classificação de laranjas baseada em padrões visuais

CLASSIFICAÇÃO DE LARANJAS BASEADA EM PADRÕES VISUAIS
Alexandre da Silva Simões 1,2, Anna Helena Reali Costa 1
Laboratório de Técnicas Inteligentes 1
EPUSP - Escola Politécnica da Universidade de São Paulo
Av. Prof. Luciano Gualberto, trav. 3, 158
05508-900. São Paulo, SP.
Resumo. O método usual para a seleção e classificação em
sistemas de produção de frutas é a inspeção visual humana.
Atributos relevantes nesta tarefa – tais como cor e forma das
frutas – são padronizados por instituições especializadas. A
automação deste processo baseada em imagens digitais das
frutas apresenta como dificuldades principais: i) inexistência de
uma descrição formal dos padrões das frutas; ii) inexistência de
ferramentas computacionais e modelos consolidados para a
classificação de frutas; iii) dependência das condições de
iluminação do ambiente. O presente trabalho propõe um
sistema automático completo para tarefa da classificação de
laranjas baseado no padrão brasileiro de cores (CEAGESP,
2000) e investiga a aplicabilidade da quantização vetorial para
a tarefa da comparação de padrões. A aplicação prática desta
metodologia é fortemente estimulada pelos resultados obtidos,
que tem como característica inerente a robustez à variação das
condições de iluminação do ambiente.
Palavras Chaves: Automação agrícola, classificação de cores,
redes neurais artificiais, quantização vetorial.
Abstract. The usual method for sorting and classification in
fruits production systems is the human visual inspection.
Important attributes in this task – like shape and color of fruits
– are standardized by special institutions. The automation of
this process based on digital images of fruits brings as main
problems: i) inexistence of a formal description of fruits
patterns; ii) inexistence of well-known models and
computational tools designed for fruits classification and iii)
dependence of the ambient illumination conditions. Present
work proposes a whole automatic system to process the
oranges classification task according to Brazilian color patterns
(CEAGESP, 2000) and investigate the applicability of the
vector quantization technique in fruit matching task. The
practical application of this methodology is largely stimulated
by experiments results. The system presents as an intrinsic
characteristic the robustness with respect to ambient
illumination conditions.
Keywords: Agricultural automation, color classification,
artificial neural networks, vector quantization.
1
INTRODUÇÃO
Mesmo depois da automação de muitos setores industriais, a
inspeção de frutas tem se mostrado uma tarefa melhor realizada
por humanos. Grande parte das abordagens automáticas para
Artigo Submetido em 01/04/03. 1a. Revisão em 08/08/03; 2a.
Revisão em 10/08/03.
UNESP - Universidade Estadual Paulista 2
Campus de Sorocaba
Av. Três de março, 511
18087-180. Sorocaba, SP.
esta tarefa concentram-se na análise de algum tipo de imagem
digital do espectro visível ou não visível – tais como os raios-X
(Barcelon et. al. 1999) – para avaliar tais frutos. A análise de
imagens do espectro visível, de particular interesse neste
trabalho, pode então ser entendida como a automação do
processo de inspeção visual realizado por especialistas
humanos utilizando técnicas da visão computacional.
As inspeções de frutas realizadas por humanos usualmente
tomam como base padronizações realizadas por instituições
especializadas. Para o caso específico da laranja no Brasil, uma
das escassas referências é o Centro de Qualidade em
Horticultura (CEAGESP, 2000), adotada no contexto deste
trabalho. O padrão brasileiro propõe a classificação de laranjas
baseada em padrões de cor e qualidade, descritos com mais
detalhes na seção 2. Contudo, freqüentemente a linguagem
utilizada pelas instituições em suas padronizações não é própria
para a automação, isto é, não apresenta descrição formal dos
padrões. Um sistema autônomo eficiente para a classificação
de frutas deve ser apto a realizar sua tarefa com base nestas
descrições de alto nível.
Alguns trabalhos têm sido propostos utilizando técnicas de
processamento de imagens digitais para a análise da forma e
tamanho de frutos (Throop et al, 2001) e para detecção de
defeitos (Leemans et al, 1998; Leemans et al. 1999; Tao,
1999). Para o problema do reconhecimento de padrões no
domínio da agricultura, algumas abordagens utilizam métodos
estatísticos (Luo et. al., 1999), redes neurais artificiais
(Nakano, 1997) e análise sob espaço de características (Zhang
et. al., 1997). Embora diversos trabalhos tenham sido
propostos nesse sentido, particularmente a classificação robusta
de frutas baseada no parâmetro cor permanece ainda como um
problema aberto.
O presente trabalho propõe uma metodologia para a
classificação de laranjas baseada em informações visuais, com
ênfase para o tratamento do padrão de cor, e encontra-se
organizado da seguinte forma: a seção a seguir apresenta a
padronização brasileira para a classificação da laranja. Na
seção 3 a abordagem proposta para o problema é discutida. As
seções 4 e 5 trazem respectivamente materiais e métodos e os
resultados obtidos. Finalmente, a seção 6 apresenta as
conclusões deste trabalho.
2
CLASSIFICAÇÃO DE LARANJAS
O padrão brasileiro de classificação de laranjas segundo o
centro de qualidade em horticultura (CEAGESP, 2000) adotado neste trabalho - propõe a classificação das frutas
segundo dois aspectos distintos: cor e qualidade. O parâmetro
77
qualidade é observado segundo a ocorrência de defeitos de
ordem mecânica, patológica, presença e intensidade de
manchas e podridão. Já o parâmetro cor, as laranjas são
agrupadas em cinco diferentes classes (C1 a C5) e toda a
informação fornecida sobre esta classe é a informação visual
mostrada na figura 1.
C1
C2
C3
C4
C5
Figura 1 – Padrões de cores para classificação de laranjas.
3
Seja uma imagem digital composta por uma laranja de cada
classe (como na figura 1) e sua transformação para o espaço
RGB, mostrada na figura 3. Na grande maioria dos casos, um
humano observando tais laranjas classifica os pixels da imagem
como pertencentes às classes: VE (verde-escuro), VC (verdeclaro), A (amarelo), LC (laranja-claro) ou LE (laranja-escuro).
A tarefa de separar pixels de diferentes cores na imagem
original pode ser entendida como a tarefa de separar os grupos
de pixels no espaço de cores (figura 3) através de bordas
complexas.
ABORDAGEM PROPOSTA
A arquitetura de uma grande quantidade dos sistemas propostos
para a classificação de frutas apresenta quatro etapas bem
definidas: i) classificação das cores dos pixels da imagem; ii)
segmentação da imagem; iii) extração de padrões e iv)
comparação de padrões encontrados com padrões previamente
conhecidos. Todavia, as estratégias e ferramentas adequadas
para processar de forma adequada estas subtarefas não são
consensuais. A figura 2 ilustra as quatro fases usualmente
presente nessas abordagens.
Para a tarefa da automação da classificação de laranjas baseado
nas informações visuais mostradas na seção 2, propôs-se uma
abordagem utilizando: i) redes neurais artificiais do tipo
perceptron multicamada para a classificação de pixels; ii)
segmentação de imagens pelo algoritmo do crescimento da
região; iii) contagem simples para a extração de padrões e iv)
agrupamento em células de Voronoi para a comparação dos
padrões. As seções a seguir destacam cada um destes tópicos
bem como as razões para sua adoção e as abordagens usuais.
classificação de pixels
Em trabalhos prévios (Simões, 2000) a aplicabilidade do
perceptron multicamada (MLP) treinado com o algoritmo da
retropropagação do erro no contexto da classificação de cores
foi demonstrada. A RNA proposta pode ser vista na figura 4.
Tal rede mapeia cada um dos pixels da imagem em uma das 5
cores apresentadas, acrescidas de uma cor para o fundo da
imagem (branco) e uma cor para a identificação de manchas.
Na camada oculta, 20 neurônios mostraram-se empiricamente
suficientes para implementar a função desejada.
segmentação
classe da
fruta
classificação de padrões extração de padrões
Figura 2 – Abordagem proposta para a classificação de
laranjas baseada em cores.
3.1
Figura 3 – Imagem com uma laranja típica de cada classe
(C1 a C5) no espaço RGB.
Classificação de pixels
Embora aparentemente imediato para humanos, a identificação
de cores envolve muitas noções de ordem física e psicológica.
Nesse sentido, a classificação de cores de pixels pode ser vista
como a aplicação de funções não-lineares sobre representações
das cores dos pixels. Particularmente as redes neurais artificiais
(RNAs) têm se mostrado uma ferramenta poderosa neste
contexto (Littman e Hitter, 1997), uma vez que tal classificador
pode implementar qualquer função.
Figura 4 – RNA usada na classificação de pixels.
Também em trabalhos prévios foram estudadas metodologias
para o fornecimento de exemplos à rede, de forma a estimular
uma generalização robusta sob diferentes condições de
iluminação, tais como: i) simples exemplos extraídos do
domínio, ii) exemplos das cores do domínio em diferentes
saturações, iii) exemplos das cores do domínio sob diferentes
intensidades luminosas. A figura 5 ilustra a capacidade de
generalização da RNA para diferenciar as cores do domínio da
classificação de laranjas. A figura 5a apresenta horizontalmente
uma paleta em degradê com as tonalidades das cores do
domínio (VE, VC, A, LC e LE), e verticalmente variação de
saturação nessas cores. Após o treinamento da rede com dois
exemplos de cada uma dessas cores (pontos em destaque), toda
a imagem foi submetida à classificação pixel a pixel. A figura
5b ilustra o resultado desta classificação. Evidentemente,
generalizações mais complexas no sentido da robustez às
condições de iluminação poderão ser conseguidas apresentando
à rede mais exemplos destas grandezas em seu treinamento.
78
saturação
(a)
PR
tonalidade
Height
Rmax
Rmin
Rmin
Height
LE
LC
A
VC
VE
BR
No contexto do presente trabalho, a característica mais
marcante das laranjas é o vetor de cores (ilustrado na figura 7),
isto é, a quantidade de pixels pertencentes a cada uma das
classes de cores (VE, VC, A, LC e LE). Observe que a
quantidade de pixels do tipo M (manchas) pode ser relevante
na análise da rejeição da fruta, mas não é uma característica
determinante da classe da fruta (C1 a C5).
(b)
Widt
h
Figura 5 – Capacidade da generalização da RNA: (a) várias
tonalidades e saturações das cores do domínio e os dois
exemplos de cada cor utilizados no treinamento; (b)
Imagem anterior classificada após o treinamento.
De fato, MLPs têm se mostrado uma solução eficiente para a
classificação de cores no domínio de frutas e grãos (Luo et. al,
1999; Kondo et. al., 2000). Uma abordagem bastante similar à
proposta neste trabalho foi adotada por Nakano (1997), que
classificou pixels de imagens de maçãs em cinco classes.
Embora similares, a abordagem atual apresenta diferenças
fundamentais em relação a esta: i) busca-se uma classificação
de cores robusta a variação nas condições de iluminação; ii) é
proposta na fase de classificação de pixels a classe “mancha”
(ver figura 4).
3.2
Segmentação da imagem
Tomando-se como base uma imagem com seus pixels
classificados, a segmentação da imagem no contexto do
presente trabalho consiste em agrupar corretamente os pixels
pertencentes às laranjas em questão, ou, em outros termos,
particionar a imagem de entrada em regiões disjuntas.
Um grande número de algoritmos tem sido proposto para a
tarefa de segmentar frutas e sementes, tais como análise de
discriminantes lineares (Moltó et. al. 1995), análise de textura
(Tao et. al., 1995), análise baseada no código de Chain (Moltó,
1995), entre outras. No presente trabalho, o conhecido
algoritmo de crescimento da região (Gonzalez e Woods, 1997)
foi adotado, principalmente devido a sua simplicidade e baixo
custo computacional. Tal algoritmo mapeia pixels individuais a
conjuntos de pixels denominados regiões, isto é, laranjas são
identificadas considerando áreas conectadas de pixels
classificados como uma das cores importantes no domínio (VE,
VC, A, LC, LE ou M: mancha).
3.3
Extração de padrões
Uma vez identificadas as laranjas na imagem, sua análise pode
iniciar. Padrões comumente analisados são o número de pixels
da fruta, altura, largura, razão altura-largura, maior e menor
raios. De forma geral estes descritores têm se mostrado
suficientes para uma boa análise das características da fruta e
para uma grande capacidade de rejeição, outras têm sido
propostas. Throop et. al. (2001), por exemplo, utilizou 19
características na análise de maçãs. A figura 6 mostra um
exemplo das grandezas para a análise da forma de frutas. As
especificações de forma podem ser obtidas de imagens digitais
utilizando um grande leque de técnicas de processamento de
imagens, e conferem ao sistema uma boa capacidade de rejeitar
frutas com formas irregulares.
Rmax
Widt
h
Figura 6 – Extração dos padrões de forma de laranjas.
VE
V
C
A
LC
Figura 7 – Extração dos padrões de cores de uma laranja:
uma laranja C2 típica e seu vetor de cores.
3.4
Comparação de padrões de cor
Neste trabalho, a comparação dos padrões presentes na
imagem com padrões de laranjas previamente conhecidos
consiste em mapear as laranjas da imagem em uma das classes
apresentadas na figura 1 (ou nenhuma delas). Este processo
apresenta algumas características particulares: i) a classificação
das laranjas depende das saídas do estágio de classificação de
pixels; ii) o estágio da classificação de pixels pode apresentar
erros; iii) a comparação precisa ser realizada baseada em
informações visuais imprecisas (ver seção 2). Para o problema
da comparação de padrões no domínio da automação agrícola,
diversas ferramentas têm sido propostas, entre elas: métodos
estatísticos (Luo et. al., 1999), redes neurais artificiais
(Nakano, 1997) e análise no espaço de características (Zhang,
1997), entre outras.
No contexto deste trabalho, um subproduto dos estágios
anteriores é o vetor de cores da laranja sob análise. Supondo-se
então que se conheça o vetor típico (centro) de cada uma das
classes de laranjas (C1 a C5), a tarefa da comparação de
padrões pode ser revista simplesmente como uma tarefa de
aproximação de vetores – neste caso vetores em R5. Nestes
termos, um ponto do espaço de atributos será considerado
pertencente à célula cujo centro estiver à menor distância
Euclidiana do ponto. A figura 8 ilustra a divisão do espaço de
atributos em células, conhecidas como células de Voronoi.
Característica A
C1
C2
Característica B
C3
C4
Figura 8 – Diagrama de Voronoi em R2 com quatro células,
onde Cn é o centro da região n.
79
MATERIAIS E MÉTODOS
4.1
Calibração do sistema
Inicialmente, laranjas foram colocadas sobre um fundo branco
e imagens foram adquiridas utilizando uma câmera colorida
Hitachi KP-D50 sob iluminação aproximada de 800 Lux sem
qualquer cuidado especial. O sinal S-VHS da câmera foi
convertido para imagem de 24 bits RGB por uma placa
digitalizadora BT-848 com resolução de 200x200 pixels.
A RNA foi treinada com 25 exemplos de cada uma das cores
importantes no domínio (VE, VC, A, LC, LE e M) utilizando
como exemplos cores do domínio em diferentes saturações e
condições de iluminação. O número e a qualidade dos
exemplos mortraram-se empiricamente suficientes para uma
boa generalização da rede, verificada pelo método da
validação-cruzada. Após o treinamento, 5 laranjas típicas de
cada classe (C1 a C5), classificadas por um humano, foram
submetidas, pixel a pixel, à classificação de cores da RNA.
Após este processo, seus vetores de cores foram observados.
Os 5 vetores de cada uma das classes de laranjas foram
submetidos ao algoritmo fuzzy C-means (FCM) (Bezdek,
1981) de forma a determinar aproximadamente o vetor típico
de cada uma das 5 classes. A tabela 1 apresenta os valores
obtidos que foram anotados para uso no processo de
classificação de padrões.
Tabela 1 – Vetores típicos de cada classe de laranjas.
Padrão
C1
C2
C3
C4
C5
VE
90.53
31.08
0.74
1.66
5.55
VC
2.53
4.05
0.04
0.67
1.06
A
0.72
2.80
58.40
42.36
0.01
LC
2.11
31.25
39.79
54.63
23.90
LE
2.97
0.70
0.60
0.46
65.42
4.2
Para a demonstrar a robustez do sistema às condições de
iluminação, pixels de uma laranja C1 típica sob diferentes
condições de iluminação foram classificados pela RNA, e seu
vetor de cores foi anotado em cada caso. Os resultados são
apresentados no gráfico mostrado na figura 9, que apresenta a
composição de cores do vetor representante da laranja (%) em
função da iluminação (lux).
Finalmente, foram apresentadas à rede laranjas com padrões de
cor bastante distantes daqueles mostrados na figura 1. Uma vez
que as imagens de tais laranjas (mostradas na figura 10a) são
classificadas pela RNA (figura 10b) e extraídos seus padrões
de cores, a abordagem propicia a rejeição destas frutas por
incompatibilidade de padrões de cores, através da simples
imposição de um limiar à distância das laranjas no espaço de
atributos ao centro da classe (cluster) em questão.
5
RESULTADOS
Tabela 2 – Análise quantitativa da partição dos pixels de
uma imagem pelo sistema. F: fundo, VE: verde-escuro, VC:
verde-claro, A: amarelo, LC: laranja-claro; LE: laranjaescuro, M: mancha.
Classificação do sistema
Classe (segundo
classificação humana)
4
F
VE
VC
A
LC
LE
M
F
VE
VC
A
LC
LE
M
95 %
8%
2.4 %
3.4 %
0%
2%
0%
0.9 %
86 %
7.8 %
0.1 %
0%
0.6 %
0%
1.9 %
6%
89 %
2.6 %
0.2 %
0.9 %
4.1 %
1.3 %
0%
1.1 %
92 %
3.3 %
4.1 %
1.4 %
0%
0%
0%
0%
92 %
0.5 %
14 %
0.8 %
0%
0%
2.3 %
4%
92 %
0%
0%
0%
0%
0%
0.4 %
0%
81 %
Testes do sistema
Depois da calibração do sistema, um conjunto de testes foi
proposto para examinar o poder de classificação da abordagem.
Nos testes foram utilizadas imagens de 120 laranjas distintas,
igualmente divididas em cada uma das classes C1 a C5. Os
testes foram divididos em dois grupos, de forma a avaliar: i) o
poder de classificação de pixels e ii) o poder de classificação
do sistema. Como testes complementares à abordagem – em
caráter demonstrativo – procurou-se evidenciar as principais
características da abordagem destacando: i) a robustez da
classificação às condições de iluminação e ii) o poder de
rejeição do sistema.
Para o teste do poder de classificação de pixels, uma imagem
com uma laranja típica de cada classe válida (similar à figura
1) foi oferecida à rede e a um humano para classificação da cor
de seus pixels (um a um). A classificação realizada pelo
humano foi tomada como base para determinar a taxa de acerto
da classificação da rede. Define-se a taxa de acerto T para cada
classe (cor) de pixels como: T=(NC/NT) x100%, onde NC é o
número de pixels classificados (pela rede) na classe
considerada e NT é o número total de pixels da classe atual
(segundo o humano). A tabela 2 apresenta tal resultado.
Para avaliar o poder de classificação do sistema, a totalidade
das 120 laranjas foi apresentada ao sistema completo, e a taxa
de acerto na classificação for anotada. De forma similar à
análise anterior, a classificação realizada por um humano foi
tomada como referência. Houve 100% de acerto nesta fase,
para todas as classes.
Figura 9 – Avaliação da dependência da iluminação:
porcentagem de pixels presentes em cada classe de cores na
imagem de uma laranja C1 típica sob diferentes condições
de iluminação e uma RNA treinada a 800 Lux.
(a)
(b)
Figura 10 – Laranjas rejeitadas pelo sistema por excederem
o limiar de distância dos centros das classes.
6
CONCLUSÕES
No presente trabalho, foram apresentadas modelagem,
implementação e testes de um sistema para seleção e
classificação de laranjas baseada exclusivamente em
informações visuais das frutas. A abordagem é constituída de
80
quatro fases: i) classificação de pixels; ii) segmentação da
imagem; iii) extração de padrões e iv) comparação de padrões
de cores. Considerando-se que a classificação de pixels é uma
tarefa árdua até mesmo para humanos, a tabela 2 evidencia que
a RNA e a metodologia de treinamento adotadas em trabalhos
prévios são aplicáveis para o treinamento da rede no sentido de
obter uma generalização próxima à do humano no domínio
adotado.
Depois da segmentação e extração das características de cores
de cada laranja presente na imagem, os padrões encontrados
foram comparados com padrões previamente conhecidos
utilizando a quantização vetorial.
Como principais características da abordagem, podemos citar:
i) Robustez a variações nas condições de iluminação do
ambiente (vide figura 9);
ii) Robustez com relação à eliminação de rejeitos (vide figura
10);
iii) Robustez contra erros de classificação dos pixels;
iv) Fácil adequação a outros padrões de classificação;
v) Apresenta como subproduto da abordagem o grau de
confiança na classe atribuída à laranja, que é a própria
distância até o centro de sua classe.
O desempenho global do sistema motiva largamente a
aplicação desta metodologia para a tarefa proposta (vide seção
4.2) bem como sua extensão a outros domínios, onde
demonstra enorme potencial.
Contudo, embora a aplicabilidade do método tenha sido
comprovada pelos experimentos realizados, é preciso ressaltar
que a classificação de padrões utilizando como ferramenta a
quantização vetorial não é capaz de implementar qualquer
função de classificação. Isso equivale a dizer que, embora o
sistema tenha se mostrado adequado para o domínio proposto,
outros domínios podem levar a ferramenta a não efetuar a
classificação a contento. Nakano (1997), por exemplo, resolveu
este problema utilizando-se de uma segunda rede neural para
implementar a classificação de padrões. Neste tipo de
abordagem, contudo, torna-se um problema o treinamento das
rejeições do sistema, visto que a RNA não pode ser treinada
para rejeitar qualquer fruta diferente dos padrões apresentados.
Este claro compromisso entre a complexidade da função de
classificação e a capacidade de rejeição sugere, para domínios
mais complexos, a aplicação de um classificador fuzzy, visto
que, embora computacionalmente menos eficaz que a
quantização vetorial, atende às duas restrições apresentadas.
REFERÊNCIA BIBLIOGRÁFICA
Barcelon, E.G.; Tojo, S. and Watanabe, K. (1999). X-ray CT
imaging and quality detection of peach at different
physiological maturity. Transactions of the ASAE American society of agricultural engineers. Vol. 42(2),
pp. 435-441.
Kondo, N.; Ahmad, U.; Monta, M. and Murase, H. (2000).
Machine vision based quality evaluation of Iokan
orange fruit using neural networks. Elsevier. Computers
and electronics in agriculture. Vol. 29, pp. 135-147.
Leemans, V.; Magein, H.; Destain, M. F. (1998). Defects
segmentation on ‘Golden Delicious’ apples by using
colour machine vision. Computers and Electronics in
Agriculture, 20, 117-130.
Leemans, V.; Magein, H. and Destain, M. F. (1999). Defect
segmentation of “jonagold” apples using colour vision
and a Bayesian classification method. Elsevier.
Computers and electronics in agriculture. Vol. 23, pp.
43-53.
Littman, E. and Ritter, H. (1997). Adaptive color segmentation:
a comparison of neural and statistical methods. IEEE
Transactions on neural networks. Vol 8 (1), January,
175-185.
Luo, X.; Jayas, D. S. and Symons, S. J. (1999). Comparison of
statistical and neural network methods for classifying
general grains using machine vision. Transactions of the
ASAE, 42(2), 413-419.
Moltó, E.; Ruiz, L.A.; Aleixos, N.; Vazquez, J. (1995).
Machine vision for non destructive evaluation of fruit
quality. Acta Horticulturae, International Society for
Horticultural Science, 42, 85-90.
Nakano, K. (1997) Application of neural networks to the color
grading of apples. Computers and Electronics in
Agriculture, 18, 105-116.
Simões, A. S. (2000) Segmentação de imagens por
classificação de cores: uma abordagem neural.
Dissertação de mestrado. Escola Politécnica da
Universidade de São Paulo, São Paulo - SP.
Tao, Y; Wen, Z. (1999). An adaptative spherical image
transform for high-speed fruit defect detection.
Transactions of the ASAE - American society of
agricultural engineers. Vol. 42(1), pp. 241-246.
Throop, J. A.; Aneshansley, D. J.; Upchurch, B. L.; Anger, B.
(2001). Apple orientation on two conveyors:
performance and predictability based on fruit shape
characteristics. Transactions of the ASAE - American
society of agricultural engineers. Vol. 44(1), pp. 99109.
Zhang, J.; Sokhansanj, S. ; Wu, S. ; Frang, R. And Yang, W.
(1997). A trainable grading system for tobacco leaves.
Computers and Electronics in Agriculture, 16, 231-244.
Bezdek, J. C. (1981). Pattern recognition with fuzzy objective
function algorithms. Plenum Press, New York.
CEAGESP (2000). Programa brasileiro para a melhoria dos
padrões
comerciais
e
embalagens
de
hortifrutigranjeiros: classificação da laranja: programa
de adesão voluntária. CEAGESP: Centro de qualidade
em horticultura, São Paulo.
Gonzales, R.C. and Woods, R. E. (1997). Digital image
processing. Addison-Wesley, Reading, MA, USA.
81