem da gordura após a remoção. A sequência completa de etapas do método de segmentacão proposto é apresentada no diagrama da Figura 8.

Capítulo 3. Desenvolvimento 19

Figura 7 – Remoção de brilho e de pixels vermelho escuro

Figura 8 – Etapas do método de segmentação

3.3

Resultados

Para que a avaliação dos métodos não fosse apenas visual, foi confeccionado um modelo ouro para medir os resultados. Utilizando um software de manipulação de imagens, todas as regiões de gordura de todas as amostras foram marcadas com a supervisão de

Capítulo 3. Desenvolvimento 20

um especialista. Com as marcações concluídas, é possível implementar testes automáticos com os resultados dos dois métodos.

Os resultados da primeira versão do método proposto apresentaram que o mesmo foi eficiente na remoção do fundo com o novo threshold gerado pelo histograma. Também foi eficiente em identificar pixels vermelho escuro de carne na imagem da gordura. A remoção do brilho através do novo método ocorreu, porém, com o auxilio da retirada da etapa DoubleGreen, gerou um aumento de falsos negativos.

A próxima etapa do trabalho consiste em modificar os critérios para indentifica-ção e remoindentifica-ção do brilho, bem como estudar a necessidade uma etapa que substitua o DoubleGreen, diminuindo a presença de falsos negativos.

21

REFERÊNCIAS

1 JACKMAN, P. et al. Correlation of consumer assessment of longissimus dorsi beef palatability with image colour, marbling and surface texture features. Meat Science, v. 84, n. 3, p. 564 – 568, 2010. ISSN 0309-1740. Disponível em:

<http://www.sciencedirect.com/science/article/pii/S0309174009003337>.

2 JACKMAN, P. et al. Prediction of beef eating qualities from colour, marbling and wavelet surface texture features using homogenous carcass treatment. Pattern Recognition, v. 42, n. 5, p. 751 – 763, 2009. ISSN 0031-3203. Disponível em:

<http://www.sciencedirect.com/science/article/pii/S0031320308003877>.

3 CHEN, K.; QIN, C. Segmentation of beef marbling based on vision threshold. Computers and Electronics in Agriculture, v. 62, n. 2, p. 223 – 230, 2008. ISSN 0168-1699. Disponível em: <http://www.sciencedirect.com/science/article/pii/ S0168169908000033>.

4 JACKMAN, P.; SUN, D.; ALLEN, P. Automatic segmentation of beef longissimus dorsi muscle and marbling by an adaptable algorithm. Meat Science, v. 83, n. 2, p. 187 – 194, 2009. ISSN 0309-1740. Disponível em: <http://www.sciencedirect.com/science/ article/pii/S0309174009000850>.

5 GONZALEZ, R. C.; WOODS, R. E. Processamento Digital De Imagens. ADDISON WESLEY BRA, 2010. ISBN 9788576054016. Disponível em: <http: //books.google.com.br/books?id=r5f0RgAACAAJ>.

6 GUNASEKARAN, S. Computer vision technology for food quality assurance. Trends in Food Science & Technology, v. 7, n. 8, p. 245 – 256, 1996. ISSN 0924-2244. Disponível em: <http://www.sciencedirect.com/science/article/pii/0924224496100285>.

7 AZEVEDO, E.; CONCI, A. Computação gráfica: teoria e prática. Elsevier, 2003. ISBN 9788535212525. Disponível em: <http://books.google.com.br/books?id= Y1mhBAAACAAJ>.

8 VELMURUGAN, T. Performance based analysis between k-means and fuzzy c-means clustering algorithms for connection oriented telecommunication data. Applied Soft Computing, v. 19, n. 0, p. 134 – 146, 2014. ISSN 1568-4946. Disponível em: