- PGMEC - Universidade Federal Fluminense
Transcrição
- PGMEC - Universidade Federal Fluminense
PGMEC PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA ESCOLA DE ENGENHARIA UNIVERSIDADE FEDERAL FLUMINENSE Tese de Doutorado PADRONIZAÇÃO DE METODOLOGIA PARA CARACTERIZAÇÃO DE COR POR IMAGEM APLICADA À SELEÇÃO DE FRUTAS JULIANA FREITAS SANTOS GOMES FEVEREIRO DE 2013 JULIANA FREITAS SANTOS GOMES PADRONIZAÇÃO DE METODOLOGIA PARA CARACTERIZAÇÃO DE COR POR IMAGEM APLICADA À SELEÇÃO DE FRUTAS Tese apresentada ao Programa de Pós - graduação em Engenharia Mecânica da UFF como parte dos requisitos para a obtenção do título de Doutor em Ciências em Engenharia Mecânica Orientador(es): Fabiana Rodrigues Leta, D. Sc. (PGMEC/UFF) UNIVERSIDADE FEDERAL FLUMINENSE NITERÓI, FEVEREIRO DE 2013. Ficha Catalográfica elaborada pela Biblioteca da Escola de Engenharia e Instituto de Computação da UFF G633 Gomes, Juliana Freitas Santos Padronização de metodologia para caracterização de cor por imagem aplicada à seleção de frutas / Juliana Freitas Santos Gomes. – Niterói, RJ : [s.n.], 2013. 278 f. Tese (Doutorado em Engenharia Mecânica) - Universidade Federal Fluminense, 2013. Orientadora: Fabiana Rodrigues Leta. 1. Visão computacional. 2. Colorimetria. 3. Ensaio não destrutivo. 4. Caracterização do produto. 5. Fruta. I. Título. CDD 006.37 PADRONIZAÇÃO DE METODOLOGIA PARA CARACTERIZAÇÃO DE COR POR IMAGEM APLICADA À SELEÇÃO DE FRUTAS Esta tese foi julgada adequada para a obtenção do título de DOUTOR EM ENGENHARIA MECÂNICA na área de concentração de Mecânica dos Sólidos, e aprovada em sua forma final pela Banca Examinadora formada pelos membros abaixo: __________________________________________________ Prof.ª Fabiana Rodrigues Leta, D. Sc. (Orientador) Universidade Federal Fluminense - PGMEC/UFF __________________________________________________ Prof. Eder Dutra de Resende, D. Sc. Universidade Estadual do Norte Fluminense - UENF __________________________________________________ Prof. Ivan Napoleão Bastos, D. Sc. Universidade do Estado do Rio de Janeiro - IPRJ/UERJ __________________________________________________ Prof. Juan Manuel Pardal, D. Sc. Universidade Federal Fluminense - PGMEC/UFF __________________________________________________ Prof.ª Maria da Penha Cindra Fonseca, D. Sc. Universidade Federal Fluminense – PGMEC/UFF Dedicatória À minha querida mãezinha, agradeço por seu carinho, sua dedicação, seus ensinamentos, por meus irmãos e por seu eterno amor. Para te fazer feliz busquei forças para concluir o que você me incentivou começar. Sinto que está orgulhosa e feliz, e isto é o que importa. Muito obrigada por tudo. Você cumpriu sua missão. Descanse em paz ao lado de Deus. Citação “Concede-me, Senhor, a serenidade necessária para aceitar as coisas que não posso modificar, coragem para modificar as que eu posso e sabedoria para distinguir uma da outra – vivendo um dia de cada vez, desfrutando um momento de cada vez, aceitando as dificuldades como um caminho para alcançar a paz, considerando o mundo pecador como ele é, e não como gostaria que ele fosse, confiando em Deus para endireitar todas as coisas para que eu possa ser moderadamente feliz nesta vida e sumamente feliz contigo na eternidade”. (Oração da Serenidade, autoria do teólogo Rinhold Niebuhr) Agradecimentos A Deus, por tudo. Ao meu marido, Jean Carlos, e minhas queridas filhas, Júlia e Joana, pelo apoio, carinho, incentivo e permanente inspiração. Aos meus pais, Zecrildo e Maria da Penha, pela força, compreensão e por tudo que sou. Aos meus irmãos, Daniela e Junior, à minha cunhada Luciene, e minha comadre Rachel, pelo apoio, amor e compreensão. Aos meus amigos por compreenderem minha ausência. À minha orientadora e amiga, Fabiana, pela confiança, incentivo e ensinamentos. Aos professores Hans Peter, Fábio Passos e Fernando Mainier, pelo crédito e incentivo. À Ana pela compreensão, incentivo e ensinamentos. À Iakyra por permitir a realização deste projeto. Ao Cláudio, Felipe, Ivo, Marcelo, Márcia, Maurício, Pedro, Rafaela, Regina, Sandra, e a todos que me incentivaram e que de alguma forma contribuíram para a realização desta tese. Resumo O uso de inspeções automatizadas na agricultura e na indústria de alimentos tem se tornado uma solução interessante para a análise final da qualidade do produto, e as características avaliadas envolvem não só aspectos dimensionais, mas também as características de cor, textura e forma. O maior desafio é combinar a qualidade dos resultados com a redução dos custos no processo, considerando principalmente a exatidão e confiabilidade do processo. Para isso, cada sistema deve ser desenvolvido de forma a considerar a sua reprodutibilidade e rastreabilidade, tornando-se um desafio para as indústrias e exigindo uma maior interface entre a Engenharia, Metrologia e Ciência da Computação. Desta forma o objetivo desta tese é definir uma nova metodologia de ensaio não destrutivo utilizando técnicas de colorimetria e visão computacional para caracterização de cor por imagem, aplicado à produção integrada de frutas. O principal foco está na padronização das medidas, considerando aspectos importantes, tais como os efeitos da iluminação, características do ambiente, tipos de iluminantes, observadores, etc., além da rastreabilidade do sistema de inspeção automática e da definição de padrões de cor para a área de fruticultura. De forma a atender ao objetivo proposto, a banana (Musa sapientum) foi escolhida como estudo de caso no desenvolvimento desta pesquisa. Como resultado, uma nova metodologia foi desenvolvida para caracterização das etapas de amadurecimento da banana a partir de análise colorimétrica, propondo uma padronização para o setor, no que diz respeito à padronização da classificação das etapas de amadurecimento, um sistema de iluminação mais eficiente, melhor cor de fundo a ser empregada, e proposta de calibração do sistema. Além disto, foi desenvolvido um programa computacional para medição de cor por imagem, e uma metodologia de calibração de um sistema de visão computacional para análise de cor. Palavras-chave: Métodos não destrutivos, Colorimetria, Visão Computacional, Frutas, Padronização, Imagem. vii Abstract The use of automatized inspections in agriculture and in the food industry has increasingly become an interesting solution for the final analysis of product quality, and the assessed characteristics involve not only dimensional aspects, but also characteristics of color, texture and shape. The challenge is to match the quality of the results with the costs reduction the process, especially considering the accuracy and reliability of the process. For this, each system must be developed in order to consider its reproducibility and traceability, making it a challenge for industries and requiring a greater interface between the engineering, metrology and computing. Thus the aim of this thesis is to define a new methodology of non-destructive testing using colorimetric characterization and computer vision for color imaging, applied to integrated fruit production. The main focus is on standardization of measures considering important aspects such as the effects of lighting, environment characteristics, types of illuminants, observers, etc., and the traceability of the automatic inspection system and the setting of color standards for fruit culture. In order to meet the proposed objective, the banana (Musa sapientum) was chosen as a case study in the development of this research. As a result, a new methodology was developed to characterize the ripening stages of bananas using colorimetric analysis, proposing a standard for the industry with regard to the proposal of: a standardization of ripening stages classification, an efficient illumination system, the best background color and a calibration methodology to the system. Furthermore, a computer program was developed for measuring color by imaging, and a methodology for calibrating a computer vision system for color analysis. Keywords: Non-destructive Methods, Colorimetry, Computer Vision, Fruits, Standardization, Image. viii SUMÁRIO Nomenclatura.......................................................................................................................xiii Lista de Símbolos..................................................................................................................xv Lista de Figuras..................................................................................................................xvii Lista de Tabelas...................................................................................................................xxi 1. Introdução.........................................................................................................................01 1.1. Motivação.................................................................................................................02 1.1.1. As exportações e a importância da Metrologia....................................................03 1.1.2. As exportações de frutas do Brasil.......................................................................04 1.1.3. Ensaios para caracterização de frutas e a falta de padronização do setor............07 1.2. A Banana..................................................................................................................11 1.3. Objetivo da tese........................................................................................................15 1.4. Organização da tese..................................................................................................16 2. Estado da arte....................................................................................................................18 2.1. Classificação de características de frutos.................................................................19 2.1.1. Tomate..................................................................................................................19 2.1.2. Frutas Cítricas......................................................................................................21 2.1.3. Maçã.....................................................................................................................24 2.1.4. Manga...................................................................................................................28 2.1.5. Outras Aplicações................................................................................................29 2.2. Inspeção da cor de frutos..........................................................................................31 2.3. Análise de características da banana e a aplicação da inspeção automática.............40 2.4. Observações finais....................................................................................................45 3. Fundamentação Teórica...................................................................................................47 ix Sumário x 3.1. As teorias e fundamentos da cor...............................................................................48 3.2. Colorimetria..............................................................................................................52 3.3. Iluminação e suas principais características.............................................................58 3.3.1. A padronização da CIE........................................................................................59 3.3.2. Temperatura de cor e Índice de reprodução de cor..............................................62 3.3.3. Fontes luminosas..................................................................................................68 3.4. Sistemas de inspeção automática..............................................................................75 3.5. Análise de cor por imagem.......................................................................................77 3.5.1. Padronização e conversão para o sistema CIEXYZ.............................................79 3.6. Incerteza de medição de um Sistema Colorimétrico................................................82 3.6.1. Fator de radiância espectral..................................................................................82 3.6.2. Coordenadas de cromaticidade.............................................................................86 3.6.3. Temperatura de cor correlata................................................................................88 3.6.4. Índice de reprodução de cor.................................................................................90 4. Materiais e Métodos..........................................................................................................96 4.1. Análise espectral do amadurecimento de frutas.......................................................97 4.1.1. Materiais...............................................................................................................97 4.1.1.1. Instrumentos e Equipamentos........................................................................97 4.1.1.2. Frutas...........................................................................................................101 4.1.2. Método...............................................................................................................103 4.1.2.1. Principais etapas...........................................................................................103 4.1.2.2. Caracterização da fonte de iluminação em TCC e IRC................................104 4.1.2.3. Verificação do sistema espectrocolorimétrico..............................................105 4.1.2.4. Análise espectral de frutas em diferentes etapas de amadurecimento..........106 4.1.2.5. Análise espectral da casca da banana durante o amadurecimento................106 x Sumário 4.2. xi Análise da influência da iluminação e da cor do fundo na percepção da cor.........108 4.2.1. Sistema de iluminação preliminar......................................................................108 4.2.1.1. Materiais.......................................................................................................108 4.2.1.2. Método..........................................................................................................109 4.2.2. Sistema Espectrocolorimétrico...........................................................................110 4.2.2.1. Materiais.......................................................................................................110 4.2.2.1.1. Instrumentos e Equipamentos................................................................110 4.2.2.1.2. Fontes.....................................................................................................112 4.2.2.1.3. Fundos....................................................................................................114 4.2.2.2. Método..........................................................................................................114 4.2.2.2.1. Principais etapas.....................................................................................114 4.2.2.2.2. Caracterização da fonte de iluminação em TCC e IRC.........................115 4.2.2.2.3. Caracterização da cor do fundo..............................................................116 4.2.2.2.4. Verificação do sistema espectrocolorimétrico.......................................117 4.2.2.2.5. Análise espectral da casca da banana nas subclasses de amadurecimento...................................................................................................................118 4.3. Sistema de visão computacional (SVC).................................................................120 4.3.1. Calibração do sistema SVC................................................................................120 4.3.2. Análise da cor da casca da banana por análise de imagem................................121 5. Resultados e Discussões..................................................................................................123 5.1. Análise espectral do amadurecimento de frutas.....................................................123 5.1.1. Caracterização da fonte de iluminação em TCC e IRC.....................................123 5.1.2. Verificação do sistema espectrocolorimétrico...................................................125 5.1.3. Análise espectral de frutas em diferentes etapas de amadurecimento................127 5.1.4. Análise espectral da casca da banana durante o amadurecimento.....................130 xi Sumário 5.2. xii Análise da influência da iluminação e da cor do fundo na percepção da cor.........138 5.2.1. Sistema de iluminação preliminar......................................................................138 5.2.2. Sistema Espectrocolorimétrico...........................................................................143 5.2.2.1. Caracterização da fonte de iluminação em TCC e IRC................................144 5.2.2.2. Caracterização da cor do fundo....................................................................147 5.2.2.3. Verificação do sistema espectrocolorimétrico..............................................149 5.2.2.4. Análise espectral da casca da banana nas subclasses de amadurecimento...152 5.2.2.4.1. Influência da iluminação na caracterização das subclasses de amadurecimento da banana...................................................................................................158 5.2.2.4.2. Influência da cor do fundo na caracterização das subclasses de amadurecimento da banana...................................................................................................162 5.3. Sistema de visão computacional (SVC).................................................................167 5.3.1. Calibração do sistema SVC................................................................................167 5.3.2. Análise da cor da casca da banana por análise de imagem................................172 6. Conclusões e trabalhos futuros......................................................................................174 6.1. Conclusões..............................................................................................................174 6.2. Trabalhos publicados..............................................................................................178 6.3. Trabalhos futuros....................................................................................................179 7. Bibliografia......................................................................................................................181 A. Glossário.......................................................................................................................193 A.1 Termos importante em colorimetria..............................................................................193 A.2 Definições importantes em colorimetria........................................................................206 B. Tabela comparativa das referências..........................................................................223 C. Resultados Adicionais..................................................................................................249 C.1 Coordenadas de cromaticidade da banana usando diferentes fundos e fontes..............249 xii Nomenclatura ABANORTE Associação Central dos Fruticultores do Norte de Minas ABNT NBR Associação Brasileira de Normas Técnicas APEX Agência de Promoção de Exportações e Investimentos ASTA American Spice Trade Association ASTM American Society for Testing and Materials BIPM Bureau Internacional de Pesos e Medidas CCD Charge Coupled Device CEAGESP Companhia de Entrepostos e Armazéns Gerais de São Paulo CIE Comissão Internacional de Iluminação (Comission Internationale de L’eclairage) CMOS Complementary Metal Oxide Semiconductor Diopt Divisão de Metrologia Óptica do Inmetro EMBRAPA Empresa Brasileira de Pesquisa Agropecuária END Ensaios Não Destrutivos EVA Etil Vinil Acetato IEC International Electrotechnical Commission INM Instituto Nacional de Metrologia Inmetro Instituto Nacional de Metrologia, Normalização e Qualidade Industrial IRC Índice de Reprodução de Cor ISO International Standard Organization ISO GUM Guia para a expressão de incerteza de medição Lacoe Laboratório de Colorimetria e Espectrofotometria do Inmetro Laraf Laboratório de Radiometria e Fotometria do Inmetro LED Diodo Emissor de Luz (do inglês Light Emission Diode) xiii Nomenclatura xiv LMDC Laboratório de Metrologia Dimensional e Computacional da UFF NTC Norma Técnica Colombiana OMC Organização Mundial do Comércio PBMH Programa Brasileiro para a Modernização da Horticultura PIF Produção Integrada de Frutas do Brasil Ra Índice de Reprodução de Cor Geral RGB Red (vermelho), Green (verde) e Blue (azul). Ri Índice de Reprodução de Cor Individual SI Sistema Internacional de Unidades SIA Sistema de Inspeção Automática SVC Sistema de Visão Computacional TBT Barreiras Técnicas ao Comércio TC Temperatura de Cor TCC Temperatura de Cor Correlata UCS Escala Uniforme de Cromaticidade (uniform chromaticity scale) UFF Universidade Federal Fluminense VB Visual Basic Lista de Símbolos T [K] kelvin X - valor triestímulo CIE Y - valor triestímulo CIE Z - valor triestímulo CIE x - coordenada de cromaticidade CIE 1931 y - coordenada de cromaticidade CIE 1931 z - coordenada de cromaticidade CIE 1931 u’ - coordenada de cromaticidade CIE 1976 v’ - coordenada de cromaticidade CIE 1976 - função de equalização de cor CIE 1931 - função de equalização de cor CIE 1931 - função de equalização de cor CIE 1931 [nm] intervalo de comprimento de onda - função de equalização de cor rgb V( ) - função de eficiência luminosa 1924 da CIE S( ) - distribuição de potência espectral relativa ( ) - função estímulo de cor d( ) refletância espectral R( ) transmitância espectral ( ) L* - luminosidade no sistema CIELAB a* - cromaticidade no sistema CIELAB b* - cromaticidade no sistema CIELAB xv Lista de Símbolos xvi - diferença de cor no sistema CIELAB TC [K] temperatura de cor TCC [K] temperatura de cor correlata IRC - índice de reprodução de cor Ra - índice de reprodução de cor geral Ri - índice de reprodução de cor especial Lista de Figuras 1.1 Principais partes de uma bananeira adulta................................................... 12 1.2 Escala de maturação de Von Loesecke........................................................ 14 1.3 Resumo da metodologia proposta................................................................ 17 3.1 Representação espectral do fenômeno da cor.............................................. 50 3.2 Propriedades da cor e sua alteração na distribuição espectral..................... 52 3.3 Experimento da CIE realizado em 1931...................................................... 53 3.4 Funções 3.5 Plano X+Y+Z=1 e o diagrama de cromaticidade xy................................... 55 3.6 Colorímetro triestímulo e espectrocolorímetro............................................ 56 3.7 A elipse de Mac Adam para os diagramas CIE (x,y) e CIE (u’,v’)............. 57 3.8 Representação do espaço CIELAB.............................................................. 58 3.9 Distribuição espectral dos iluminantes A e D65........................................... 60 ........................................... 53 e 3.10 Distribuição espectral dos iluminantes D..................................................... 60 3.11 Geometrias 45º:0º, 0º:45º e di:8º para medidas por reflexão....................... 62 3.12 Diagrama UCS 1960 e a localização do lócus de Planck............................ 64 3.13 Conjunto de 14 cores de Munsell para cálculo do IRC................................ 67 3.14 Exemplos de lâmpadas incandescentes comuns e refletoras....................... 69 3.15 Exemplos de lâmpadas incandescentes halógenas....................................... 69 3.16 Exemplos de lâmpadas fluorescentes tubulares de baixa pressão................ 71 3.17 Exemplos de lâmpadas de descarga de alta pressão.................................... 72 3.18 Exemplos de distribuições espectrais de lâmpadas comerciais................... 74 3.19 Exemplo de um sistema de inspeção automática......................................... 76 3.20 Filtro de Bayer usado em câmeras digitais.................................................. 78 xvii Lista de Figuras xviii 3.21 Distribuição espectral de câmeras digitais...................................................... 78 4.1 Resumo da metodologia................................................................................. 97 4.2 Esquemático do sistema espectrocolorimétrico do Lacoe.............................. 100 4.3 Diagrama da rastreabilidade do sistema espectrocolorimétrico..................... 101 4.4 Frutas caracterizadas no sistema espectrocolorimétrico................................. 102 4.5 Bananas na subclasse C1 de amadurecimento................................................ 102 4.6 Suporte para posicionamento da banana durante as medições....................... 103 4.7 Sistema experimental preliminar do LMDC................................................... 109 4.8 Frutas observadas sob diferentes tipos de iluminação.................................... 109 4.9 Esquemático do sistema espectrocolorimétrico do Laraf............................... 112 4.10 Cores de fundo utilizadas no sistema espectrocolorimétrico do Laraf........... 114 4.11 Subclasses do amadurecimento da banana..................................................... 118 4.12 Sistema espectrocolorimétrico com sistema de aquisição de imagem........... 120 5.1 Sistema espectrocolorimétrico Lacoe............................................................. 124 5.2 Radiância espectral da lâmpada halógena Fel 676......................................... 124 5.3 Distribuição espectral da lâmpada halógena Fel 676..................................... 124 5.4 Radiância espectral das placas coloridas........................................................ 125 5.5 Fator de radiância das placas vermelha, verde e azul do conjunto DP01....... 126 5.6 Distribuição espectral da banana verde e amarela.......................................... 128 5.7 Distribuição espectral da goiaba verde e amarela........................................... 128 5.8 Distribuição espectral da laranja verde e amarela.......................................... 128 5.9 Distribuição espectral do limão verde e amarelo........................................... 129 5.10 Distribuição espectral da maçã verde e vermelha.......................................... 129 5.11 Distribuição espectral do mamão verde e amarelo......................................... 129 5.12 Distribuição espectral da manga verde e vermelha........................................ 129 Lista de Figuras xix 5.13 Distribuição espectral do maracujá verde e amarelo...................................... 129 5.14 Evolução diária do amadurecimento da banana ‘Prata’................................. 131 5.15 Evolução diária do fator de radiância durante o amadurecimento................. 131 5.16 Média do fator de radiância de cada etapa do amadurecimento da banana... 133 5.17 Evolução da atenuação (680 nm) durante o amadurecimento da banana........ 134 5.18 Evolução de CIELAB durante o amadurecimento da banana ‘Prata’............. 135 5.19 Indicador “a/b” durante o amadurecimento da banana.................................... 136 5.20 Evolução do RCI_banana durante as etapas de amadurecimento................... 137 5.21 Sistema espectrocolorimétrico do Laraf.......................................................... 143 5.22 Radiância espectral das lâmpadas................................................................... 145 5.23 Distribuição espectral das lâmpadas................................................................ 146 5.24 Radiância espectral dos diferentes fundos em E.V.A..................................... 148 5.25 Fator de radiância dos diferentes fundos em E.V.A........................................ 148 5.26 Valores de L*a*b* dos diferentes fundos em E.V.A...................................... 149 5.27 Radiância espectral das placas vermelha, verde e azul medidas no Laraf...... 150 5.28 Fator de radiância das placas vermelha, verde e azul medidas no Laraf......... 150 5.29 Bananas nas subclasses C1 a C7 de amadurecimento..................................... 152 5.30 Bananas na subclasse C6 sob as fontes F01 a F09 sobre o fundo preto.......... 152 5.31 Bananas na subclasse C6 sobre diferentes fundos e sob a fonte F04.............. 153 5.32 Espectro das subclasses das bananas, fonte F01, fundo preto......................... 153 5.33 Espectro das subclasses das bananas, fonte F02, fundo preto......................... 154 5.34 Espectro das subclasses das bananas, fonte F03, fundo preto......................... 154 5.35 Espectro das subclasses das bananas, fonte F04, fundo preto......................... 154 Lista de Figuras xx 5.36 Espectro das subclasses das bananas, fonte F05, fundo preto....................... 155 5.37 Espectro das subclasses das bananas, fonte F06, fundo preto....................... 155 5.38 Espectro das subclasses das bananas, fonte F07, fundo preto....................... 155 5.39 Espectro das subclasses das bananas, fonte F08, fundo preto....................... 156 5.40 Espectro das subclasses das bananas, fonte F09, fundo preto....................... 156 5.41 Valores de L* para as fontes F01 a F09 para cada subclasse........................ 158 5.42 Valores de b* para as fontes F01 a F09 para cada subclasse........................ 159 5.43 Valores de a* para as fontes F01 a F09 para cada subclasse........................ 159 5.44 E* das fontes usadas com a fonte F04 como referência.............................. 161 5.45 E* das fontes usadas com a fonte F03 como referência.............................. 161 5.46 Desvio de L* dos fundos coloridos com o fundo preto como referência...... 164 5.47 Desvio de b* dos fundos coloridos com o fundo preto como referência...... 164 5.48 Desvio de a* dos fundos coloridos com o fundo preto como referência....... 164 5.49 E* dos fundos usados com a cor preta como referência............................. 165 5.50 Sistema espectrocolorimétrico com sistema de aquisição de imagem.......... 167 5.51 Resposta do SVC em relação às medidas do PR 650.................................... 168 5.52 Valores XYZ do SVC após correção............................................................. 169 Lista de Tabelas 3.1 Fontes de luz com as respectivas temperaturas de cor correlatas.......................... 65 3.2 Valores de TCC e IRC para algumas fontes de luz............................................... 67 4.1 Instrumentos e padrões do sistema espectrocolorimétrico do Lacoe.................... 4.2 Melhor capacidade de medição para o fator de radiância espectral...................... 100 4.3 Melhor capacidade de medição para coordenada de cromaticidade..................... 101 4.4 Instrumentos e Padrões do sistema espectrocolorimétrico do Laraf..................... 111 4.5 Fontes comerciais utilizadas no sistema espectrocolorimétrico do Laraf............. 113 5.1 CCT e IRC da lâmpada halógena Fel 676............................................................. 124 5.2 Resultados das placas vermelha, verde e azul do conjunto DP01......................... 126 5.3 Valores certificados das placas vermelha, verde e azul do conjunto DP01.......... 126 5.4 Comparação das placas vermelha, verde e azul com o certificado....................... 127 5.5 Limite para o fator de radiância de cada subclasse de amadurecimento............... 134 5.6 Limite para o indicador RCI_banana de cada subclasse de amadurecimento....... 137 5.7 Imagens de algumas frutas sob diferentes tipos de iluminação............................. 139 5.8 CCT e IRC das diferentes fontes........................................................................... 146 5.9 Coordenadas de cromaticidade dos diferentes fundos em E.V.A......................... 149 98 5.10 Resultado das placas vermelha, verde e azul medidos no Laraf........................... 151 5.11 Valores certificados das placas vermelha, verde e azul do conjunto DP01.......... 151 5.12 Comparação das placas vermelha, verde e azul com o certificado....................... 151 5.13 Coordenadas de cromaticidade da subclasse C1, diferentes fundos e fontes........ 157 5.14 Coordenadas de cromaticidade das placas coloridas obtidas pelo SVC................ 168 xxi Lista de Tabelas xxii 5.15 Coordenadas de cromaticidade obtidas a partir do SVC calibrado...................... 170 5.16 Comparação entre o SVC e o sistema espectrofotométrico................................. 171 5.17 Resultado de CIELAB das bananas sob a fonte F03 e sobre o fundo preto......... 173 B.1 Tabela comparativa das referência....................................................................... 224 C.1 Coordenadas de cromaticidade da subclasse C2, diferentes fundos e fontes....... 250 C.2 Coordenadas de cromaticidade da subclasse C3, diferentes fundos e fontes....... 251 C.3 Coordenadas de cromaticidade da subclasse C4, diferentes fundos e fontes....... 252 C.4 Coordenadas de cromaticidade da subclasse C5, diferentes fundos e fontes....... 253 C.5 Coordenadas de cromaticidade da subclasse C6, diferentes fundos e fontes....... 254 C.6 Coordenadas de cromaticidade da subclasse C7, diferentes fundos e fontes....... 255 Capítulo 1 Introdução O emprego de técnicas de ensaios nas etapas de processamento e controle da qualidade de produtos ocasiona inevitavelmente impacto sobre a redução de custos e de perdas no final da produção. Nos últimos dez anos constatou-se um considerável avanço nas técnicas de ensaios e os extraordinários recursos disponíveis de eletrônica e de informática constituíram importantes fatores de desenvolvimento e implementação da automação, permitindo o monitoramento permanente durante o processo. Tais técnicas têm evoluído no mercado mundial de forma sistemática, carecendo, porém de padronização quanto às normas de execução. Diante da crescente demanda de aceleração dos processos, o desenvolvimento de novos materiais e novas tecnologias, faz-se necessário possibilitar às indústrias, empresas e centros de pesquisas novas tecnologias que aperfeiçoem o desempenho dos processos, contribuindo para a melhoria 1 1. Introdução 2 e otimização dos seus sistemas de forma a propiciar a redução da vulnerabilidade das suas operações e a padronização deste setor. 1.1 Motivação A inspeção visual, apesar de ser uma técnica antiga, ainda é um ensaio não destrutivo (END) largamente utilizado para avaliar as condições de qualidade do material visto que é de fácil execução, de baixo custo e geralmente não requer equipamento especial, sendo considerado um método primário nos programas de controle de qualidade. A inspeção visual requer boa visão, boa condição de iluminação e experiência do técnico no reconhecimento de defeitos. Com o desenvolvimento de softwares, câmeras digitais, computadores com maiores recursos e interfaces, além da redução dos preços e facilidade de acesso às novas tecnologias, a área de Visão Computacional surge como uma ferramenta para o desenvolvimento de novas metodologias de ensaios não destrutivos com grandes aplicações em diversas áreas. A utilização de inspeções automatizadas nas indústrias vem se tornando cada vez mais uma solução interessante, principalmente para análise de conformidade, buscas de defeitos, e análise final da qualidade do produto. Ao contrário dos problemas apresentados para as inspeções visuais realizadas por pessoas, estes tipos de sistemas podem oferecer repetitividade em medições sem contato, especialmente por eliminar aspectos como subjetividade, fadiga, lentidão e custo associados à inspeção humana. Desta forma, são várias as justificativas para o emprego destas novas metodologias de medição, que pode envolver não apenas aspectos dimensionais, mas também características de aparência, como no caso de alimentos, tecidos, cosméticos, tintas, etc., englobando todos os setores industriais. A utilização de inspeções automatizadas na agricultura e nas indústrias alimentícias vem se tornando cada vez mais uma solução interessante na análise final da 1. Introdução 3 qualidade do produto, a qual considera características de cor, textura e forma, que são normalmente os critérios utilizados pelo consumidor na aquisição do produto (Gomes e Leta, 2012). O principal desafio para estes sistemas de inspeção por imagem é combinar a qualidade dos resultados com a redução dos custos e perdas no processo, considerando principalmente a exatidão e confiabilidade do processo. Para isto cada sistema deve ser desenvolvido e configurado de forma a considerar sua reprodutibilidade e rastreabilidade, tornando-se um desafio para as indústrias, exigindo desta forma uma maior interface das áreas de Engenharia, Metrologia e Computação. 1.1.1 As exportações e a importância da Metrologia Visando proteger seus mercados, alguns países têm utilizado vários mecanismos de barreiras comerciais, tarifárias ou não, que dificultam o acesso de mercadorias importadas. De forma a evitar o abuso no uso de barreiras técnicas pelos diversos países, a Organização Mundial do Comércio (OMC) firmou o Acordo sobre Barreiras Técnicas ao Comércio (TBT), que tem como objetivo garantir que as normas, regulamentos técnicos e procedimentos de avaliação da conformidade não se transformem em obstáculos desnecessários ao comércio (Inmetro, 2010). O reconhecimento da equivalência das medições e a sua aceitação pelas autoridades nacionais reduzem os efeitos das barreiras técnicas ao comércio, possibilitando o atendimento às normas internacionais e o aumento da confiança entre o importador e o exportador, viabilizando desta forma as exportações. Devido à necessidade de padronização das medidas realizadas em diversos países, foi assinada a Convenção do Metro que criou o Bureau Internacional de Pesos e Medidas (BIPM), agência formada por especialistas de vários países do mundo que estuda a uniformização das medidas e a definição e realização das grandezas que 1. Introdução 4 compõem o Sistema Internacional de Unidades (SI). A convenção estabeleceu a forma global da ciência das medições e sua aplicação nas áreas industrial, comercial e na sociedade. O objetivo original da Convenção do Metro – a uniformidade das medições em todo o mundo – permanece importante até hoje (BIPM, 2010). Contudo, nos últimos anos, têm ocorrido mudanças significativas no mundo, tais como os efeitos da globalização, preocupações com a saúde e o meio ambiente, novas tecnologias e o reconhecimento da importância do comércio mundial para o crescimento da economia, exigindo exatidão, confiabilidade e rastreabilidade das medições, resultando em benefícios técnicos e econômicos. A necessidade de medição em novas áreas é um estímulo à inovação tecnológica para o crescimento da economia, impondo a necessidade de criação de novas metodologias. 1.1.2 As exportações de frutas do Brasil O Brasil, acompanhando as tendências desse contexto de comercialização, vem ao longo do tempo aprimorando os processos e garantindo a qualidade de diversos produtos de forma a atender as exigências internacionais e se posicionar de forma consistente no mercado global. Em seis anos o comércio de frutas cresceu significativamente, saindo dos cerca de US$ 200 milhões em 2001 para quase US$ 700 milhões em 2011 (MDIC, 2012). Até o ano de 2007 o Brasil ocupava o 3º lugar no mundo na produção de frutas, com 42 milhões de toneladas produzidas de um total de 340 milhões de toneladas colhidas em todo o mundo anualmente, perdendo para a China e a Índia (Embrapa, 2010). A maior parte das frutas brasileiras é vendida para os EUA e países da Europa. Os grandes importadores atuais são EUA, Alemanha, Espanha, Inglaterra, Portugal e França. A meta da Agência de Promoção de Exportações e Investimentos (APEX) é estender as vendas para a Ásia e o Oriente Médio, entre outras regiões com grande 1. Introdução 5 mercado potencial, como Rússia, Leste Europeu e América Latina. As frutas manga, melão, uva, banana, maçã, mamão papaia, lima ácida, laranja, tangerina, melancia e abacaxi representam 99% das exportações brasileiras (Apex, 2010). Existem grandes expectativas para que o Brasil se torne a grande potência mundial em exportação de frutas, devido à sua grande área territorial que ainda não é totalmente cultivada, além do clima propício para o cultivo de muitas variedades de frutas durante todo o ano. Porém, alguns problemas na produção ainda impedem que este setor cresça conforme suas capacidades. As perdas no mercado interno chegam a 40% do total do volume apresentado na produção e o mau uso das técnicas de manejo do solo e da plantação, a falta de estrutura de armazenamento, logística, embalagens inadequadas e a desinformação do produtor contribuem para o aumento dessas perdas (Abanorte, 2010). Para atender a todos os pré-requisitos e lidar com seu alto nível de perecibilidade e fragilidade que são intrínsecos, a fruta exige um complexo sistema de plantio, colheita, tratamento pós-colheita, armazenagem, transporte e exposição nos pontos de venda, e todo esse sistema é muitas vezes inacessível para os produtores brasileiros. Desta forma, com o objetivo de aumentar as exportações brasileiras e atender às exigências internacionais, têm-se implementado sistemas de qualidade, tanto do setor privado, como no governamental, destacando-se o Programa “Produção Integrada de Frutas do Brasil” (PIF/Brasil) do Governo Federal (Inmetro, 2010). O principal objetivo do PIF é substituir as práticas convencionais de alto custo e perdas, por um processo que possibilite a diminuição dos custos de produção, melhoria da qualidade, redução dos danos ambientais e aumento do grau de credibilidade e confiabilidade do consumidor em relação às frutas brasileiras. O PIF envolve as seguintes áreas: Regulamentos técnicos, Normas, Avaliação da conformidade, 1. Introdução 6 Registros, Certificação, Sanidade dos produtos, Rastreabilidade, Qualidade dos produtos, Produtos não geneticamente modificados, Tecnologias de gestão, Boas práticas de fabricação e Segurança dos alimentos. As normas brasileiras para a classificação de frutas foram criadas a partir do Programa Brasileiro para a Modernização da Horticultura (PBMH), onde foram definidos critérios específicos para a avaliação de diversas frutas (Inmetro, 2010). A classificação é a comparação do produto com padrões pré-estabelecidos, enquadrando-o em grupos, classes e tipos. Através da classificação é possível obter-se um produto em lotes homogêneos, caracterizados por tamanho, cor e qualidade. Uma norma de classificação deve garantir a homogeneidade visual do lote; utilizar características mensuráveis; abranger todo o lote; atender às exigências do mercado; e ser de fácil adoção pelos produtores. As normas orientam que os lotes das frutas sejam caracterizados por seu grupo, classe (tamanho), subclasse (estádio1 de maturação), modo de apresentação e categoria (qualidade) e os selos de conformidade aderidos às embalagens das frutas, informam ao consumidor sobre: (i) procedência dos produtos; (ii) procedimentos técnicos operacionais adotados; e (iii) produtos utilizados no processo produtivo, dando transparência ao sistema e confiabilidade ao consumidor, possibilitando que a fruta possa ser identificada desde a fonte de produção até o seu destino final, a comercialização. As frutas que se encontram hoje em processo no programa PIF são: maçã, uva, manga, mamão, citros, banana, pêssego, figo, melão, caju, coco, caqui, goiaba, abacaxi e maracujá (Inmetro, 2010). 1 Estádio de maturação é o termo usado para indicar o estado de maturação do fruto. 1. Introdução 7 1.1.3 Ensaios para caracterização de frutas e a falta de padronização do setor As frutas apresentam uma grande variedade de formas, tamanhos, cores e sabores e à medida que o mercado torna-se mais exigente, as frutas passam a ser subdivididas de várias maneiras e a serem destinadas a diferentes segmentos. A definição e a caracterização destes diferentes atributos são muito importantes para a comercialização e para o consumidor final, fazendo-se necessário o estabelecimento de normas de classificação e padronização para unificar a linguagem do mercado e possibilitar uma comercialização mais eficiente e maior conscientização do consumidor. A definição de normas é muito importante para todos os segmentos envolvidos na produção, principalmente para os agricultores e os técnicos, visando atender as barreiras técnicas impostas pelo mercado internacional. Os produtos da fruticultura são caracterizados por vários atributos quantitativos, como tamanho e peso, e qualitativos, como forma, cor, grau de maturação e aspecto visual. Quando limites ou medidas são estabelecidos para estes atributos, determinam-se os padrões do produto. Os padrões servem como pontos de referência ou modelos para que se compare e avalie o grau de semelhança dos demais exemplares do mesmo produto. Além do produto, a padronização abrange também a embalagem, apresentação, identificação e outros aspectos. A aparência fresca e consistente, textura aceitável, sabor e aroma característicos, além de vida de prateleira suficiente para que sobrevivam ao sistema de distribuição, são determinantes da qualidade do produto. No entanto, a qualidade da fruta pode ser afetada por diversos fatores durante o processo, tais como nas etapas de processamento, enxágue e sanitização2, manejo, embalagem, etc. Porém um dos fatores de maior influência na qualidade da fruta é o grau de maturidade no momento da colheita, visto 2 Sanitização é a técnica empregada nas indústrias de alimentos para obtenção de condições higiênicas indispensáveis a um produto de boa qualidade (Moreti, 2001). 1. Introdução 8 que produtos colhidos imaturos não desenvolvem adequadamente suas características normais, tais como, cor, sabor, aroma, textura, etc., e quando colhidos muito maduros, apresentam uma pequena vida útil. O ciclo vital das frutas inicia-se com a fertilização, seguida pelas etapas da formação, crescimento, maturação e senescência. O desenvolvimento (formação, crescimento e maturação) ocorre mediante uma série dinâmica de processos fisiológicos e bioquímicos geneticamente programados, culminando com a senescência e morte celular. As frutas carnosas ou polpudas são normalmente colhidas na fase da maturação na qual ocorre uma sequência de transformações na cor, na textura, no aroma e no sabor, devido a transformações físicas, químicas e bioquímicas, que as tornam apropriadas para o consumo. A fase final da maturação é denominada como amadurecimento. As frutas podem ser classificadas em climatérias ou não-climatérias, de acordo com seu potencial de amadurecimento após a colheita, que varia em função da sua atividade respiratória e conseqüente produção de etileno durante esta fase (Chitarra e Chitarra, 2005). As frutas climatérias são aquelas que podem amadurecer na planta ou após a colheita, e quando colhidas, apresentam uma rápida atividade respiratória, produzindo maiores quantidades de etileno (exemplo: banana). Já as frutas consideradas não-climatérias são aquelas que só completam o amadurecimento quando permanecem na planta, apresentam uma lenta atividade respiratória e produzem pequenas quantidades de etileno (exemplo: frutas cítricas) (Chitarra e Chitarra, 2005). Durante o amadurecimento, o fruto torna-se mais macio e mais colorido em decorrência da degradação e do desenvolvimento acentuado de pigmentos. Os principais pigmentos responsáveis pela aparência colorida das frutas são a clorofila (azul- 1. Introdução 9 esverdeado ao verde-amarelado), carotenóides (vermelho, laranja, amarelo ou marrom) e flavonóides (antocianidinas) (azul, vermelho, púrpura e amarelo) (Chitarra e Chitarra, 2005). A clorofila é abundante nos produtos de cor verde, principalmente nas frutas jovens. Com a evolução da maturação há a degradação da clorofila, tornando visíveis pigmentos pré-existentes, ou possibilitando a síntese de novos pigmentos responsáveis pela coloração característica de cada espécie. A perda da cor verde é utilizada como indicativo ou guia da maturidade. Os carotenóides3 são, em geral, pigmentos de cor amarela, laranja ou vermelha, e podem já estar presentes na fruta, tornando-se visíveis com a degradação da clorofila, ou podem ser sintetizados simultaneamente, com a degradação desta. A maioria das frutas de coloração vermelha, púrpura ou violeta é rica em flavonóides4 (antocianidinas). Como são de tons mais intensos, em geral ocultam a cor devido à clorofila e aos carotenóides, mascarando a coloração dos outros pigmentos. A cor da casca da fruta é um bom indicador para descrever o seu estádio de amadurecimento ou a sua qualidade. Cada fruta apresenta diferentes tipos e concentrações de pigmentos que absorvem radiações eletromagnéticas no comprimento de onda do visível e a diferença de coloração de cada fruta pode ser determinada em função da radiação refletida na superfície. Os principais pigmentos das frutas que apresentam absorção da radiação eletromagnética na região do visível, de acordo com Chitarra e Chitarra (2005), são a clorofila, os carotenóides, as antocianinas, enquanto que a água, os carboidratos, as gorduras e as proteínas apresentam absorção na região do infravermelho próximo. 3 Carotenóides (nome genérico do caroteno) são grupos de pigmentos lipossolúveis encontrados em vegetais verdes, amarelos e folhosos, e em frutas amarelas. (fonte: http://www.academicoo.com). 4 Flavonóides são compostos químicos que podem ser encontrados em frutas, vegetais, chás, vinho, chocolate e etc. (fonte: http://www.academicoo.com). 1. Introdução 10 A coloração está diretamente relacionada com a percepção da aparência da fruta pelo consumidor e é usada como parâmetro de seleção, sendo importante que a fruta apresente intensidade e uniformidade de coloração, o qual pode ser avaliado a partir da casca da fruta empregando ensaios não destrutivos. Este tipo de classificação, mesmo depois da automação de diversos setores industriais, ainda é uma tarefa, na maioria dos casos, realizada manualmente, principalmente para os pequenos e médios produtores. Para examinar a qualidade das frutas distribuídas no mercado, vários ensaios são realizados de forma a monitorar suas qualidades quantitativamente ou qualitativamente. De acordo com Chitarra e Chitarra (2005) os métodos para análise de produtos da horticultura dividem-se em subjetivos, aqueles que utilizam métodos sensoriais, e objetivos; e ambos também são classificados em destrutivos ou não destrutivos. Os métodos subjetivos utilizam os sentidos humanos, como tato, olfato, paladar e visão e são correlacionados com as medições físicas objetivas, que avaliam a forma, o volume, o tamanho, a densidade, a umidade, textura e cor, sendo determinados com o auxílio de equipamentos, empregando diversas metodologias. Atualmente existem inúmeros estudos sobre a utilização da visão computacional como solução para a classificação automática de frutas, com o objetivo de realizar a sua classificação e seleção de forma automatizada, sendo que muitos desses estudos estão voltados para a classificação de laranjas e maçãs (Kondo et al., 2000; Li et al., 2002; Simões e Costa, 2003; Unay e Gosselin, 2006; Gomez et al., 2008 e Xiao-bo et al., 2010). Por ser o sistema de classificação uma etapa importante do processamento na produção da fruta, outros autores têm dedicado pesquisas no desenvolvimento de sistemas automatizados para melhoria deste processo (Louro et al., 2006; Zheng et al., 2006). 1. Introdução 11 Porém a preocupação quanto à padronização das cores para a classificação dos estádios ainda é muito pequena. Os efeitos da iluminação, geometria, cores do ambiente, tipos de iluminantes, observadores, etc., apresentam-se como fatores importantes na análise das cores, e ainda são pouco considerados nos sistemas de inspeção automática utilizados hoje nas indústrias. 1.2 A Banana A banana (Musa sapientum) é uma fruta climatéria (Embrapa, 2001, 2006) produzida na maioria dos países tropicais. A banana é uma das frutas mais consumidas mundialmente e sua produção tem aumentado anualmente, sendo o Brasil um dos quatro maiores produtores mundiais. A boa aceitação da banana deve-se ao seu alto valor nutricional, constituindo fonte de calorias, vitaminas e minerais de baixo custo. É o fruto partenocárpico (fruto sem formação de semente e em geral sem prévia fecundação) comestível da bananeira (da família das Musáceas) originada no continente asiático e cultivada em todos os estados brasileiros, com maior concentração nos estados de São Paulo, Bahia, Pará, Santa Catarina e Minas Gerais (Embrapa, 2006). A bananeira (figura 1.1) é uma planta não-lenhosa, cujo falso tronco é formado por camadas sucessivas de folhas sobrepostas (bainha foliar), constituindo um conjunto rígido. O caule verdadeiro, denominado rizoma, é curto e subterrâneo e constitui um órgão de reserva onde se inserem as raízes. Do centro da copa das folhas emerge a inflorescência (prolongamento semelhante ao caule provido de folhas modificadas onde se localizam as flores) que é denominada de cacho. O cacho é constituído pelo engaço, pencas, ráquis e coração (figura 1.1). De um modo geral, os frutos da bananeira são produzidos por partenocarpia e sem a presença de sementes (sementes frágeis e pequenas), e crescem uma única vez, devendo o pseudocaule ser cortado após a colheita para fortificar o rizoma, que fornecerá novos brotos, que são chamados de rebentos 1. Introdução 12 (filhos), que surgem na base da planta, possibilitando a renovação permanente dos bananais. Fig. 1.1: Principais partes de uma bananeira adulta (Adaptado de Feriotti, 2010). As bananas passam pelo ciclo vital comum das frutas, que são formação, crescimento, maturação e senescência. A fase de maturação é caracterizada por mudanças físicas e químicas que afetam as características do fruto, e o seu amadurecimento (fase final da maturação) é marcado por um aumento da taxa respiratória e da produção de etileno (climatério), seguido por um declínio desta produção, o que sinaliza o início da senescência (morte das células). A banana é considerada uma fruta altamente perecível devido a sua alta taxa de respiração, apresentando um alto índice de perdas na comercialização. A modificação mais característica ocorrida durante o amadurecimento da banana é o amarelecimento da casca. A clorofila, responsável pela coloração verde da casca, é degradada durante o amadurecimento, possibilitando a percepção da cor amarela 1. Introdução 13 característica dos carotenóides, já presentes na fruta (Embrapa, 2001). As melhores condições ambientais para armazenamento da banana são: temperatura entre 14ºC a 24ºC e umidade relativa de 85% a 90%. Quanto mais alta a temperatura, mais rápido será o amadurecimento (Embrapa, 2006). No Brasil, a Companhia de Entrepostos e Armazéns Gerais de São Paulo CEAGESP orienta a seguinte classificação para a comercialização da banana: Grupo: Representa a classificação quanto ao genoma da banana, A ou B, que fornece a identificação do tipo (Ex. Prata, Ouro, Maçã e etc.). Classe: Garante a homogeneidade quanto ao tamanho dos frutos. Subclasse: Separa os frutos de acordo com a sua maturação. Esta classificação é realizada através da coloração de cada fruto. Apresentação: Se refere à quantidade de frutos (Ex: Dedo, Buquê, Penca). As variedades de banana mais difundidas no Brasil são as do grupo Prata (Prata, Pacovan e Prata Anã), Maçã e Terra e as do grupo Cavendish (Nanica, Nanicão e Grande Naine). As variedades Prata, Prata Anã e Pacovan ocupam aproximadamente 60% da área cultivada com banana no Brasil (Embrapa, 2006). Dentre os parâmetros a serem avaliados o de maior complexidade é a determinação da subclasse, que avalia o fruto quanto à maturação. A figura 1.2 descreve a classificação da CEAGESP para a banana quanto aos estádios de maturação. Na coluna do lado direito da figura 1.2 é apresentada a interpretação da cor adotada por alguns agricultores na seleção das frutas. Esta avaliação é realizada de acordo com a coloração do fruto, porém, não há uma definição técnica a respeito das diferentes cores a classificar visto que a norma existente (CEAGESP, 2006) especifica somente a foto de cada subclasse para posterior comparação. 1. Introdução 14 Nº Classificação Descrição da Classificação 01 Verde Cor normal na colheita 02 Verde Claro Primeira mudança de cor durante o processo de amadurecimento Foto Classificação Interpretação da Classificação pelos Agricultores 03 Verde Amarelado Mudança pronunciada de cor. Ideal para ser enviada ao varejista em estações de clima temperado 04 Mais amarelado do que verde Cor recomendada para ser enviada ao varejista em estações de clima frio. Ideal para exposição ao varejista 05 Amarelada com pontas verdes Máximo amadurecimento para exposição ao varejista 06 Totalmente amarela Ideal para consumo 07 Amarelas com pintas marrons Completamente madura, com melhor sabor e maior valor nutritivo Fig. 1.2: Escala de maturação de Von Loesecke (CEAGESP, 2006). 1. Introdução 15 1.3 Objetivo da tese A partir da contextualização e formulação do problema apresentado, que consideram a grande importância da utilização dos ensaios não destrutivos na indústria de produtos agrícolas e a necessidade crescente de desenvolvimento de novas metodologias, além da importância da produção e comercialização de frutas para o país e a necessidade de padronização dos ensaios, tem-se o suporte na definição do objetivo desta pesquisa que consiste em: “Padronização de metodologia para caracterização de cor por imagem aplicada à seleção e classificação de frutas”. Desta forma, o objetivo desta tese é definir uma nova metodologia de ensaio não destrutivo utilizando técnicas de colorimetria e visão computacional para caracterização de cor por imagem, aplicada à produção integrada de frutas com foco na padronização das medidas, considerando aspectos importantes, tais como os efeitos da iluminação, características do ambiente, tipos de iluminantes, observadores, etc., além da rastreabilidade do sistema de inspeção automática e da definição de padrões de cor para a área de fruticultura. De forma a atender ao objetivo proposto, a banana foi escolhida como estudo de caso no desenvolvimento desta pesquisa, e como resultado, uma nova metodologia foi desenvolvida para caracterização das etapas de amadurecimento da banana a partir de análise colorimétrica, propondo uma padronização para o setor, no que diz respeito a padronização da classificação das etapas de amadurecimento, um sistema de iluminação mais eficiente, melhor cor de fundo a ser empregada, e proposta de calibração do sistema. Além disto, foi desenvolvido um programa computacional para medição de cor por imagem, e uma metodologia de calibração de um sistema de visão computacional para análise de cor. 1. Introdução 16 A aplicação de técnicas metrológicas na caracterização de frutas, além da padronização da nova metodologia desenvolvida, torna o trabalho inédito no setor e de grande importância para a exportação brasileira. 1.4 Organização da tese Esta tese está organizada em seis capítulos, sendo o primeiro destinado a apresentar a motivação e justificativa do tema. A motivação aborda uma discussão sobre a importância da metrologia para a exportação brasileira, as exigências internacionais e a importância da rastreabilidade neste setor, ressaltando a falta de padronização na etapa de classificação de frutas. O capítulo 2 reúne referências bibliográficas que apresentam metodologias com aplicação em sistemas de inspeção visual na agricultura e indústria alimentícia, além de bibliografias que focam a inspeção de características e a inspeção da cor de frutas, identificando os problemas atuais e seu estado da arte. No capítulo 3 é feita uma revisão teórica dos principais conceitos a serem abordados no desenvolvimento da tese. Nesta revisão teórica é apresentado teorias e modelos de cores, além da padronização criada pela CIE para o emprego de iluminantes na metrologia e uma discussão sobre os principais tipos de iluminação e suas principais características. O capítulo 4 apresenta a metodologia de análise de cor de frutas, desenvolvida nesta tese, usando técnicas instrumentais e visão computacional. O fluxograma da figura 1.3 resume a metodologia desenvolvida nesta pesquisa. 1. Introdução 17 Calibração do sistema de medição Estudo da amostra Estudo da cor do fundo usado de apoio Avaliação da cor para classificação do amadurecimento da fruta Estudo da fonte de iluminação Fig. 1.3: Resumo da metodologia proposta. No capítulo 5 são apresentados os resultados obtidos e discussões, com posterior conclusão e proposta de trabalhos futuros apresentada no capítulo 6. Nos apêndices apresentam-se algumas informações que agregam conhecimentos à pesquisa teórica realizada. No apêndice A é elaborado um glossário de alguns termos importantes em Colorimetria (A.1) e algumas definições importantes empregadas em colorimetria devido à carência de bibliografias nesta área (A.2). No apêndice B é apresentada uma tabela comparativa das referências consultadas durante esta pesquisa de forma a proporcionar uma melhor percepção das discussões abordadas nos artigos analisados. No apêndice C encontram-se os resultados obtidos na análise de cor da casca da banana usando diferentes fontes e fundos, complementando os resultados apresentados no capítulo 5. Capítulo 2 Estado da arte A tendência do aumento do uso de novas tecnologias de processo e o grande custo do controle de qualidade, devido às novas restrições do mercado, tem induzido a necessidade de automatização dos processos nas indústrias e favorecido cada vez mais o desenvolvimento de novas metodologias para a otimização desses processos. A revisão bibliográfica, apresentada a seguir, enfoca trabalhos que abordam métodos não destrutivos utilizando Visão Computacional, demonstrando suas aplicações e o seu estado da arte no setor alimentício, com foco na caracterização de cor por imagem aplicada à seleção e classificação de frutas, e de suas diversas características, tais como forma, textura, rugosidade e cor, além de publicações que abordam estudos de características da banana. No apêndice B encontra-se uma tabela que permite uma rápida análise dos artigos citados neste capítulo de revisão bibliográfica. Na tabela A.B.1, organizada em 18 2. Estado da Arte 19 ordem cronológica, são apresentados para cada artigo analisado: título, autores, revista, ano, produto abordado, tipo, sistema de cor empregado, característica estudada e resumo/conclusão, etc.. Gomes e Leta (2012) apresentam uma síntese desta revisão, descrevendo a aplicação dos sistemas de inspeção visual na agricultura e indústria alimentícia. 2.1 Classificação de características de frutos Com o aumento das exportações de frutos e da exigência pela qualidade, os países desenvolveram seus critérios de aceitação e os parâmetros de qualidade para os frutos comercializados. Com o objetivo de aumentar a eficiência do processamento para atender às estas exigências, diversos trabalhos têm sido desenvolvidos nos últimos dez anos, demonstrando as diversas aplicações da Visão Computacional neste setor. 2.1.1 Tomate A aparência do tomate é um dos importantes parâmetros para avaliar a sua qualidade e para isto algumas características devem ser analisadas, tais como o tamanho, a forma tridimensional, a cor e a uniformidade da cor, além da observação de possíveis defeitos. Todos estes aspectos foram estudados por Jahns et al. (2001) utilizando lógica nebulosa, demonstrando a importância da Visão Computacional na inspeção deste fruto. Neste trabalho Jahns et al. (2001) tiveram como objetivo a classificação de tomates visando atender principalmente aos requisitos definidos na regulamentação americana quanto à qualidade deste fruto. Para isto foi usado, a partir do sistema RGB, a normalização do R, o índice de G e o comprimento de onda dominante como índice de maturidade. Polder et al. (2003) também analisaram estas características em tempo real, mostrando que dois componentes principais da distribuição espectral da imagem do amadurecimento do tomate correspondem à diminuição da clorofila e ao aumento do 2. Estado da Arte 20 caroteno, demonstrando que a distribuição de cor é suficiente para acompanhar o amadurecimento. Nagata et al. (2004) realizaram uma comparação da efetividade de três modelos de cor na estimativa do amadurecimento do tomate usando parâmetros da imagem, tal como histograma e análise discriminante linear como um modelo estatístico de classificação. As imagens foram processadas em histogramas usando RGB, HSV e CIE Lab. Todos os modelos classificaram entre 80 a 100% das amostras e a média da taxa de classificação foi de 62,5% para o HSV e 60% para o CIELAB, muito melhores que o RGB com 35%. Louro et al. (2006) apresentaram um trabalho com o objetivo de classificar tomates utilizando redes neurais artificiais e avaliar seu desempenho comparando o resultado com as respostas de um especialista. Técnicas de processamento de imagens e redes neurais foram aplicadas para classificar tomates em quatro classes diferentes baseadas em seu tamanho e cor. Imagens de 102 tomates pertencentes ao grupo saladete foram digitalizadas através de um webcam. Depois suas características de cor e forma foram extraídas de cada imagem e então essas características foram apresentadas a uma combinação de duas redes neurais. Na aquisição das imagens, inicialmente Louro et al. usaram um fundo preto, porém este não se mostrou adequado, sendo trocado por um fundo branco, que, de acordo com Louro et al. facilitou de forma substancial a fase de segmentação. Louro também conclui que o espaço RGB utilizado não foi eficiente, sugerindo em próximos estudos empregar o sistema CIE Lab. Lino et al. (2008) classificaram a forma, volume e cor em frutas, aplicados em tomates e limões. De acordo com Lino et al. a implantação tecnológica dos sofisticados sistemas de classificação de frutas se torna de difícil acesso para pequenos e médios produtores, devido ao alto custo de softwares, equipamentos, além dos custos 2. Estado da Arte 21 operacionais. Com base nessas considerações Lino estudou a adaptação de um novo software, com código-fonte aberto para habilitar o sistema de classificação reconhecendo forma, volume, cor e possivelmente danos. 2.1.2 Frutas Cítricas Pesquisas também têm sido desenvolvidas para a melhoria do processamento das frutas cítricas visando a seleção destas em função dos defeitos, tais como manchas, injúrias, etc. (Blasco et al. 2007a, 2007b, 2009a; Gomez et al., 2007 e Gomez-Sanchez et al., 2008). Esses trabalhos são interessantes devido ao uso de imagens multiespectrais. O trabalho realizado por Gomez et al. em 2007 refere-se a essa recente tecnologia que permite a análise de uma imagem de diferentes comprimentos de onda e o resultado espectral pode ser usado para ajudar a identificar conhecidos tipos de defeitos. Blasco et al. (2007a) propuseram um algoritmo de segmentação por região orientada para detetar um defeito comum na casca de frutas cítricas, permitindo a segmentação de pequenos defeitos. Com algoritmo de segmentação com região orientada o contraste entre áreas diferentes na imagem tornam-se mais importante que o pixel colorido individual, resolvendo assim problemas de variações de iluminação e variedade das cores naturais das frutas. O algoritmo foi testado em diferentes tipos de laranja e mandarins com defeitos e o algoritmo foi capaz de acertar 95% dos defeitos analisados. Blasco et al. (2007b) direcionaram sua pesquisa no uso da radiação infravermelha, ultravioleta e fluorescente nos sistemas de Visão Computacional para identificação de defeitos comuns em frutas cítricas, empregando algoritmos que combinam essas diferentes informações espectrais (incluindo a região visível) para classificar a fruta de acordo com o tipo de defeito. O resultado obtido mostra que a 2. Estado da Arte 22 contribuição da informação da região não-visível pode prover a deteção e identificação de alguns defeitos. Comparado com os resultados de imagens coloridas, a exatidão da deteção de antracnose (doença causada por fungos) aumentou 86% com o emprego de imagens do infravermelho, e a exatidão de mofo verde aumentou de 65% a 94% usando imagens fluorescentes. Blasco et al. (2007b) também compararam a análise da cor na caracterização dos defeitos em diferentes sistemas, RGB, XYZ, HSI, La*b* e Lu*v*, sendo que o HSI apresentou o melhor desempenho por melhor representar as pequenas variações de cores nas amostras (a cor laranja da casca e a cor cinza ou marrom de alguns defeitos e o verde do talo). Blasco et al. (2009a) desenvolveram um sistema para identificar os tipos de defeitos externos usando Visão Computacional multiespectral. Os parâmetros morfológicos e espectrais, tal como a cor, área, comprimento, largura e raio foram calculados. Essas informações foram combinadas para identificar e distinguir entre os diferentes tipos de defeitos e para separar a fruta de acordo com a severidade do defeito, obtendo 86% de sucesso na separação de 2000 laranjas. Ramalho e Medeiros (2003) propuseram um algoritmo de processamento de imagens aplicado à extração automática de características de frutas a partir de imagens digitais em níveis de cinza. A metodologia proposta avalia de forma não destrutiva a qualidade das frutas usando as características de tamanho, forma, cor e rugosidade extraídas da análise de imagens monocromáticas. A cor da laranja foi estimada a partir da análise do histograma de níveis de cinza de uma região retangular, calculando-se a intensidade média dos tons de cinza nessa região. De acordo com Ramalho e Medeiros (2003) uma laranja verde-amarelada tem intensidade média de cinza (Im) no terço médio do histograma, para laranjas verdes o valor de Im tende para o terço inferior e para laranjas amarelas tende para o terço superior. Estes algoritmos foram testados em 2. Estado da Arte 23 um sistema experimental automático de inspeção visual de laranjas visando à incorporação deste em um sistema de classificação e seleção automática de frutas. Omid et al. (2010) desenvolveram uma técnica de processamento de imagem para determinar o volume e a massa de frutas cítricas tal como limões, limas, laranjas e tangerinas. A técnica baseia-se na aquisição de imagem realizada por duas câmeras posicionadas perpendicularmente à fruta. Um fundo branco foi utilizado na aquisição das imagens e os sistemas RGB, HSI, L*a*b* foram testados nas análises. Um algoritmo foi desenvolvido na linguagem de Visual Basic (VB), e os resultados encontrados foram bons, indicando que o tamanho da fruta não influencia na exatidão do cálculo do volume. Gomez-Sanchez et al. (2008) abordaram que alguns problemas surgidos na inspeção de imagem de alguns produtos foram devido à forma esférica, como é o caso de laranjas, peras, tomates, maçãs, etc. A metodologia apresentada usa um sistema de Visão Computacional hiperespectral (informações espaciais e espectrais da cena) baseada em filtros de cristal líquido harmonioso que minimiza o efeito produzido pela curvatura da fruta sobre a intensidade da radiação capturada pela câmera. O experimento mostra que aplicando este método o nível de cinza do pixel é homogeneizado a uma mesma classe, independente da região de origem na superfície da fruta, reduzindo também o desvio padrão, no qual facilita a posterior classificação. Garcia et al. (2010) abordaram os problemas apresentados na deteção visual de defeitos na classificação de frutas devido à dependência da aparência da fruta. O trabalho desenvolvido aborda a determinação de defeitos em frutas cítricas, onde a análise visual apresenta grande imprecisão devido a sua textura e cor. O método desenvolvido baseia-se na análise de imagem por multivariável e o emprego da análise do componente principal para a análise do defeito da casca da laranja. Foram testadas 2. Estado da Arte 24 120 amostras de laranjas e mandarins, obtendo-se 91,5% de sucesso na deteção de defeitos. 2.1.3 Maçã A maçã é uma das frutas mais consumidas no mundo e desta forma apresenta uma maior quantidade de artigos relacionados a seus sistemas de processamento, tanto para verificar sua taxa de crescimento e amadurecimento (Stajnko et al., 2004 e 2005), quanto para a seleção através de algumas características, tais como o tamanho, a forma, a cor, etc. (Li et al., 2002; Blasco et al., 2003; Zhu et al., 2007; Zou et al. 2007 e 2009, Kavdir e Guyer, 2008). Maçãs são perecíveis e a presença de machucados na sua casca afeta não somente a sua aparência, que é um importante índice de qualidade, mas também acelera sua deterioração. Assim um sistema efetivo de remoção de maçãs danificadas possibilita manter a qualidade dos produtos nos lotes e é uma das etapas essenciais do processamento da maçã. Li et al. (2002) desenvolveram um sistema experimental automatizado para detectar defeitos da superfície da maçã baseado na tecnologia de imagem. O sistema tem a vantagem de ser capaz de inspecionar simultaneamente quatro lados de cada maçã na linha de processamento. O método foi desenvolvido para remover o fundo da imagem, segmentar os defeitos e identificar algumas áreas na maçã. Os resultados mostraram que o sistema é prático e acessível, e que o algoritmo proposto de detecção dos defeitos é efetivo. Blasco et al. (2003) desenvolveram uma técnica de Visão Computacional para estimar a qualidade de laranjas, peras e maçãs, e avaliar a eficiência dessas técnicas quanto aos atributos: tamanho, cor, etc. De acordo com Blasco et al. (2003) o método de segmentação é rápido e apropriado para processos em linha, mas depende da cor do objeto a ser inspecionado, necessitando de um operador. O procedimento de 2. Estado da Arte 25 segmentação baseado na análise discriminante Bayesiana permitiu que as frutas fossem precisamente distinguidas do fundo. As estimativas da cor das frutas pelo sistema foram bem correlacionadas com o valor do padrão. A classificação do sistema foi testada em linha com maçãs obtendo um bom desempenho quando as frutas foram classificadas em batelada. A precisão e repetitividade do sistema foram similares àquelas exigidas nos padrões de classificação. Stajnko et al. (2004) desenvolveram um novo método para estimar o número de maçãs e seu respectivo diâmetro em pomares. Uma câmera térmica foi usada para capturar as imagens das macieiras cinco vezes durante o período de safra. As imagens foram processadas usando vários algoritmos e o coeficiente de correlação R 2 foi estabelecido de 0,83 a 0,88 entre a medida manual da fruta e o estimado pelo algoritmo. Stajnko et al. (2004) adotaram um novo índice para separar as características pela análise da cor chamado de índice de diferença normalizada (NDI=(g-r)/(g+r)). O NDI tem valores entre -1 a 1, pois é computado para todos os valores de pixel da imagem. Entretanto para imagens cinza, um intervalo de 0 a 255 foi requerido. Stajnko e Emelik (2005) investigaram a possibilidade de empregar o processamento de imagem em RGB no crescimento de maçãs em pomares durante o período de safra. Como a deteção da fruta dependia significativamente do tamanho e da cor em cada estádio de crescimento, o coeficiente de correlação variou ente 0,71 a 0,89, apresentando uma exatidão de aproximadamente 94%. Zou et al. (2007 e 2009) apresentaram um sistema de classificação de maçãs a partir da cor, considerando quatro classes de acordo com a classificação chinesa. O sistema, que consiste em uma câmera colorida CCD, foi projetado para capturar imagens a cada rotação de 90º da fruta. Foram extraídos 17 parâmetros de cor de cada 2. Estado da Arte 26 imagem da maçã, possibilitando assim a classificação, não funcionando porém para as classes I e II da classificação chinesa. Kavdir e Guyer (2008) desenvolveram um sistema para análise de maçãs a partir de alguns parâmetros, tais como, o matiz (cor), defeitos da forma, circunferência, firmeza, peso, pontos vermelhos na superfície e defeitos superficiais. Neste trabalho foi analisado o desempenho da combinação destes parâmetros para determinar a melhor opção de classificação, empregando redes neurais. Diversos trabalhos utilizam a cor da maçã como uma característica importante da sua qualidade e na caracterização de defeitos. Porém, determinados tipos de maçãs apresentam característica bi-coloridas, isto é, duas cores na sua aparência, o que torna muito difícil a sua seleção no processamento para atender as exigências européias quanto à classificação. De acordo com Madieta (2003) é necessário conhecer o intervalo de variação da cor da casca da maçã para decidir o melhor modo de medi-la, dependendo do objetivo de cada medida. De acordo com o tipo de distribuição da cor da casca, a maçã pode ser classificada como: homogênea, heterogênea ou bi-colorida. Desta forma muitos estudos foram realizados para conseguir um melhor desempenho dos sistemas visuais de forma a atender estas exigências, buscando melhorias na localização de defeitos (Bennedsen et al., 2005a e 2005b; Kleyne et al., 2005; Throop et al., 2005; Unay e Gosselin, 2006 e 2007; Xing et al., 2007; Xiao et al., 2010). Kleyne et al. (2005) desenvolveram um método para selecionar maçãs baseado na presença de defeitos. Um sistema de visão multiespectral, incluindo quatro bandas de comprimento de onda no visível/IVP foi desenvolvido, e as imagens das frutas foram adquiridas. Os defeitos foram agrupados em quatro categorias e sua segmentação consistiu na classificação por pixel baseada na teoria bayesiana. Testes foram feitos para verificar o desempenho do método e uma alta taxa de classificação foi obtida para 2. Estado da Arte 27 maçãs com defeitos classificados como sérios. Porém a exatidão do sistema para alguns defeitos não atendeu à exigência da legislação européia. Unay e Gosselinin (2006) compararam diversas técnicas de segmentação na análise de defeitos da maçã, sendo o classificador supervisionado mais exato que o não supervisionado e a segmentação foi mais precisa quando realizada na vizinhança do pixel. Resultados desse trabalho mostraram que muitos métodos de classificação foram promissores para serem usados na segmentação de defeitos de superfície em máquinas de inspeção visual de maçã de alta velocidade. Xiao et al. (2010) desenvolveram um sistema para detecção de defeitos da maçã usando três câmeras coloridas para aquisição da imagem. Neste sistema as maçãs foram colocadas em uma esteira rotativa, e se movimentavam enquanto a imagem era capturada, totalizando nove imagens para cada maçã, sendo toda a superfície escaneada. Depois, a imagem da maçã foi segmentada do fundo preto pelo método multithereshold, e os defeitos foram separados. Boa separação foi obtida entre as maçãs sadias e com defeitos e a vantagem deste método é a possibilidade de identificação de vários tipos de defeitos. Throop et al. (2005) desenvolveram um sistema experimental de Visão Computacional para a classificação de maçãs de forma a atender os padrões americanos, incluindo um sistema de posicionamento das maçãs, uma câmera para captura das imagens, um sistema de iluminação e algoritmos de processamento para segmentar os defeitos da superfície. O diâmetro e altura de cada maçã foram medidos para estimar o volume da maçã e estas dimensões junto com o posicionamento da maçã na imagem permitiram a identificação do defeito. Bennedsen et al. (2005a) empregaram o sistema apresentado por Throop et al. (2005) para identificar defeitos e machucados da superfície de maçãs, localizando e 2. Estado da Arte 28 identificando a área escura da imagem tratada na escala cinza. O método é baseado na rotação da maçã em frente a uma câmera, adquirindo múltiplas imagens, possibilitando desta forma, analisar a mudança da área escura na imagem, identificando assim os defeitos. Com esta técnica de rotação da maçã foi possível melhorar em 90% o método de identificação de defeitos apresentado em Throop et al. (2005). 2.1.4 Manga Yimyam et al. (2005) descreveram uma técnica de processamento de imagem para detectar, segmentar e analisar propriedades físicas da manga, tal como tamanho, forma, área superficial e cor a partir da imagem. Primeiro as imagens das mangas foram adquiridas por uma câmera digital, analisadas e segmentadas. A segmentação foi feita construindo um modelo hue das amostras de manga e algumas técnicas morfológicas e de filtragem foram aplicadas para limpar o ruído. Da imagem segmentada e limpa, a área da manga foi computada e a forma foi analisada usando alguns modelos de estrutura. A cor também foi analisada e indexada no banco de dados para classificação futura. A imagem em RGB foi transformada em valores de hue pela equação, cosH= (2R-G-B)/(2*(raiz((R-G)2+(R-G)*(G-B))). Sessenta mangas de três tamanhos diferentes foram classificadas pelo sistema experimental e por humanos. O resultado mostra que a técnica é uma boa alternativa e de aplicação prática para separação de manga, comparando com a separação manual. Kang et al. (2008) investigaram o uso de um sistema de medida digital colorida para obter os valores de hue, croma, a e b da cor de frutas heterogeneamente coloridas, adotando como exemplo a manga. O objetivo do estudo foi determinar o efeito da curvatura da fruta sobre as medidas do Lab em um grande intervalo de cor, quantificar o efeito da curvatura no cálculo do hue e do croma e demonstrar como os dados de hue capturados podem prover valores quantitativos da descrição do perfil de cor e mudanças 2. Estado da Arte 29 de cor em frutas heterogeneamente coloridas. Como resultado foi confirmado que da medida dos valores de a e b na superfície curva, 55% e 69% dos valores foram dentro do range da medida para a mesma superfície plana. Esse desvio das medidas da descrição do hue e croma resultou em uma média de erro de 2 a 2,5 respectivamente. 2.1.5 Outras Aplicações No caso da romã, fruto que possui muitas propriedades nutricionais, mas que possui uma casca difícil de ser removida, um sistema comum no seu processamento é a separação entre os pedaços da casca e os caroços sadios para diversas aplicações. Blasco et al. (2008) realizaram um estudo no desenvolvimento de um protótipo para seleção dos caroços da romã, para avaliar qual seria a melhor cor da esteira onde seria realizada a aquisição da imagem para posterior seleção, utilizando esteiras nas cores branca, azul, verde escuro, verde claro e cinza. A cor azul apresentou melhor desempenho devido apresentar maior B (no sistema RGB) em oposição às cores dos caroços a serem classificados que variavam do branco ao vermelho, apresentando alto R (no sistema RGB). Outro estudo realizado por Blasco et al. (2009b) consistiu na separação dos caroços pela cor usando Visão Computacional obtendo 90% de exatidão na classificação. Para obter uma boa classificação, Blasco et al. utilizaram a razão R/G que apresentou bom desempenho na distinção de diferentes cores dos caroços. Uma das justificativas para isto deve-se ao fato de que a razão R/G é intrinsecamente invariável a alterações na iluminação. Jarimopas e Jaisin (2008) desenvolveram um experimento com um sistema de Visão Computacional para tamarindos baseado em técnicas de processamento de imagem. Os parâmetros relevantes avaliados foram forma, tamanho e defeitos com o objetivo de selecionar os frutos para exportação. A classificação realizada pelo sistema de Visão Computacional teve uma eficiência média de 89,8% para uma capacidade de 2. Estado da Arte 30 seleção de 1517 tamarindos/h, e uma razão de contaminação de 10,2%, que está dentro dos padrões de exportação exigidos pela Tailândia. Recentes trabalhos apresentam interessantes estudos da aparência externa da azeitona, considerado fator decisivo da qualidade deste fruto, tornando a Visão Computacional uma ferramenta importante também nesta área. Riquelme et al. (2008) realizaram um estudo sobre deteção de defeitos, análise da cor e da forma em azeitonas. A pesquisa foi realizada a partir de imagens visando classificar as azeitonas com e sem defeitos. Os sistemas de cor empregados foram o RGB e HSV, e os testes no laboratório apresentaram uma média de 75% de acerto. Porém, foi constatado que, para diferentes tipos de azeitona, o acerto diminuiu até 38%. Este trabalho, assim como muitos outros de inspeção na área alimentícia apresentou a limitação de que um número insuficiente de amostras foi avaliado na classificação para permitir um treinamento confiável do classificador usado. Sistemas de processamento de imagem também têm sido desenvolvidos para classificação de morangos. De acordo com Liming e Yanchao (2010), o uso da tecnologia de Visão Computacional para classificação de morangos pode aumentar o valor comercial da fruta, visto que a cor externa do fruto e está relacionada com a sua qualidade interna. Liming e Yanchao desenvolveram um sistema automatizado para classificar o morango considerando três características, a forma, o tamanho e a cor. Para a caracterização da cor do morango foi adotado o sistema L*a*b*, sendo o canal a* o de cor dominante, onde foram adotados os limites de a* ≥ 160 (vermelho escuro), 150 ≤ a*≤ 160 (vermelho) e a*≤ 150 (vermelho claro). O tamanho foi descrito pelo maior diâmetro. Resultados mostraram que o erro do sistema de detecção foi menor que 5%, a exatidão da cor foi de 88,8%, e a exatidão da classificação da forma foi de 90% para um tempo médio de classificação de 3 segundos. 2. Estado da Arte 31 2.2 Inspeção da cor de frutos A cor é um dos principais atributos que afetam a percepção de qualidade pelo consumidor e pode ser usada como uma estimativa direta ou indireta da qualidade. A técnica de medida de cor é empregada em diversos produtos da área alimentícia e muitos métodos têm sido desenvolvidos. Desde que a cor é uma percepção natural, esta é usada para fazer uma primeira avaliação da qualidade das frutas, e por isto muitos dos sistemas de inspeção automática usam somente esta característica para segmentar as imagens. De acordo com Blasco et al. (2003), algumas frutas têm uma cor homogênea distribuída na superfície, a qual é chamada de cor primária. A média da cor da superfície é um bom indicador de qualidade para estas frutas. Entretanto, outras frutas (algumas variedades de peras, maçãs, tomates) têm uma cor secundária que pode ser usada como um bom indicador de maturidade. Neste caso, não é possível avaliar somente uma cor global como parâmetro de qualidade. Analisando as diferentes técnicas usadas na deteção de defeitos, percebe-se que usando aproximações monocromáticas as condições exigem algoritmos sofisticados. Isso é devido à variação da intensidade, de fruta para fruta e de lugar para lugar, especialmente no centro e na vizinhança da fruta. O primeiro problema (diferença entre frutas) sugere um algoritmo usando poucas informações prioritárias, ou informações no qual não dependem da cor da vizinhança da fruta. O segundo problema (diferenças na imagem) sugere o uso de um algoritmo baseado em região. Naturalmente, isso também recai para o problema da iluminação. Todos esses problemas também existem na imagem colorida, mas podem ser resolvidos através de estudo de diferentes relações usando os três canais. Segundo Leemans et al. (1998) um exemplo disto é o problema relacionado à iluminação onde a razão entre dois ou mais canais RGB ou H (hue) não dependem da intensidade da luz se a superfície estudada é fosca, pois esta não apresenta 2. Estado da Arte 32 reflexão especular. Em muitos trabalhos as imagens coloridas não usam todas as informações de cor disponíveis (isto é, selecionam um ou dois canais ou computam um único parâmetro). Desta forma, os defeitos não são segmentados, perdendo a principal informação relacionada ao espaço (isto é, informações sobre forma, textura local, etc.). Baseado nesta discussão, Leemans et al., em 1998, apresentou um novo algoritmo capaz de identificar defeitos, usando toda informação colorida significativa. Esse algoritmo consiste em três passos. O primeiro é uma segmentação de defeitos grosseiros baseados em uma comparação estatística entre a cor de um pixel individual e a cor global da fruta. Após isto, baseado em uma aproximação global ou local, é possível fazer a identificação. Leemans et al. (1998) concluíram que a filtragem da imagem segmentada apresentou melhor resultado do que a filtragem da imagem original. De acordo com Lana et al. (2006a, 2006b) a translucência é um dos maiores problemas na medida de cor de frutas frescas. A aparência das frutas frescas muda com o tempo devido à produção e/ou a degradação de pigmentos e devido à mudança física ocorrida pela perda ou acúmulo de água. Dois diferentes processos ocorrem como resultado destes fenômenos, a maturação e o desenvolvimento da translucência, que resultam na alteração da aparência. A translucência é provavelmente a fonte mais importante de erros durante a medida da cor, por causa confusão na análise visual e na medida realizada pelo instrumento. A medida da cor de amostras translucentes é sensível a luz ambiente, mudanças de fundo (background) e pequenas diferenças na configuração óptica do instrumento de medida. Como este fenômeno ainda é pouco estudado na indústria de alimentos, Lana et al. adotaram uma técnica usada na indústria de pintura, papel e têxtil para analisar tomates. Nesta técnica, a luz refletida da amostra é analisada, usando duas cores de 2. Estado da Arte 33 fundos, preto e branco. Lana et al. aplicaram esta técnica para acompanhar os efeitos dos estádios de maturidade do tomate e os efeitos da temperatura. Os dados foram expressos como uma média de intensidades por pixel do R, G e B para os fundos, branco e preto, separadamente. Um modelo foi desenvolvido e apresentado que descreve a mudança nos valores RGB dos tomates depois de estocados. No modelo o efeito observado foi considerado ser resultado de dois processos, mudança da cor devido à degradação dos pigmentos e desenvolvimento da translucência. Os dados obtidos foram usados para desenvolver um modelo que estima a resposta em RGB das variáveis: tempo, temperatura, estádio de maturação e cor do fundo. Analisando os resultados pode-se perceber que um aumento na translucência pode ser verificado pela diminuição da quantidade de pixels vermelhos quando a amostra foi medida contra o fundo preto. Mudanças da cor devido à maturação pode ser medida pela diminuição dos pixels verde ou pelo aumento proporcional dos pixels vermelhos (R/(R+G+B), quando a amostra foi colocada sob um fundo branco. Usando o sistema CIELAB concluíram que o aumento da translucência correspondia a uma diminuição da claridade e mudanças na cor devido à maturação resultaram em um aumento do valor a (do sistema CIELAB). Assim como na maçã e no tomate, a característica cor tem estabelecido sua aplicação em pimentas (Tepić e Vujičić, 2004), carambola (Abdullahet al., 2006), manga (Atencio et al., 2009), mamão papaia (Santos et al., 2008; Amarasinghe e Sonnadara, 2009), laranjas (Sirisathitkul et al., 2006), maracujá (Silva et al., 2008), melão (Rizam et al., 2009) e kiwi (Rashidie Seyfi, 2008). Um produto muito usado na indústria alimentícia que aplica a Visão Computacional em seu processo é a pimenta (páprica). Suas cores: amarela, laranja e vermelha são originadas por pigmentos carotenóides formados durante seu processo de 2. Estado da Arte 34 amadurecimento. Em muitos casos a páprica é usada para colorir alimentos, apresentando desta forma um grande valor agregado à cor vermelha. Devido à importância da caracterização da cor da páprica no mercado, alguns procedimentos têm sido desenvolvidos para padronização da medida da cor pelas associações “Association of Official Analytical Chemists” e “American Spice Trade Association (ASTA)”. Normalmente, a cor é medida usando espectrofotômetros e é expressa em unidades ASTA, e geralmente, quanto maior o valor da cor de ASTA, maior é o efeito da luminosidade e mais caro é o produto final. Tepić e Vujičić (2004) apresentaram um estudo para avaliar a qualidade do pó de pimenta, avaliando a influência da exposição à luz e da temperatura ambiente na qualidade do produto final, avaliando a cor ASTA. Tepić e Vujičić (2004) investigaram a relação entre a medida de cor da superfície da pimenta e a cor final do pó, relacionando com a padronização ASTA, usando o espaço CIE Lab. Atencio et al. (2009) apresentaram um trabalho de inspeção visual baseado no método de classificação de manga. O processo de classificação é feito de acordo com a Norma Técnica Colombiana (Colombian Technical Norm) NTC 5139, pela estimação automática das propriedades físicas da fruta, tal como peso, largura, volume, altura, diâmetro e nível de maturidade. O nível de maturidade é determinado por similaridade entre a distribuição de cor da imagem e a medida experimental fixada no modelo HSL. Os resultados mostraram que o método é computacionalmente eficiente, não invasivo, preciso e de baixo custo. Muitos trabalhos empregando a cor foram desenvolvidos com o objetivo de identificar as fases de maturação em frutas, etapa necessária no processamento para separação do fruto para a correta classificação do lote. O método mais prático para predizer a maturidade da fruta fresca e a sua aceitação do mercado é a observação da 2. Estado da Arte 35 cor. A razão para a mudança da cor nas frutas tem sido bem estudada ao longo dos anos. Em geral, a fruta aparece verde no início da sua maturação. Essa cor é gradualmente modificada do verde (durante o amadurecimento) até tornar-se amarela, quando já amadureceu. Além disto, ao amadurecerem as frutas produzem etileno espontaneamente, a partir de mecanismos químicos internos, que podem aumentar conforme ocorre o amadurecimento. Estudos provaram que a presença de etileno induz o amadurecimento dos frutos e alguns estudos indicam que certas variedades de frutos liberam mais ou menos etileno, de acordo com o seu grau de amadurecimento. Uma das reações ocorridas devido à presença do etileno faz com que ocorra atenuação de enzimas que provocam o rompimento das fibras do fruto tornando-o macio, por este motivo o amadurecimento da fruta normalmente produz uma textura macia. Conforme a cor da casca se altera, o conteúdo de açúcar aumenta (devido à quebra dos amidos) enquanto a acidez diminui. A perda da cor verde é devido à degradação da clorofila e as outras cores são devido aos vários compostos, incluindo antocianinas, carotenóides e flavonóides. No seu completo amadurecimento, as frutas são muito frágeis e facilmente deterioram-se. Por este motivo frutas climatérias são normalmente colhidas mais verdes (maturas), quando ainda têm uma longa vida de armazenagem. Desta forma, a cor não é somente uma medida estética da qualidade da fruta, mas também é usada como guia para resolver problemas práticos tal como determinar o tempo de armazenagem da fruta a partir do seu estádio de amadurecimento e também determinar a melhor data para ser consumida. Uma fruta muito produzida no Brasil é o maracujá, cuja colheita é realizada num estádio de maturação em que a casca se encontra com coloração predominantemente amarela. De acordo com Silva et al. (2008), neste estádio, o fruto é bastante sensível à perda de água e ao murchamento, facilitando a contaminação por microrganismos e 2. Estado da Arte 36 contribuindo para diminuir seu período de conservação pós-colheita. A pesquisa realizada por Silva et al. (2008) teve como objetivo determinar uma escala de coloração da casca para identificar o estádio de maturação do maracujá-amarelo e avaliar o rendimento em suco nas diferentes épocas de colheita. A coloração da casca foi medida, usando-se o Colorímetro Hunterlab Miniscan Spectrophotometer (Miniscan XE Plus), caracterizada pelo parâmetro b de Hunter, e a mudança na coloração da casca foi identificada pela medida da reflectância da casca. Abdullah et al. (2006) desenvolveram um software para detectar características de qualidade da carambola por sistema de inspeção automática usando a tecnologia de Visão Computacional. As características consideradas foram cor e forma. O uso de classificadores artificiais empregando análise de discriminação linear e rede neural foram usados no espaço de cor HSI como ferramenta para detectar a maturidade das frutas como verde, médio, maduro e passado. O espectro das frutas maduras e não maduras foram caracterizados usando todas as características de cor no intervalo de hue de 10 a 74. O experimento analisou 200 frutas revelando que a análise discriminante linear foi mais precisa na classificação com 93% de classificação correta. Rizam et al. (2009) apresentaram um sistema para medir e determinar o amadurecimento e a qualidade do melão, visto que os testes de amadurecimento deste são destrutivos. As imagens do melão foram filtradas usando técnica de processamento de imagem e as informações foram usadas para treinar uma rede neural para determinar com exatidão o índice de amadurecimento do melão. O espaço de cor empregado foi o YCbCr e os resultados iniciais mostraram que o modelo de rede neural teve uma exatidão de 86,51%. Santos et al. (2008) apresentaram um estudo que a partir da aquisição de imagens fotográficas foi desenvolvido um protocolo de análise dos padrões de 2. Estado da Arte 37 coloração da casca (RGB) para avaliar o processo de amadurecimento do mamão. A avaliação da cor foi realizada selecionando os parâmetros de RGB com maiores valores de área representativos das tonalidades verdes e amarelas da superfície da casca. O processo de amadurecimento do mamão, caracterizado pela mudança da coloração da casca, foi determinado pela análise de imagem fotográfica dos frutos obtida para diferentes estádios de maturação. Amarasinghe e Sonnadara (2009) também determinaram uma relação entre a superfície colorida do mamão e a maturidade, desenvolvendo um sistema capaz de separar mamão papaia automaticamente dependendo do nível de amadurecimento. Diferente de Santos et al. (2008), Amarasinghe e Sonnadara (2009) empregaram dois espaços de cores, RGB e OHTA, e algoritmos de segmentação foram desenvolvidos para detectar as regiões de cor amarela no mamão. Uma técnica de normalização foi aplicada para reduzir erros sistemáticos devido à luz da vizinhança. Resultados mostraram um aumento não linear na superfície de cor amarela com a idade da fruta e que a técnica normalizada pode ajudar a reduzir erros sistemáticos. No tomate, a cor também é uma medida aceitável para determinar o seu estádio de maturidade (Choi et al.,1995; Nagata et al., 2004; Camelo e Gomez, 2004; Moneruzzaman et al., 2008). De forma geral, a análise é realizada em uma câmara de iluminação e um sistema de aquisição de imagem em RGB. A imagem em RGB é convertida para o padronizado CIE XYZ. O resultado computado é um índice normalizado vermelho/verde ou o comprimento de onda dominante, como índice de maturidade. Um procedimento de análise de cor foi desenvolvido por Choi et al. (1995) para classificar tomates frescos em seis estádios de maturação de acordo com os padrões da USDA (EUA): verde, Breakers, Turning, rosa, luz vermelha, e vermelho. Imagens de 2. Estado da Arte 38 RGB de cada tomate foram capturadas e convertidas a valores HSI, e a classificação foi baseada no percentual da área da superfície sob determinados ângulos de hue. Um índice de maturação do tomate (TMI) foi desenvolvido para indicar o grau de maturidade dentro de cada estádio. Os resultados da classificação concordaram em 77% com a classificação manual dos tomates testados, e todas as amostras foram classificadas dentro de um estádio diferente de maturidade. Nagata et al. (2004) compararam a efetividade de três modelos de cor na estimativa de amadurecimento do tomate usando parâmetros da imagem, tal como histograma e análise discriminante linear. Imagens digitais foram adquiridas de nove tomates de cada classe de amadurecimento com um total de 45 amostras. Em cada classe, cinco amostras foram usadas para o desenvolvimento enquanto quatro amostras foram usadas para a verificação do modelo. As imagens foram processadas em histogramas usando RGB, HSV e CIE Lab. A análise discriminante linear usando software de análise estatística foi usada para determinar o modelo de classificação multivariável. Todos os modelos classificaram entre 80 a 100% das amostras, porém não tiveram um bom desempenho para amostras variadas. A média da taxa de classificação foi de 62,5% para o HSV e 60% para o CIELAB e foram muito melhores que o RGB (35%). Camelo e Gomez (2004) compararam os estádios de amadurecimento do tomate usando diferentes espaços de cor. Valores de hue, croma, índice de cor, diferença de cor com o vermelho puro foram calculados para os seis estádios de maturação da escala USDA. O valor de hue mostrou uma variação mais ampla de valores e o croma não foi um bom parâmetro para expressar os diferentes estádios de maturação. Entretanto, o croma seria um bom indicador de aceitação por parte dos consumidores para os frutos totalmente maduros. Para Camelo e Gomez (2004) seria interessante um estudo para 2. Estado da Arte 39 determinar qual é o melhor índice quando a maturação ocorre sob condições inadequadas de temperatura e iluminação. Moneruzzaman et al. (2008) pesquisaram as alterações das características físicas do tomate durante o processo de amadurecimento. Diferentes condições de estádios de amadurecimento mostraram uma variação significante nas diferentes características físicas do tomate. O acompanhamento da mudança da cor do tomate foi realizado com um colorímetro Minolta. Estudos de caracterização das fases do amadurecimento da laranja também têm sido realizados. Uma técnica de processamento de imagem foi desenvolvida por Sirisathitkul et al. (2006) para desenvolver um guia para classificação da maturidade da laranja. O objetivo dessa pesquisa foi avaliar o amadurecimento da fruta pela classificação da cor. O processo foi dividido em duas principais etapas, treinamento e teste. No treinamento, imagens de 90 laranjas de três diferentes ângulos foram coletadas por uma câmera digital sob uma iluminação normal com lâmpada branca fluorescente. A imagem original RGB colorida da laranja foi transformada em imagem HSI, e o valor de hue foi usado como critério de decisão em um classificador. Na fase teste, o grau de maturidade de 50 laranjas foi testado. Os resultados experimentais mostraram que o método de classificação de laranjas pode ser uma alternativa, com 98% de acerto. O estudo da cor de limões também foi realizado para estimar a qualidade do fruto. Amri et al. (2004) determinaram a distribuição da cor de cenouras, limões verdes e amarelos para estimativa da qualidade. As medidas da cor dessas frutas foram feitas por um sistema de coordenadas de pontos sobre a superfície, e um espectrofotômetro Minolta (CM-508i) foi usado para medir as coordenadas do sistema CIELAB (iluminante D65 e o intervalo de 400 nm - 700 nm). Para a análise da cor foi usado o coeficiente de variação (CV) como um indicador da homogeneidade da cor. Cenouras e 2. Estado da Arte 40 limões amarelos tiveram um coeficiente de variação dos valores de a* e b* menores que o limão verde. 2.3 Análise de características da banana e a aplicação da inspeção automática Outra fruta muito consumida, principalmente no Brasil, que tem sido foco de pesquisas na área de Visão Computacional é a banana. De acordo com Ahmad et al. (2001) a banana é uma das mais importantes frutas colhidas no mundo e é estimado que mais de 100 milhões de pessoas tenham a banana como principal fonte de sobrevivência. A temperatura de armazenamento influencia diretamente na mudança de amadurecimento da banana. Um aumento na temperatura de armazenamento (24-30 ºC) acelera o amadurecimento fazendo com que a banana se degrade muito mais rápido. Em baixas temperaturas (<14ºC) ocorre um amadurecimento desigual fazendo com que a banana fique mais dura. Ahmad et al. (2001) determinaram o efeito da temperatura e do etileno na velocidade de amadurecimento e qualidade da banana. O estudo mostrou que o etileno tem um efeito maior no amadurecimento em temperaturas entre 14-18 ºC do que em 20ºC, pois para o amadurecimento em baixas temperaturas (14-16 ºC) a banana necessita ser exposta a etileno para manutenção de suas qualidades. A variação de cor da casca da banana durante o amadurecimento foi acompanhado por um colorímetro Minolta usando o espaço CIELAB. Foi demonstrado que banana com amadurecimento em altas temperaturas tem uma significativa perda da cor verde, mais rápido do que em baixas temperaturas. Esta tendência em apresentar menos cor verde e mais cor amarela em altas temperaturas é uma informação importante em termos de mercado visto que os consumidores usam a cor da casca da fruta para decidir sobre a sua qualidade. Muitos estudos têm sido desenvolvidos para determinar correlações entre o amadurecimento da banana, a temperatura, a exposição ao etileno, a taxa de aumento do 2. Estado da Arte 41 açúcar, a firmeza da polpa, etc. Entretanto poucos estudos têm sido desenvolvidos para avaliar a cinética de transformação da cor verde para a amarela durante o amadurecimento. Desta forma, Chen e Ramaswamy (2002) pesquisaram a cinética de mudança da cor e da textura no amadurecimento da banana como função da temperatura de armazenamento (10, 16, 22, 28 ºC). A medida da cor foi avaliada em termos de valores de CIELAB e a diferença de cor E foi usada para representar o desvio entre os estádios de amadurecimento. Medidas foram feitas utilizando um colorímetro Minolta. Como a banana apresenta diferenças de cores na sua superfície, as medidas foram realizadas em três pontos diferentes da fruta, nas duas pontas e no meio e a média desses valores foram usadas para representar a cor. O completo amadurecimento com os valores de (L=75,2, a=4,5, b=41,2) foram adotados como padrão no cálculo do E para acompanhar a diferença de cor durante o amadurecimento. Conforme constatado também por Ahmad et al. (2001), a alteração da cor para o amadurecimento em baixas temperaturas é menor. Uma correlação linear entre a mudança da cor da casca e a firmeza da polpa da fruta foi determinada. Bananas são normalmente colhidas no estádio maturo e uma vez iniciado o amadurecimento, este é irreversível e envolve numerosas mudanças químicas com consequente alteração de sua textura e síntese de componentes voláteis. Além disso, a cor da casca se altera heterogeneamente e no final do amadurecimento aparecem pontos marrons sobre a cor amarela. Normalmente, o amadurecimento da banana é dividido em sete etapas, que são determinados por inspeção visual (humana) por comparação com fotos. As etapas são: etapa 1=totalmente verde, etapa 2=verde com traços amarelos, etapa 3=mais verde do que amarelo, etapa 4=mais amarelo do que verde, etapa 5=amarelo com ponta verde, etapa 6=amarela, etapa 7=amarela com pontos marrons, conhecidas como escala de maturação de Von Loesecke (CEAGESP , 2006). 2. Estado da Arte 42 Ditchfield e Tadini (2002) avaliaram as mudanças apresentadas durante o processo de amadurecimento da banana, sendo medidos os parâmetros de firmeza da banana, pH, conteúdo de sólidos solúveis (SS) em °Brix e acidez. O estudo constatou que o melhor parâmetro para determinar o estádio de maturação da banana é a firmeza. A razão SS/acidez também fornece um bom parâmetro, porém o pH e a acidez titulável não são bons parâmetros pois apresentam valores semelhantes nos estádios iniciais e finais de maturação. Cabe ressaltar que Ditchfield e Tadini (2002) consideraram outra classificação para as fases de amadurecimento da banana, diferente da escala de maturação de Von Loesecke. No trabalho é citada a seguinte classificação: etapa 1= fruta verde, etapa 2=fruta verde com traços amarelos, etapa 3 = fruta mais verde que amarela, etapa 4= fruta mais amarela que verde, etapa 5 =fruta amarela com extremidade verde, etapa 6= fruta amarela, etapa 7 =fruta amarela com pequenas manchas pardas e etapa 8 =fruta amarela com grandes manchas pardas. É importante ressaltar que Lii et al. (1982) citam também outra tabela para classificação das etapas de amadurecimento da banana, com nove etapas de amadurecimento: etapa 1= totalmente verde, etapa 2= verde, etapa 3 = verde com traços amarelos, etapa 4 = mais verde que amarela, etapa 5= mais amarela que verde, etapa 6 = amarela com ponta verde, etapa 7= toda amarela, etapa 8 = amarela com traços marrons e etapa 9 = amarela com muitos traços marrons. Este fato faz com que a classificação do amadurecimento da banana não tenha um padrão internacionalmente aceito, gerando conflitos nos estudos realizados. Zhang et al. (2005) resumiram os resultados obtidos para a composição estrutural da banana, suas principais propriedades químicas, e a evolução do amido durante o amadurecimento. 2. Estado da Arte 43 Dois grupos de banana (M. Cavendish e M. paradisiaca), normalmente consumidas na Espanha, foram estudas por Salvador et al. (2007). O estudo analisou a evolução de parâmetros da qualidade e sua relação com a mudança da cor e textura durante o amadurecimento ocorrido a 20 ºC. A mudança na cor e textura da casca da banana foi gradual para a banana M. Cavendish e apresentou diversidade na banana M. paradisíaca, que permaneceu verde durante oito dias, alterando rapidamente a cor para amarela até o 12º dia. A análise da cor foi realizada com um colorímetro Hunter Labscan II usando o sistema CIELAB, sendo os parâmetros de hue e croma também avaliados. O estudo mostra que o amadurecimento da banana ocorre de forma diferenciada para diferentes grupos desta fruta. Diferentes técnicas instrumentais foram usadas por Vermeir et al. (2009) para avaliar a evolução do sabor das bananas durante o amadurecimento. Além de técnicas padronizadas para avaliar a qualidade da fruta (firmeza, etc.), a cromatografia de massa foi usada para quantificar diferentes componentes voláteis presentes no amadurecimento. Os componentes responsáveis pela doçura e acidez foram avaliados, sendo monitorados desde a etapa inicial de amadurecimento (etapa 1 – verde) até o amadurecimento completo. Diferenças nos sabores foram encontradas para as bananas que foram amadurecidas naturalmente e aquelas que foram amadurecidas com a exposição a etileno para uma mesma etapa de cor. Cabe ressaltar que Vermeir et al. (2009) adotaram em sua análise uma classificação de amadurecimento da banana de quatro etapas, que são: etapa 4=mais amarelo que verde, etapa 5=amarelo com pontas verde, 7= amarela com pontos marrons e 7+= amarela com excessivos pontos marrons. Quevedo et al. (2008) usaram a análise de textura de imagens como indicador do aparecimento dos pontos marrons de envelhecimento da banana (etapa 7 da escala de Von Loesecke). No experimento as bananas foram armazenadas durante 10 dias à 20ºC 2. Estado da Arte 44 e as imagens da superfície foram adquiridas por um sistema de Visão Computacional. O resultado do trabalho mostrou que a textura analisada com análise de Fourier (FDh values) aumenta com o envelhecimento e pode ser usada como um indicador do processo de desenvolvimento de pontos marrons na superfície da banana, porém aplicável somente para caracterizar a etapa 7 de amadurecimento da banana. Werner et al. (2009) avaliaram, a partir de imagens digitais, a mudança da coloração durante o armazenamento da banana prata, submetida a diferentes tratamentos pós-colheita. As bananas na primeira etapa de amadurecimento (verde da escala Von Loesecke) foram submetidas a seis tipos diferentes de tratamento pós-colheita, sendo todas depois armazenadas em condições ambientais por 14 dias e as imagens adquiridas nos dias 1, 7 e 14 de armazenagem. A observação visual da alteração da cor da casca foi realizada diariamente. Os dados obtidos das imagens digitais confirmaram as observações visuais, indicando relação entre os métodos. Tezuca et al. (2008) desenvolveram um sistema computacional para classificação de fruta, usando a banana como exemplo. O sistema utilizou técnicas de processamento de imagens: filtragem, processamento de cor, de área, de textura e classificação que integram o modelo de decisão para especificação da qualidade dos produtos analisados. O modelo de cor HSI foi usado para avaliação a cor da fruta. Foram utilizadas na pesquisa bananas danificadas devido ao processo de armazenamento. Foi elaborado um histograma em RGB da imagem original e os valores de referência adotados para a limiarização em RGB foram R=114, G= 78 e B= 67, com tolerância de 45. O modelo computacional viabilizou a estruturação de um método que identifica manchas marrons ou injúrias em bananas e seu grau de amadurecimento. Mendonza et al. (2004) implementaram um sistema para identificar os estádios de amadurecimento da banana baseado em cor. Nove parâmetros foram analisados 2. Estado da Arte 45 (valores de L*a*b*; percentual de área marrom, número de pontos marrons, área de pontos marrons, homogeneidade, contraste e textura da imagem) extraídos das imagens das bananas que foram usadas na classificação. Os resultados mostraram que a simples técnica de classificação é boa para identificar os estádios de amadurecimento da banana, obtendo 98% de exatidão na classificação de 49 bananas em sete estádios de amadurecimento. De acordo com Mendonza et al. (2004), a técnica de Visão Computacional se mostra promissora no uso para classificação dos estádios de amadurecimento da banana. 2.4 Observações Finais Conforme apresentado, a maioria dos sistemas propostos para a classificação de frutas apresenta, de forma geral, cinco etapas bem definidas, que são aquisição da imagem, a classificação das cores dos pixels da imagem; a segmentação da imagem; a extração de características e a comparação com padrões previamente conhecidos. Todavia, as estratégias e ferramentas usadas para processar de forma adequada estas sub-tarefas não são consensuais. De todo o estudo realizado das bibliografias apresentadas, podemos concluir que o sistema RGB é o sistema de cor mais comumente usado para classificação de cor por ser na maioria das vezes as componentes das imagens adquiridas pela maioria dos sistemas de aquisição de imagem. De acordo com Lee et al. (2008), se o intervalo de cor de interesse é bem definido para uma determinada aplicação, a classificação da cor pode ser bastante simplificada. Diferentes cores de fundo e iluminação foram utilizados, tais como lâmpadas halógenas, lâmpadas fluorescentes, etc., não existindo também um consenso neste parâmetro. 2. Estado da Arte 46 Apesar dos diversos estudos desenvolvidos nesta área ainda existe uma lacuna na definição de um método padronizado que possa ser proposto para obter uma melhor avaliação da qualidade de alimentos (Zheng et al., 2006). A dificuldade e complexidade das pesquisas para avaliação de alimentos usando Visão Computacional devem-se ao fato de ser difícil determinar um método ótimo para extrair determinadas características da imagem. Além disto, conforme discutido por Simões e Costa (2003), a automação de processos 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”. Desta forma esta revisão bibliográfica visa resumir os métodos já empregados e suas aplicações específicas de forma a fomentar a pesquisa desenvolvida neste trabalho. Percebe-se que diversas metodologias têm sido propostas com o objetivo de caracterizar diversos tipos de alimentos por Visão Computacional de forma a otimizar o processo de inspeção. Todas estas tecnologias vêm sendo aprimoradas visando obter melhores soluções e a otimização do custo dos processos industriais nos quais estas atividades estão presentes. Cada opção tecnológica tem um comportamento próprio em termos dos resultados. Porém, há necessidade cada vez maior de se aprimorar estas metodologias a fim de atender a grande demanda atual e contemplar todas as exigências e restrições existentes devido à especificidade de cada produto. Capítulo 3 Fundamentação Teórica A preocupação quanto ao entendimento da percepção e reprodução da cor historicamente pode ser percebida desde a antiguidade, com soluções e interpretações puramente empíricas. Todas as pesquisas realizadas ao longo dos séculos para a compreensão do fenômeno da cor, principalmente as ocorridas no século XX, muito contribuíram para a consolidação dos conceitos hoje conhecidos, da percepção das cores e da representação das mesmas em espaços ou modelos ou sistemas de cores. Devido ao grande crescimento do uso e da reprodução da cor nos diversos setores industriais, a observação, o estudo, a caracterização e a reprodução da cor progrediram conforme o desenvolvimento da tecnologia. Para melhor atender às necessidades setoriais e às especificidades de cada área, diversos sistemas e espaços de cores foram desenvolvidos. A análise da cor como característica tornou-se fundamental 47 3. Fundamentação Teórica 48 para o desenvolvimento e controle da qualidade de produtos e, conforme o aumento das necessidades de aplicações, fez-se necessário o aprimoramento ou complemento dos diversos modelos desenvolvidos no passado. Nesta revisão teórica serão apresentadas algumas teorias sobre a colorimetria, os sistemas de iluminação utilizados, a incerteza de medição em colorimetria, o emprego da visão computacional nos sistemas de inspeção automática e alguns principais sistemas de cor empregados nestes sistemas de inspeção. 3.1 As teorias e fundamentos da cor Atualmente, o estudo da teoria das cores pode ser dividido em três principais características: a cor física (óptica física), a cor fisiológica (óptica fisiológica) e a cor química (óptica fisico-química). Desta forma, o fenômeno da cor depende da natureza da luz (fonte luminosa), da interação da luz com o material e da fisiologia da visão humana. Entende-se como fonte luminosa qualquer processo que emite, reemite, ou conduz energia em quantidades suficientes para produzir luz, isto é, radiação eletromagnética com comprimentos de onda na região do visível (limite inferior entre 360 nm e 400 nm e limite superior entre 760 nm e 830 nm de acordo com a CIE 17.4 (CIE, 1987)). Existem vários tipos de fontes luminosas, as naturais (sol) e as artificiais que são desenvolvidas com base em diversos tipos de tecnologias (por ex. lâmpadas). A distribuição da radiação eletromagnética emitida por estas lâmpadas depende da natureza da superfície do corpo que a emite e das condições de utilização. A radiação eletromagnética provinda dessas fontes luminosas incide sobre os diversos tipos de materiais. Cada material possui características próprias devido a sua formação molecular, apresentando, desta forma, propriedades diferentes quando 3. Fundamentação Teórica 49 percebidos. Uma destas propriedades é a cor, que depende do pigmento que constitui o material e consequentemente das suas propriedades. Assim um feixe de radiação que é emitido pode sofrer reflexão, refração, transmissão ou absorção ao incidir em um determinado material, e a luz pode ser total ou parcialmente transmitida, refletida ou absorvida. Cabe ressaltar que todo material absorve radiação em alguma parte do espectro eletromagnético sendo que a quantidade de energia absorvida depende da seletividade do material absorvente (pigmento) pelo comprimento de onda da radiação. A absorção pode deixar um objeto opaco (cerâmica, madeira, o tijolo, o granito, etc.) ou transparente (vidro, películas, etc.). Quando a luz incide em uma superfície, uma fração outra fração é absorvida dentro do material configurando-se em um ganho de energia, é refletida e finalmente uma última parcela superfícies transparentes ou translúcidas (onde é transmitida no caso de = 1). Desta forma, podem-se considerar duas linhas de estudo das cores, a cor originada por uma fonte de luz e a cor originada pelo pigmento de um determinado material, sendo desta forma impossível falar de cor sem considerar a fonte de radiação, visto que é esta radiação (luz) que é refletida pelo material, fazendo com que o olho humano perceba esse estímulo como cor. A radiação eletromagnética, provinda das fontes luminosas ou dos objetos através da reflexão ou transmissão, é percebida pelo sistema de visão humano, mais precisamente pelas células fotossensíveis presentes na retina. De acordo com a fisiologia do olho humano, a retina é composta por dois tipos de células receptoras que, devido a seus formatos, recebem o nome de bastonetes e cones. Os cones são encontrados principalmente no centro da retina e são responsáveis 3. Fundamentação Teórica 50 pela visão com luminosidade maior, sendo conhecida como visão fotópica5. Também são responsáveis pela visão das cores, sendo sensíveis a comprimentos de onda longos, médios e curtos (vermelho, verde e azul), normalmente conhecidas pelas iniciais em inglês R, G e B. Os bastonetes estão localizados na periferia da retina e são responsáveis pela visão com luminosidade reduzida sendo sensíveis apenas as tonalidades de cinza. Pode-se então concluir que o fenômeno da cor depende da natureza da luz (fonte luminosa), da interação da luz com o material e da fisiologia da visão humana (Figura 3.1). Assim o fenômeno de percepção da cor baseia-se na resposta do nosso organismo ao estímulo recebido a partir de uma radiação eletromagnética originada em uma fonte luminosa, refletida ou não por um determinado material e incidindo em nossos olhos. Fig. 3.1: Representação espectral do fenômeno da cor. Para padronizar a identificação das cores fez-se necessário definir algumas características para as fontes luminosas de forma a padronizar as condições de operação. Sendo uma delas a temperatura de cor (TC). A TC expressa a aparência da cor da luz emitida pela fonte de luz. A sua unidade de medida é o kelvin (k). Quanto mais alta a temperatura de cor, mais clara é a tonalidade de cor da luz. A temperatura de cor correlata (TCC) é definida como a temperatura do radiador de Planck cuja radiação percebida mais se assemelha a de um dado estímulo de mesmo brilho sobre condições de observações específicas (CIE 17, 1987). 5 Condição para o olho normal adaptado a uma luminância superior a 3cd/m2 (Conci, Azevedo e Leta, 2008). 3. Fundamentação Teórica 51 Além da padronização da fonte, faz-se necessário determinar algumas características das cores para que estas possam ser analisadas individualmente e comparadas. Desta forma, toda cor possui uma série de propriedades que definem sua aparência final, sendo que as três características básicas consideradas são matiz, saturação e luminosidade (Conci, Azevedo e Leta, 2008). Matiz (tom, hue) é a característica qualitativa da cor e especifica os termos vermelho, azul, violeta, verde, amarelo, etc. Esse conceito é relacionado ao estado puro da cor, sem o branco ou o preto agregado, sendo associado ao comprimento de onda dominante. Saturação (croma, chroma) é a característica quantitativa de uma cor e especifica os termos pureza ou intensidade, vivacidade ou palidez de uma cor. Quando uma cor tem sua pureza máxima, sem adição de branco, diz-se que atingiu sua saturação máxima. Por outro lado, quando uma cor é adicionada a outra, essa perde sua saturação tornando-se uma cor diluída. A diluição ou dessaturação da cor pode ser feita por misturas com branco, preto, ou cinza, ou ainda com o seu tom complementar. Luminosidade (lightness) relacionada ao brilho ou claridade (brightness, value) é a capacidade de cada cor de refletir ou transmitir a intensidade da luz que recebe e especifica o quanto clara ou escura se parece. A escala da luminosidade varia do branco ao preto. Na figura 3.2 são apresentadas esquematicamente as diferenças de cada propriedade da cor e sua respectiva alteração na distribuição espectral. Baseado nas propriedades das cores, diversos modelos e sistemas de cores foram criados de forma a atender as necessidades específicas de cada aplicação. No apêndice A são apresentados e definidos alguns termos importantes empregados na área de colorimetria que de alguma forma não foram abordados nos parágrafos acima, de forma a complementar a teoria apresentada e discutida neste capítulo. 3. Fundamentação Teórica 52 Fig. 3.2: Propriedade da cor e sua alteração na distribuição espectral (adaptado de Gattass, 2002). 3.2 Colorimetria A percepção da cor é um fenômeno psicofisiológico e a sua medida deve ser correlacionada com a exata sensação visual para um observador normal. Medir a cor significa medir o estímulo, ou seja, a luz que “entra nos olhos” e possibilita a sensação das cores. Assim a colorimetria pode ser definida como “a ciência e a tecnologia usada para quantificar e descrever fisicamente a percepção humana da cor” (Ohno, 2000). Com o objetivo de padronizar e medir matematicamente a cor, o grupo de pesquisadores da Comissão Internacional de Iluminação (CIE) a partir da realização de diversas pesquisas, definiu alguns parâmetros importantes na medição da cor. Em 1931 foi realizado o experimento CIERGB, onde as cores primárias R ( =700 nm), G ( =546,1 nm) e B ( =435,8 nm) foram reproduzidas para um grupo de observadores, com um ângulo de visão de 2º, e em 1964 para um ângulo de 10º (Figura 3.3). 3. Fundamentação Teórica 53 Fig. 3.3: Experimento da CIE realizado em 1931 (adaptado de Shanda, 2007). O resultado deste experimento deu origem às tabelas de função de equalização de cor denominadas Figura 3.4). Fig. 3.4: Funções e respectivamente (CIE, 2004). Para eliminar os valores negativos (Figura 3.4) a CIE transformou linearmente as funções em um novo conjunto de cores primárias definindo assim as chamadas funções de equalização de cor CIE 1931 (colour matching function), simbolizadas por (Figura 3.4). Com esta transformação linear a CIE tornou os valores referentes à conhecida como função V iguais a função de eficiência luminosa 1924 , que é denominada de Assim, com a definição destas funções, a CIE definiu o observador colorimétrico padrão CIE 1931, que é o observador normal no qual a propriedade de equalização de cor corresponde às funções de equalização , com o campo de visão 2º. 3. Fundamentação Teórica 54 Os valores das funções de equalização de cor são utilizados para calcular os valores triestímulos X, Y, Z a partir do conjunto de equações (3.1). (3.1) sendo a função estímulo de cor no intervalo correspondente ao espectro visível, k uma constante e o intervalo de comprimento de onda. Para fontes luminosas é a radiância ou a irradiância espectral da fonte, com valores normalizados para que é distribuição de potência espectral relativa da fonte de luz normalizada em 560 nm. Para objetos iluminados, é dado pela equação 3.2: ou isto é, a função estímulo de cor é o produto de .... por R (3.2) , que é o fator de refletância espectral (ou o fator de radiância espectral, ou refletância espectral) do objeto iluminado sob determinadas condições; ou por , que é a transmitância espectral do objeto iluminado sob determinadas condições. A partir do plano X+Y+Z=1 plotado com os valores triestímulos (Figura 3.5) pode-se expressar a cor pelas coordenadas de cromaticidade (x,y) definidas pelas equações (3.3), tendo x + y + z = 1. sendo a componente Y correspondente à medida da luminosidade de um espectro de radiância. Desta forma calcula-se a cor matematicamente. 3. Fundamentação Teórica 55 A interseção da pirâmide, que representa as cores no intervalo visível (380 nm a 780 nm), com este plano gera o diagrama de cromaticidade xy mostrado na figura 3.5. Fig. 3.5: Plano X+Y+Z=1 e o diagrama de cromaticidade xy (CIE, 2004). Para padronizar a identificação das cores considerando as características da fonte de iluminação, a CIE definiu alguns iluminantes padrão e tabelou a distribuição destes em função de uma determinada temperatura de cor (K), como por exemplo, o iluminante CIE padrão A e o D65. O posicionamento da iluminação e da observação também são parâmetros importantes para especificar a cor dos objetos. Desta forma a CIE recomenda o uso de uma das quatro geometrias padrão, que são: 45º/normal (45º:0º), normal/45º (0:45º), difusa/normal (d:0º), e normal/difusa (0º:d). Assim, em 1931, a partir do consenso de vários cientistas, a CIE conseguiu padronizar a medida da cor e definir a forma de medi-la. O procedimento definido para medir a cor consiste substancialmente em somar a resposta de estímulos de cores e sua normalização à curva espectral de resposta do fotorreceptor sensível à cor (funções de equalização de cor). 3. Fundamentação Teórica 56 Com o avanço da tecnologia vários equipamentos foram desenvolvidos a fim de medir a cor. Considerando a medida da cor a partir da padronização da CIE pode-se citar dois principais tipos de colorímetros: o espectrocolorímetro e o colorímetro de filtro, este último também denominado, colorímetro triestímulo (Figura 3.6). O espectrocolorímetro mede a distribuição espectral do objeto em teste e processa esta informação via microprocessador interno ou externo computando os parâmetros colorimétricos. O colorímetro de filtro processa a informação espectral de forma analógica, via integração espectral em três canais com filtros, tal que a resposta de cada canal forneça valores já proporcionais aos valores triestímulo XYZ. Fig. 3.6: Colorímetro triestímulo (A) e espectrocolorímetro (B) (Gomes et al., 2009). Mesmo com todas as definições padronizadas pela CIE, a indústria ainda necessitava de um parâmetro de medida de cor que expressasse a diferença entre duas cores, visto que o diagrama de cromaticidade (x,y) é não-uniforme em termos de diferença de cores. Para aperfeiçoar isto, a CIE em 1960 definiu o Diagrama de cromaticidade (u,v) CIE 1960 (posteriormente desaprovado) e em 1976 desenvolveu o diagrama de escala uniforme de cromaticidade CIE 1976 (UCS), com as coordenadas (u’,v’), dadas pelo conjunto de equações 3.4. 3. Fundamentação Teórica 57 O diagrama de cromaticidade (u’,v’) UCS 1976 é mais uniforme que o diagrama (x,y), porém Mac Adam demonstrou nos diagramas mostrados na figura 3.7 a não uniformidade destes dois espaços (Ohno, 2000). Fig. 3.7: A elipse de Mac Adam para os diagramas CIE (x,y) e CIE (u’,v’) (Ohno, 2000). Visando aperfeiçoar os diagramas propostos e resolver o problema da uniformidade da diferença de cor, a CIE desenvolveu, baseando-se nos três atributos da cor: matiz, saturação e luminosidade, dois novos espaços uniformes tridimensionais, o CIELAB e o CIELUV, sendo o primeiro mais conhecido e utilizado. O espaço CIELAB, também conhecido como L*a*b* CIE 1976, onde L* é a luminosidade e a* e b* as cromaticidades, é obtido a partir do conjunto de equações 3.5. , para , para , para >0,008856 >0,008856 e >0,008856 e >0,008856 (3.5) >0,008856. Sendo X, Y, e Z o estímulo da cor considerada e Xn, Yn e Zn o estímulo da cor do objeto branco especificado. Este espaço (Figura 3.8) tem uma estrutura similar ao sólido de cor de Munsell e é comumente empregado na área de imagem. 3. Fundamentação Teórica 58 Fig. 3.8: Representação do espaço CIELAB (adaptado de www.dma.ufg.ac.at). A diferença de cor entre dois estímulos é calculada como a distância euclidiana entre os pontos neste espaço tridimensional pela equação 3.6: (3.6) e os valores de matiz e saturação, respectivamente também podem ser calculados pelas equações 3.7 e 3.8. (3.7) (3.8) Cabe ressaltar que este espaço foi planejado para ser aplicado em comparações de diferença entre objetos de cor de mesma forma e tamanhos, observados em um ambiente idêntico, por um observador fotopicamente adaptado a um campo de cromaticidade não tão diferente daquele da luz do dia (CIE, 1986). 3.3 Iluminação e suas principais características A radiação eletromagnética provinda de fontes luminosas incide sobre os vários tipos de materiais que apresentam características distintas, proporcionando efeitos diferentes para cada tipo de radiação incidente, necessitando padronizar algumas destas características. 3. Fundamentação Teórica 59 3.3.1 A padronização da CIE Para conseguir padronizar a medida da cor, os pesquisadores da CIE, após constatarem que a iluminação influenciava diretamente a medida e a percepção da cor e a aparência do objeto, verificaram a necessidade de definir algumas características da iluminação a serem utilizadas de forma a padronizar as condições de operação. Para isto a CIE estabeleceu algumas recomendações que hoje são padronizadas pela International Standard Organization (ISO). Fontes e iluminantes padrão Uma fonte refere-se a um emissor físico de luz, como o sol ou uma lâmpada, enquanto que um iluminante pode ser definido matematicamente com facilidade, mas não é realizável6 na prática de forma absoluta, apenas aproximadamente. A CIE busca realizar cada iluminante a partir de uma fonte artificial recomendada. Um dos parâmetros utilizados pela CIE para a realização dos iluminantes através de suas respectivas fontes é a temperatura de cor. Os iluminantes são definidos como uma distribuição de potência espectral relativa, que é largamente usada em colorimetria no cálculo dos valores de triestímulos. Iluminante A - A CIE recomenda que o iluminante A seja realizado por uma fonte luminosa que produza uma radiação com a mesma distribuição espectral de um corpo negro a uma temperatura absoluta de T = 2856 K, isto é, a uma temperatura de cor correlata de 2856 K. Este é um representante típico da iluminação doméstica, que é a iluminação por filamento de tungstênio.7 Iluminante D65 - Este iluminante é baseado em medidas da luz do dia total, isto é, da luz do sol e da luz refletida pelo céu, em vários pontos geográficos a uma TCC de 6 Realizar, neste caso, significa tornar real. Ter uma lâmpada real que reproduza os valores teóricos. 7 Os iluminantes B (temperatura de cor correlata de 4900 K) e C (temperatura de cor correlata de 6800 K) são considerados hoje obsoletos pela CIE apesar do iluminante C ainda ser utilizado em alguns equipamentos e ser empregado como padrão em determinadas áreas. 3. Fundamentação Teórica 60 6500 K. Embora o iluminante D65 represente com maior fidelidade as condições normais de iluminação em relação ao iluminante A, o maior problema consiste na dificuldade de sua reprodução em laboratório. Este iluminante pode ser usado em todos os cálculos colorimétricos que requerem o uso representativo da luz do dia, a menos que haja uma razão específica para o uso de outro iluminante. Quando não for possível usar o iluminante D65, é recomendado que uma das distribuições de potência espectrais relativas referentes aos iluminantes D50, D55, e D75 sejam usadas, com temperatura de cor correlata de aproximadamente 5000, 5500 e 7500 K, respectivamente. No momento o iluminante D65 não possui recomendação de fonte artificial. As diferenças na distribuição espectral entre os iluminantes A e D65 definidos pela CIE podem ser visualizados na figura 3.9 e as diferenças entre os iluminantes D podem ser visualizados na figura 3.10. Fig. 3.9: Distribuição espectral dos iluminantes A e D65 (CIE, 2004). Fig. 3.10: Distribuição espectral dos iluminantes D (CIE, 2004). 3. Fundamentação Teórica 61 O posicionamento da iluminação e da observação também são parâmetros importantes para especificar a cor dos objetos. A geometria óptica de visualização é um fator de grande importância na medição da cor, uma vez que é extremamente difícil, se não impossível, correlacionar medidas tomadas entre instrumentos se a geometria óptica não for idêntica. Em alguns instrumentos é usada uma esfera integradora que ilumina a amostra a ser iluminada de forma difusa (igualmente de todos os ângulos) enquanto a luz refletida é coletada em um ângulo perpendicular à superfície da amostra. Desta forma a CIE recomenda o uso de algumas geometrias padrão, tanto para medidas de reflexão quanto para medidas de transmissão de amostras, a saber: Geometria para medidas de reflexão – difusa geometria oito graus com componente especular incluído (representada por di:8º); difusa geometria oito graus com componente especular excluído (de:8º); oito graus difusa com componente especular incluído (representada por 8º:di); oito graus difusa com componente especular excluído (representada por 8º:de); difusa geometria difusa (representada por d:d); quarenta e cinco graus geometria normal (representada por 45º:0º) e normal geometria quarenta e cinco graus (representada por 0º:45º). Por exemplo, na geometria 0º:45º a amostra é iluminada por um feixe em um ângulo normal à amostra. A amostra é observada em um ângulo de 45º da normal. Geometria para medidas de transmissão – normal geometria normal (representada por 0º:0º); difusa geometria normal com componente regular incluído (representada por di:08º); difusa geometria normal com componente regular excluído (representada por de:08º); oito graus difusa com componente especular incluído (representada por 8º:di); normal geometria difusa com componente regular incluído (representada por 0º:di); normal geometria difusa com componente regular excluído (representada por 0º:de) e difusa geometria difusa (representada por d:d). 3. Fundamentação Teórica 62 Na figura 3.11 são esquematizadas algumas principais geometrias usadas para medidas de cor por reflexão. Fig. 3.11: Geometrias 45º:0º, 0º:45ºe di:8º para medidas por reflexão (Adaptado de Hunter, 1975). 3.3.2 Temperatura de cor e índice de reprodução de cor Uma das principais características utilizadas na diferenciação das condições de operação das fontes é a temperatura de cor, que expressa a aparência da cor da luz emitida pela fonte de luz. A sua unidade de medida é o kelvin (K). Quanto mais alta a temperatura de cor, mais clara é a tonalidade de cor da luz, e quanto mais baixa a temperatura de cor, mais amarelada. A temperatura de cor correlata, de acordo com a CIE, é definida como a temperatura do radiador de Planck cuja radiação percebida mais se assemelha a de um dado estímulo de mesmo brilho sobre condições de observações específicas (CIE, 1987). Lâmpadas padrão de filamento de tungstênio e, também, certas lâmpadas halógenas apresentam boa concordância com a distribuição espectral do corpo negro. 3. Fundamentação Teórica 63 No espaço de cor uniforme da CIE UCS (1960), um novo conjunto de funções de equalização de cor é definido a partir de uma combinação linear das funções de equalização de cor da CIE 1931: (3.9) com os novos valores triestímulos definidos por: U= u(λ) dλ;; V= v(λ) dλ;; W= w(λ) dλ, (3.10) e onde as novas coordenadas de cromaticidade são definidas por, u= v= (3.11) O diagrama (u,v) 1960 correlaciona-se com os valores triestímulos CIE1931 a partir das equações: (3.12) Neste espaço de cor, para uma dada temperatura T, o corpo negro é caracterizado por coordenadas de cromaticidade (uT,vT). A totalidade destes pares de coordenadas em outras temperaturas forma o lócus de Planck (Figura 3.12). Linhas retas e perpendiculares, traçadas perpendicularmente à curva do lócus de Planck, definem uma família de retas denominadas isotermas. No espaço CIE UCS (1960) fontes luminosas emitindo radiação, cujas coordenadas de cromaticidade pertencem a uma mesma isoterma, apresentam ao observador padrão da CIE uma mesma sensação de cor, sob condição de mesmo brilho (luminosidade) e observação do que aquela produzida por um corpo negro na 3. Fundamentação Teórica 64 temperatura T (Figura 3.12). A interseção da reta de dada isoterma com a curva do lócus de Planck define uma temperatura única, denominada Temperatura de Cor Correlata 8 (TCC), e constitui desta forma uma definição prática para a sua realização quantitativa. Fig. 3.12: Diagrama UCS 1960 e a localização do lócus de Planck (CIE, 2004). O limite de aplicação do conceito de temperatura de cor correlata está no fato de as cromaticidades estarem próximas ao lócus de Planck, ou seja, uma diferença de cromaticidade dentro do limite indicado: (3.13) 8 Temperatura de cor correlata, em inglês, Color Correlated Temperature, TCC. 3. Fundamentação Teórica 65 onde as coordenadas de cromaticidade de uma fonte qualquer são dadas por (u e,ve) e as coordenadas (u,v) pertencem ao lócus de Planck (Figura 3.12). O método para o cálculo da temperatura de cor correlata de um estímulo consiste em determinar no diagrama de cromaticidade (CIE UCS 1960) a temperatura do ponto no lócus de Planck que corresponde à interseção com isoterma convencional, que contém o ponto que representa o estímulo. Este método gráfico foi substituído pelo método numérico de determinação da temperatura de cor correlata a partir da proposta de Mori e posteriormente o método de Robertson (Wyszeckie e Stiles, 1982). Lâmpadas com temperatura de cor correlata de 3100 K e abaixo desse valor são consideradas lâmpadas de cores “quentes”, e com valores de 4100 K para acima, de cores “frias”. No intervalo de 3100 K a 4100 K, são consideradas lâmpadas de cores neutras ou moderadas. De uma maneira geral, escritórios e indústrias são ambientes onde lâmpadas de cores “frias” são normalmente escolhidas. As lâmpadas de cores “quentes” são preferidas em ambientes em que se deseja sensação de aconchego ou em mostruários de mercadorias. A tabela 3.1 mostra diversas fontes de luz com as respectivas temperaturas de cor correlatas. Tab. 3.1: Fontes de luz com as respectivas temperaturas de cor correlatas (GE, 2010). Fonte de Luz TCCa (K) Céu de dia no pólo norte 25000 Céu azul aberto 12000 a 9000 Céu encoberto 7500 a 6500 Lâmpada fluorescente do tipo “luz do dia” 6500 Lâmpada de mercúrio 6000 Lâmpada de xenônio 5000 Lâmpada incandescente comum (tungstênio 200W) 3000 Lâmpada incandescente comum (tungstênio 40W) 2680 Lâmpada de vapor de sódio (iluminação pública) 2000 Luz da vela 1700 Luz do fogo 1200 a TCC é definida como a temperatura do radiador de Planck cuja radiação percebida mais se assemelha a de um dado estímulo de mesmo brilho sobre condições de observações específicas. 3. Fundamentação Teórica 66 Outra característica importante é o Índice de Reprodução de Cor (IRC). Este índice quantifica a fidelidade com que as cores são reproduzidas sob uma determinada fonte de luz. O índice de reprodução de cor de uma fonte de luz é a medida do quanto às cores percebidas, do objeto iluminado por esta fonte, se aproximam daquelas do mesmo objeto iluminado por uma fonte padrão (iluminante de referência). O IRC é um número de 0 a 100 que classifica a qualidade relativa de reprodução de cor de uma fonte, quando comparada com uma fonte padrão de referência da mesma temperatura de cor correlata. Ele é determinado a partir da distribuição espectral de uma lâmpada, medida em um sistema espectrocolorimétrico, empregando o método estabelecido na norma CIE 13.3 (CIE, 1995) e também a partir daTCC da lâmpada analisada. O índice de reprodução de cor geral (Ra) (Equação 3.14) é calculado a partir da média dos índices de reprodução de cor especial (Ri) (Equação 3.15) calculados a partir da diferença (Equação 3.16) entre a cor de um objeto observado sob uma lâmpada e sob uma referência para cada uma das oito primeiras cores teste especificadas na CIE 13.3 (CIE, 1995) (Figura 3.13). Ra Ri 1 8 8 Ri i 1 (3.14) 100 4, 6 Ei (3.15) U *r ,i U *k ,i Ei = U *i 2 2 V *i 2 V *r ,i V *k ,i 2 W *i 2 W *r ,i W *k ,i 2 (3.16) Sendo, ΔEi = Diferença de cor U*r,i, V*r,i e W*r,i = Coordenadas de cor do iluminante de referência no Espaço CIEUVW 1964; U*k,i, V*k,i e W*k,i = Coordenadas de cor da fonte a ser testada no Espaço CIEUVW 1964. 3. Fundamentação Teórica 67 Fig. 3.13: Conjunto de 14 cores de Munsell para cálculo do IRC (CIE, 1995). A melhor reprodução possível de uma fonte luminosa, comparada a uma referência, gera um IRC = 100. Então se uma fonte luminosa apresenta um índice de 60%, este está relacionado com uma fonte de referência que é de 100%. É costume, entre os fabricantes de lâmpadas, a apresentação de uma tabela que informa comparativamente o índice de reprodução de cores e a temperatura de cor correlata (tabela 3.2). Tab. 3.2: Valores de TCC e IRC para algumas fontes de luz (Phillips, 2010). Fonte de luz TCC (K) IRC Céu claro 7500-19000 100 Natural Céu claro + sol 5800-6500 100 Céu encoberto 6400-6900 100 500 W 2850 97 Incandescente Halógena 3000 89 Branca fria 4350 67 Branca quente 3100 55 Fluorescente Luz natural 6600 75 Branca quente “Deluxe” 3230 77 Vapor de Clara 5900 22 mercúrio Branca “Deluxe” invertida 4000 43 Claro 5200 55 Vapor metálico Revestida 4600 75 Vapor de sódio alta pressão 2250 25 A norma IEC/TR 62732 (IEC, 2011) define uma codificação de três dígitos para representar o IRC e TCC de uma lâmpada. O primeiro dígito representa o IRC e os dois últimos a TCC. De acordo com a norma IEC, os valores de CRI de uma lâmpada são expressos por códigos obtidos a partir de intervalos, como por exemplo: IRC=67 a 76 – código “7”;; IRC=77 a 86 – código “8”;; IRC=87 a ≥ 90 – código “9”. O maior código é 9 e valores menores que 7 devem ser deduzidos por analogia. Os valores de TCC são expressos, dividindo o valor nominal de TCC da lâmpada por 3. Fundamentação Teórica 68 100 e arredondando o valor obtido para o mais próximo valor inteiro. O método de cálculo é válido para TCC menores que 10000 K. Assim, uma lâmpada como IRC de 89 e TCC de 5400 K, de acordo com a IEC deve ser codificada como 954. 3.3.3 Fontes luminosas São consideradas fontes luminosas qualquer processo que emite, reemite, ou conduz energia em quantidades suficientes para produzir luz, isto é, radiação eletromagnética com comprimentos de onda na região do visível.9 Existem vários tipos de fontes luminosas, as naturais (sol) e as artificiais que são desenvolvidas com base em diversos tipos de tecnologias. A distribuição da radiação eletromagnética emitida por estas lâmpadas depende da natureza da superfície do corpo que a emite e das condições de utilização. As lâmpadas artificiais elétricas podem ser divididas em dois principais grupos, lâmpadas incandescentes e lâmpadas de descarga. A lâmpada incandescente produz luz pelo aquecimento elétrico de um fio (o filamento) a uma temperatura tão alta que radiação visível também é emitida. Para que o filamento não queime, ele é encerrado em um bulbo de vidro, em cujo interior se produz vácuo (lâmpadas de baixa potência) ou se introduz um gás inerte10 (lâmpadas de média e alta potência). As lâmpadas incandescentes comuns se apresentam em bulbos claros ou leitosos (Figura 3.14) e são as mais conhecidas e de tecnologia mais antiga (Phillips, 1981). As lâmpadas incandescentes refletoras são lâmpadas que possuem um espelho sobre a parte da superfície interna do bulbo (um refletor) que melhora o direcionamento da luz produzida (Figura 3.14). A área espelhada funciona como uma luminária garantindo alto rendimento durante a vida útil da lâmpada (Phillips, 1981). 9 Região do visível: limite inferior entre 360 nm e 400 nm e limite superior entre 760 nm e 830 nm de acordo com a CIE 17.4 (CIE, 1987). 10 Nitrogênio, argônio e criptônio são os gases mais comumente usados. 3. Fundamentação Teórica 69 Fig. 3.14: Exemplos de lâmpadas incandescentes comuns e refletoras (Philips, 2010). A alta temperatura do filamento em uma lâmpada incandescente causa a evaporação de partículas de tungstênio, que se condensam na parede do bulbo, resultando no seu escurecimento. Para evitar o escurecimento, é introduzido no interior do bulbo da lâmpada, além dos gases normalmente usados, um halogênio (normalmente iodo, flúor ou bromo). Além disto, é utilizado um bulbo de quartzo que suporta elevadas temperaturas evitando assim a condensação. Desta forma, o tungstênio evaporado combina-se com o halogênio presente, formando, por exemplo, o iodeto de tungstênio. Quando este novo gás entra em contato com o filamento, faz com que o tungstênio da mistura seja redepositado no filamento e o halogênio presente continua em um ciclo regenerativo (Phillips, 1981). As lâmpadas incandescentes halógenas (Figura 3.15) são muito menores do que as lâmpadas normais e são usadas especialmente em instalações com projetores de diversos tipos ou como fonte de luz de automóveis (Phillips, 1981). Fig. 3.15: Exemplos de lâmpadas incandescentes halógenas (Philips, 2010). 3. Fundamentação Teórica 70 Podem-se considerar alguns aspectos positivos da lâmpada incandescente, que são, baixo custo inicial, tamanho reduzido, funcionamento imediato, excelente reprodução de cores (alto IRC), etc. Porém estas lâmpadas possuem vida útil limitada, são sensíveis a choques e vibrações e possuem elevada dissipação de calor (Phillips, 1981). As lâmpadas de descarga produzem luz por uma contínua descarga elétrica num gás ou vapor ionizado, às vezes em combinação com a fluorescência de fósforos, que são excitados pela radiação da descarga. Estas lâmpadas em geral não podem ser operadas sem um dispositivo de limitação da corrente, ou reator, ligado no circuito da lâmpada. O reator tem como principal função limitar a corrente na lâmpada ao valor recomendado. Além do reator, um ignitor é usado para iniciar a descarga, que sozinho ou em combinação com o reator, fornece pulsações de tensão, que ionizam o caminho da descarga e provocam a partida. A ignição é seguida pela estabilização do gás ou vapor, que poderá demorar alguns minutos dependendo do tipo de lâmpada. As lâmpadas fluorescentes tubulares têm um tempo de estabilização menor, sendo este maior para as lâmpadas de alta pressão. As lâmpadas fluorescentes tubulares são lâmpadas de descarga de baixa pressão (Figura 3.16), no qual a luz é predominantemente produzida por pós fluorescentes (normalmente fósforo) ativados pela energia ultravioleta da descarga. A lâmpada normalmente com bulbo tubular longo contém vapor de mercúrio sob baixa pressão, com uma pequena quantidade de gás inerte para facilitar a partida. A parte interna do bulbo é coberta com um pó fluorescente cuja quantidade determina a quantidade e cor da luz emitida, além das características da lâmpada tais como temperatura de cor correlata, índice de reprodução de cor, etc. Existem também as lâmpadas de baixa pressão compostas com vapor de sódio e gases inertes. A descarga ocorre no invólucro 3. Fundamentação Teórica 71 de vidro tubular à vácuo, coberto na superfície interna com óxido de índio. Esta lâmpada caracteriza-se por emitir uma radiação monocromática na região espectral do amarelo e apresenta uma longa vida média. As lâmpadas fluorescentes compactas (descarga de baixa pressão) são assim chamadas devido ao seu pequeno tamanho e baixa potência (Figura 3.16). A produção destas lâmpadas foi possível com a utilização de fósforos tricromáticos que proporcionam um bom IRC e TCC. Estas lâmpadas proporcionam uma redução no calor gerado pelo sistema e conseqüentemente uma grande economia de energia elétrica. Fig. 3.16: Exemplos de lâmpadas fluorescentes tubulares de baixa pressão (Philips, 2010). Podem-se considerar alguns aspectos positivos da lâmpada de descarga de baixa pressão, que são: o custo de operação menor quando comparado com as incandescentes, a vida média alta, etc. Por outro lado, estas lâmpadas possuem custo inicial alto, necessitam de equipamento auxiliar, são sensíveis a temperatura do ambiente, possuem maiores dimensões (com exceção das lâmpadas compactas) além de produzirem ruído causado pelos reatores. As lâmpadas de alta pressão de mercúrio (Figura 3.17) têm como componente principal um tubo de arco, assim como as lâmpadas multi-vapores metálicos e as lâmpadas de sódio de alta pressão. O tubo de arco (tubo de descarga) é feito de quartzo, material capaz de suportar altas temperaturas. Dentro do tubo de arco existem dois eletrodos denominados principais, responsáveis pelo arco elétrico criado dentro do tubo. O tubo de arco é protegido por uma estrutura de vidro que é preenchido por gás inerte. 3. Fundamentação Teórica 72 Este protege o sistema contra a oxidação e ajuda a manter a temperatura da lâmpada praticamente constante. Algumas lâmpadas de vapor de mercúrio têm o bulbo revestido com pó de fósforo que melhoram a qualidade cromática da luz emitida. Estas lâmpadas também precisam de um reator para seu funcionamento (Phillips, 1981). A radiação das lâmpadas de vapor de mercúrio de alta pressão tem uma aparência branco-azulada. Essas lâmpadas são muito usadas para iluminação de grandes áreas internas (prédios, armazéns, depósitos, etc.) e externas, onde uma boa reprodução de cores não é exigida. Estas lâmpadas apresentam duração média, além de apresentarem um volume pequeno. Entretanto apresentam necessidade de reator, levando de 4 a 5 minutos para se estabilizarem além de apresentarem custo inicial elevado. As lâmpadas de vapor metálico são similares à lâmpada de mercúrio, porém contêm aditivos junto ao iodeto, como índio, tálio e sódio, para melhorar a reprodução de cor. As lâmpadas de vapor de sódio de alta pressão (Figura 3.17) contêm excesso de sódio para dar condições de saturação do vapor quando a lâmpada está em funcionamento, além de excesso de mercúrio para proteção e uma mistura de gases inertes (neônio e argônio) sob baixa pressão para facilitar a ignição. Apresentam uma luz com tonalidade alaranjada, sendo empregadas em iluminação externa e industrial. Apresentam ainda notável vida média e reprodução de cor razoável. Porém possui custo inicial elevado e necessita de reator para partida, levando de 5 a 8 minutos para se estabilizar (Phillips, 1981). Fig. 3.17: Exemplos de lâmpadas de descarga de alta pressão (Philips, 2010). 3. Fundamentação Teórica 73 Novas tecnologias têm surgido nos últimos anos no mercado e têm sido cada vez mais usadas em projetos de iluminação. Como por exemplo o LED (do inglês Light Emission Diode, diodo emissor de luz) que é um dispositivo eletrônico semicondutor, que quando polarizado diretamente, ocorre a recombinação de lacunas e elétrons. Essa recombinação exige que a energia armazenada por esses elétrons sejam liberadas na forma de calor ou luz devido à passagem da corrente elétrica na junção anodo para o catodo (Novicki e Martinez, 2008). Diferente de uma lâmpada, o LED não possui filamento, o grande responsável por converter a maior parte da energia elétrica em energia térmica (calor), que no caso das lâmpadas significa desperdício e energia. Os LEDs são capazes de produzir muito mais luz visível do que calor ao ser comparado com uma lâmpada incandescente, o que o torna mais eficiente, chegando a economizar 50% da energia quando comparado às fontes tradicionais. A iluminação com LEDs consome menos energia que a maioria das outras tecnologias, dura mais e requer menos manutenção. Porém a luz branca é obtida através da adição de elementos que geram as cores separadamente (AlGaInP para o vermelho, InGaN para o verde e InGaN para o azul) ou através do uso do LED azul com adição do fósforo amarelo (Novicki e Martinez, 2008), além de apresentar custo ainda elevado. Na figura 3.18 são exemplificadas algumas distribuições espectrais de lâmpadas comerciais, onde se percebem que as lâmpadas incandescentes apresentam espectro contínuo enquanto as lâmpadas de descarga apresentam espectros descontínuos. Lâmpadas incandescentes produzem luz que tem predominantemente radiação na região do infravermelho, enquanto as lâmpadas fluorescentes têm baixa emissão nesta região. Desta forma, a iluminação a ser utilizada para a caracterização de determinado material deve ser selecionada de acordo com as propriedades da lâmpada a ser utilizada, tal como temperatura de cor, índice de reprodução de cor, etc. 3. Fundamentação Teórica 74 Lâmpada Incandescente Lâmpada Fluorescente Tubular Lâmpada Fluorescente Compacta Lâmpada de Mercúrio Fig. 3.18: Exemplos de distribuições espectrais de lâmpadas comerciais. Muitos tipos de iluminação têm sido usados nos sistemas de classificação de produtos, e o uso da correta fonte de iluminação para aplicações particulares requerem testes experimentais. Por exemplo, Mohan et al. (2005) descreveram que lâmpadas fluorescentes apresentaram melhores exatidão para identificar defeitos em grãos quando 3. Fundamentação Teórica 75 comparadas com lâmpadas incandescentes halógenas e LEDs. A natureza biológica dos produtos da horticultura, que apresentam uma grande variedade de tamanhos, formas, texturas e cor, enfatiza a importância da exatidão do projeto do sistema de iluminação, mas também alerta para a dificuldade de se estabelecer um sistema padronizado que irá ser efetivo para todos os produtos e tipos de situações. Um sistema de iluminação ineficiente pode dificultar a identificação de defeitos e da cor dos produtos analisados. O uso de uma iluminação adequada em um sistema de inspeção automática permite maximizar a qualidade do resultado final da análise da imagem, e evitar o aumento do custo do estágio de pré-processamento. 3.4 Sistemas de inspeção automática A Visão Computacional é a ciência responsável pelo estudo e aplicação de métodos que possibilitam aos computadores entender o conteúdo de uma imagem, e esta interpretação envolve a extração de características importantes para uma determinada finalidade (Conci, Azevedo e Leta, 2008). O desenvolvimento de sistemas de Visão Computacional requer uma entrada de dados (imagem) geralmente obtida de sensores, câmeras ou vídeos. Essas imagens são processadas e transformadas em uma informação esperada, como por exemplo, receber uma imagem colorida (dado), binarizar a imagem (processamento), exibir uma imagem preta e branca em níveis de cinza (informação esperada). Apesar de um sistema de Visão Computacional (SVC) ser organizado de acordo com sua aplicação, existem etapas típicas encontradas nos diversos sistemas que podem ser resumidas como: aquisição de imagem, pré-processamento, segmentação, extração de características e processamento. A etapa de aquisição de imagem é um processo físico que depende de alguns parâmetros para obtenção final de uma boa imagem, tais como o dispositivo usado na 3. Fundamentação Teórica 76 aquisição de imagem, o sistema de iluminação empregado e a cor do fundo. A aquisição de imagem consiste em capturar uma imagem real e transformá-la em uma imagem digital através de dispositivos, tais como câmeras digitais, scanners, vídeos, etc. O dispositivo usado na aquisição envia a informação da imagem adquirida a um conversor analógico digital e então a imagem é representada na forma digital. A etapa de processamento tem como objetivo o reconhecimento e a interpretação de imagens, buscando dar sentido ao conjunto de objetos da imagem, visando à percepção automática de dados pelo computador. Atualmente a visão computacional tem sido utilizada em diversos setores da indústria, contribuindo significativamente em diversas fases do ciclo produtivo de um produto, tais como planejamento da produção e controle de qualidade. Os sistemas de inspeção automática (SIA) são compostos basicamente de uma fonte de iluminação, um dispositivo para obtenção da imagem e um sistema computacional (Figura 3.19). Os SIA são normalmente utilizados nas linhas de produção quando a atividade humana é repetitiva, os produtos são manufaturados muito rapidamente, necessitando de medidas rápidas e precisas para a tomada de decisão durante o processo. Fig. 3.19: Exemplo de um sistema de inspeção automática (Imatic, 2010). 3. Fundamentação Teórica 77 3.5 Análise de cor por imagem A percepção de um objeto (ou a imagem adquirida de um objeto) é uma função da propriedade espectral deste objeto, da iluminação e da aquisição (humana ou não) desta combinação. Sabe-se que o fenômeno da cor depende da natureza da luz (fonte luminosa), da interação da luz com o material e da fisiologia da visão humana (ou do equipamento de aquisição de imagem). O fenômeno de percepção da cor baseia-se na resposta do organismo ao estímulo recebido a partir de uma radiação eletromagnética originada em uma fonte luminosa, refletida ou não por um determinado material, incidindo nos olhos do observador. Da mesma forma, a imagem adquirida de um objeto é uma função da propriedade espectral do objeto, da iluminação e da resposta da câmera ao estímulo recebido. Assim como o olho humano, uma câmera digital possui sensores que convertem a radiação (estímulo) em cargas elétricas, que depois são digitalizadas. Os sensores de imagem mais utilizados nas câmeras digitais são o CCD (charge coupled device) e o CMOS (complementary metal oxide semiconductor). Cada sensor é composto por dois filtros, um preto e branco com sensibilidade a diferentes intensidades de radiação e outro colorido, com sensibilidade nas cores vermelho, verde e azul, chamado filtro de Bayer (Figura 3.20), distribuído de forma a tornar a aquisição da radiação na câmera o mais similar possível ao olho humano. Na figura 3.21 são apresentadas distribuições espectrais de filtros usados em alguns modelos de câmeras, onde se observa a diferença entre os modelos e fabricantes. Comparando a distribuição espectral das câmeras com a distribuição das funções de equalização de cor da CIE (Figura 3.4) verifica-se uma grande diferença na distribuição espectral, demonstrando tecnicamente a necessidade de calibração e caracterização destes quando usados de forma quantitativa em sistemas de inspeção automática. 3. Fundamentação Teórica 78 Fig. 3.20: Filtro de Bayer usado em câmeras digitais. (Smartphones guia prático, 2012). Fig. 3.21: Distribuição espectral de câmeras digitais: 1 – CMOS; 2 – CCD (LDP LLC, 2012). O processo de digitalização da imagem é gerado a partir do mapeamento da imagem analógica, onde essa é dividida em vários pontos, formando uma matriz bidimensional f(x,y). Cada ponto desta matriz representa o chamado pixel da imagem e, devido ao filtro colorido usado, esses dois elementos estão relacionados com a resolução espacial da cor da imagem que normalmente é representada por sistemas de cores para possibilitar a sua representação. Da mesma forma que o olho humano, o sistema de cores que mais se assemelha à aquisição de imagem é o sistema RGB, devido à formação aditiva das três cores vermelho, verde e azul. Várias características podem ser extraídas a partir dos valores obtidos em RGB durante a etapa de processamento, inclusive características de aparência, como a cor. Outros sistemas de cores também são usados na análise de cor por imagem a partir da conversão dos valores de RGB em outros sistemas, tais como HSL, HSI, HSB e HSV 3. Fundamentação Teórica 79 que são muito empregados por considerar os conceitos de matiz, saturação e luminosidade. Para a calibração de câmeras digitais faz-se necessário converter os diferentes sistemas de cor usados para um sistema de cor conhecido e posteriormente comparar com padrões previamente calibrados para dar rastreabilidade ao sistema. O sistema de cor usado nas calibrações é o sistema de cor CIEXYZ, sistema desenvolvido pela CIE para ser usado em colorimetria, e a partir deste, outros sistemas de cor devem ser usados de acordo com a necessidade da área de aplicação. Na área de alimentos o sistema de cor mais utilizado é o CIELAB, por se aproximar mais com a percepção humana. 3.5.1 Padronização e conversão para o sistema CIEXYZ A crescente troca de imagem a cores entre muitos sistemas digitais requer uma representação de imagem coerente nos dispositivos de saída. Porém cada dispositivo representa uma imagem de acordo com as suas características físicas e químicas, e para alcançar uma reprodução de cores consistente em um sistema de imagens é necessário entender as características das cores geradas nos diversos dispositivos envolvidos e executar um adequado algoritmo de correção. A imagem digital é representada em RGB (devido à composição física da câmera) com três componentes por pixel em uma faixa de 0 a 255. Convencionalmente, esta informação é armazenada usando 8 bits por componente de cor e são chamados de R’G’B’. Estes sinais são transformados não linearmente e eletronicamente combinados para produzir uma figura digital colorida. Consequentemente os sinais gerados pelas câmeras são diferentes entre si, visto que cada câmera possui o seu próprio sensor com diferente distribuição espectral. Desta forma, a International Electrotechnical Commission (IEC), através da norma IEC 61966-2-1 definiu o sistema padrão sRGB. Este sistema é capaz de mapear 3. Fundamentação Teórica 80 os sinais R’G’B’ originados do sensor da câmera, e defini-los em um sistema independente CIEXYZ. Os valores não lineares de R’G’B’ são transformados em valores lineares sRGB pelas equações 3.17, 3.18 e 3.19 (Stokes, 1996). (3.17) seR’sRGB, G’sRGB, B’sRGB ≤ 0,03928: (3.18) senão, se R’sRGB, G’sRGB, B’sRGB > 0,03928: , , (3.19) . Os valores triestímulos sRGB inferiores a 0,0 ou maiores que 1,0 devem ser ajustados para 0,0 e 1,0, respectivamente. Estes valores de sRGB são transformados nos valores padronizados CIEXYZ 1931 através da equação 3.20. (3.20) Para a transformação inversa dos valores triestímulos CIEXYZ 1931 (obtidos no certificado de calibração) para os valores R’G’B’ (obtidos na imagem digital), as equações 3.21 a 3.24 devem ser adotadas. 3. Fundamentação Teórica 81 (3.21) Os valores triestímulos sRGB inferiores a 0,0 ou maiores que 1,0 devem ser ajustados para 0,0 e 1,0, respectivamente. Se RsRGB, GsRGB, BsRGB ≤ 0,00304: (3.22) senão, se RsRGB, GsRGB, BsRGB > 0,00304: , , (3.23) , e finalmente, os valores não lineares sR’G’B’ são convertidos para os valores de código digital: (3.24) Cabe ressaltar a importância de verificar o sistema de cor usado na câmera digital antes de utilizar as equações apresentadas. Algumas câmeras fazem a conversão para outros sistemas de cores diferentes do sRGB durante a digitalização. 3. Fundamentação Teórica 82 3.6 Incerteza de Medição de um Sistema Colorimétrico Para a caracterização e estimativa de incerteza de um sistema colorimétrico, vários parâmetros devem ser avaliados, dependendo da grandeza de interesse. A seguir são descritos os procedimentos de análise de incerteza para as grandezas utilizadas nesta tese, que são: fator de radiância espectral, coordenadas de cromaticidade, temperatura de cor correlata e índice de reprodução de cor. 3.6.1 Fator de radiância espectral O fator de radiância, adimensional, é a razão da radiância do elemento de superfície em uma dada direção por aquela de um refletor perfeito, identicamente irradiado (CIE, 2004). O cálculo do fator de radiância é obtido através da razão entre a radiância da amostra analisada e a radiância do padrão (placa padrão branca) medida, multiplicado pela radiância do padrão definida em seu certificado de calibração. Ou seja, a equação da medição é dada por: ( ) amostra L( ) amostra L( ) padrão ( ) padrão (3.25) onde: amostra é o fator de radiância da amostra, L( )amostra é a radiância da amostra analisada medida com o espectrocolorímetro, L( )padrão é a radiância do padrão medida com o espectrocolorímetro, e padrão é o fator de radiância do padrão certificado. As características que contribuem para a incerteza do fator de radiância são: medida da radiância espectral da amostra, repetibilidade/reprodutibilidade, escala de comprimento de onda, rastreabilidade, correção do zero e não linearidade (RTC-Lacoe002, 2010). a) Influência da medida do fator de radiância - Incerteza do fator de radiância a partir das flutuações aleatórias nas radiâncias espectrais medidas. Com base no Guia 3. Fundamentação Teórica 83 para a expressão de incerteza de medição (ISO GUM, 2008), a incerteza do fator de radiância é determinada conforme a equação 3.26: Lamostra 1 | L padrão i Lamostra Lamostra L padrão padrão O componente de incerteza do fator de radiância onda i | L i amostra (3.26) i para o comprimento de é dado por (3.27): i Lamostra Lamostra (3.27) i Lamostra i Lamostra i Similarmente, o coeficiente de sensibilidade para a componente de incerteza i devido a flutuações em L padrão i Lamostra será de acordo com (3.28). i i Lpadrão L padrão L padrão L padrão i i | i Lamostra L padrão i padrão (3.28) i i i padrão padrão padrão Note que padrão i i é a incerteza padrão declarada no certificado de calibração da placa padrão branca. A incerteza combinada é obtida pela lei de propagação da incerteza conforme equação 3.29. c i CL 2 amostra ( Lamostra ) CL 2 padrão ( L padrão ) C 2 padrão ( L padrão ) (3.29) onde C são os respectivos coeficientes de sensibilidade (3.30): CL ; CL i amostra b) Influência Lamostra da i medida ;C i padrão do L padrão fator i de . i padrão padrão radiância - (3.30) i a análise da repetibilidade/reprodutibilidade do sistema é realizada a partir de n medidas consecutivas, repetidas em diversos dias, da radiância espectral de placas coloridas, e a partir desses dados são calculados os desvios padrão de cada placa. O máximo desvio encontrado dentre todas as medidas realizadas é considerado como contribuição na 3. Fundamentação Teórica 84 incerteza. Este valor é dividido pela raiz quadrada do número de análise (n), sendo o valor resultante um parâmetro fixo. c) Influência da escala de comprimento de onda - a análise da incerteza da escala de comprimento de onda é feita utilizando lâmpadas padrão ou filtros, obtendo valores de comprimento de onda que são comparados com valores tabelados. A componente da incerteza devido à escala de comprimento de onda será a diferença entre a escala de comprimento de onda calculada e a escala de comprimento de onda tabelada, para cada comprimento de onda, divido pela raiz quadrada de 3 (distribuição retangular). d) Influência devido à rastreabilidade - a rastreabilidade do sistema baseia-se na placa padrão branca “Russian Opal” calibrada por um Instituto Nacional de Metrologia (INM). O valor considerado na incerteza devido à rastreabilidade é o valor declarado no certificado de calibração da mesma sem considerar a multiplicação pelo fator de abrangência, dividido por raiz quadrada de três (distribuição retangular) com base no Guia para a expressão de incerteza de medição (ISO GUM, 2008). e) Influência devido à correção do zero - o zero do sistema é determinado, a partir da placa padrão preta, que representa o zero de radiância. Para a determinação da influência da incerteza da correção do zero no sistema são realizadas n medidas de radiância da placa preta padrão e a contribuição na incerteza da correção do zero é calculada conforme equação (3.31). u ( Zero ) b R ( )% 1 100 onde: u(Zero) é a incerteza da correção do zero; b é o desvio padrão das medidas da amostra preta; R ( ) é o fator de radiância do padrão medido em percentual. (3.31) 3. Fundamentação Teórica 85 Este cálculo depende do desvio padrão das medidas de radiância realizadas durante a calibração, devendo ser calculado toda vez que for realizada uma calibração em fator de radiância. f) Influência devido a não linearidade – a não linearidade do sistema é determinada a partir das medidas de cinco placas padrão neutras que compõem uma escala de cinza, além do padrão branco e preto, conforme recomendado na norma ASTM 2214:2008 (ASTM, 2008). As placas utilizadas são: preta, diferença de cinza, cinza média, cinza pálida e branca. A não linearidade representa a concordância entre os fatores de radiância calculados a partir das medidas realizadas pelo espectrocolorímetro e os fatores de radiância de referência (certificados) de cada placa padrão. Para a determinação da não linearidade são plotados gráficos que relacionam os fatores de radiância medidos e os certificados em comprimentos de onda pré-definidos (400nm, 500nm, 600nm e 700nm). É considerado na contribuição da não linearidade o maior coeficiente linear obtido (máximo absoluto) dentre as análises realizadas, conforme equação 3.32. u ( LI ) R( ) 1 R( ) 100 (3.32) onde: u (LI ) é a incerteza da não-linearidade; é o coeficiente linear entre os valores medidos e certificados; R ( ) é o fator de radiância do padrão medido em percentual. A partir da determinação de cada contribuição, a incerteza combinada do sistema é definida como a raiz quadrada da soma quadrática das seis incertezas contribuintes analisadas e a incerteza expandida é definida como a incerteza combinada multiplicada pelo fator de abrangência k. O cálculo do fator de abrangência é realizado para cada 3. Fundamentação Teórica 86 comprimento de onda do espectro visível a partir do grau de liberdade efetivo. A incerteza do fator de radiância irá variar em função do mensurando. 3.6.2 Coordenadas de cromaticidade O espectrocolorímetro mede a radiância espectral da amostra e a partir dos valores medidos é calculado o fator de radiância (Equação 3.25) e posteriormente os valores triestímulos XYZ e as coordenadas de cromaticidade CIExy 1931 a partir das equações 3.1 a 3.3. As características que contribuem para a incerteza das coordenadas de cromaticidade são: incerteza do cálculo da coordenada, rastreabilidade e repetibilidade/reprodutibilidade (RTC-Lacoe-002, 2010). a) Influência devido à incerteza do cálculo da coordenada - o cálculo das incertezas das coordenadas de cromaticidade (x, y) é baseado em Gardner (2000a). A incerteza em cada valor da radiância espectral da amostra (Li) é da forma: u ( Li ) intensidade do sinal é razoável, 0 i Li . Se a pode ser ignorado e, na maioria dos casos, constante em todo o espectro, sendo substituído por uma constante é As incertezas das coordenadas de cromaticidade (x, y) são calculadas a partir das equações 3.33 e 3.34. 2 uc ( x ) ( Li xi 2 uc ( y ) ( Li yi 2 2 2x 2y 2 Li xi ti Li ti 2 Li yi ti Li ti x y2 2 1 2 2 2 i i L t ) 2 2 (3.33) 1 Li ti ) 2 (3.34) onde: L Radiância espectral da amostra; x , y e z = Funções de equalização de cor da CIE; ti xi yi zi . O cálculo da incerteza do fator de luminância Y% é obtido a partir da equação 3.35. 3. Fundamentação Teórica 87 u (Y %) u (Y ) Y u (Yn ) Yn Y% (3.35) onde: u (Y %) =Incerteza do fator de luminância Y% Y Valor estímulo-Y da placa sob teste; Yn =Valor estímulo-Y correspondente a uma placa de branco perfeito; Y % =Fator de luminância u(Y ) =Incerteza do Valor estímulo-Y da placa sob teste u (Yn ) =Incerteza do Valor estímulo-Y correspondente a uma placa de branco perfeito. b) Influência devido à rastreabilidade - a rastreabilidade de um sistema colorimétrico baseia-se na placa padrão branca calibrada por um INM. O valor considerado na incerteza devido à rastreabilidade deve ser calculado a partir da diferença no valor das coordenadas de cromaticidade (x, y) e no fator de luminância Y% da placa branca calculados a partir dos valores de fator de radiância do certificado, somando e subtraindo a incerteza declarada no certificado. A componente da incerteza devido à rastreabilidade será a diferença calculada para cada parâmetro. c) Influência devido à repetibilidade/reprodutibilidade - repetibilidade é o grau de concordância entre os resultados de medições sucessivas de um mesmo mensurando e é uma das características principais de um instrumento. Reprodutibilidade é o grau de concordância entre os resultados de medições de um mesmo mensurando variando alguma condição de medição, como por exemplo, um intervalo grande entre elas. Para a análise da repetibilidade/reprodutibilidade, são realizadas medições de um mesmo conjunto de placas padrão colorimétrico em diversos dias, e a partir dos fatores de radiância calculados são calculadas as coordenadas de cromaticidade de cada placa, a média entre os dias de medição e o desvio padrão para cada amostra (placa). Os maiores 3. Fundamentação Teórica 88 valores de desvio padrão encontrados são utilizados no cálculo de incerteza. É importante destacar que a influência da repetibilidade considerada na planilha de incerteza do sistema é definida pelo seu valor dividido pela raiz quadrada do número de leituras. 3.6.3 Temperatura de cor correlata As características que contribuem para a incerteza da temperatura de cor correlata são: cálculo das coordenadas de cromaticidade, valor certificado da lâmpada padrão, repetibilidade e estabilidade do instrumento (RTC-Lacoe-003, 2010). a) Influência devido ao cálculo das coordenadas de cromaticidade (u,v) – o cálculo das incertezas das coordenadas de cromaticidade (u,v) é baseado em Gardner (2000b). As coordenadas de cromaticidade (u,v) são grandezas correlatas entre si, logo, a incerteza padrão da medida uc(TCC) depende das incertezas combinadas de uc(u) e uc(v). Os cálculos das incertezas das coordenadas de cromaticidade (u,v) são realizados de acordo com as equações 3.36 e 3.37: u 4 uc (u ) 2 2 L2i x i 6u (u 4) u 2 225 L2i x i zi 2 2 L2i y i Ei2 z i 90u 2 L2i y i z i Li x i 15 Li y i 3 30u (u 4) L2i x i yi 1, / 2 Li z i (3.36) 9 5v 2 u c (v ) 6v 2 2 2 L2i y i L2i x i zi v2 2 L2i x i 18v(5v 2) Li x i 15 9 2 L2i z i 6v(5v 2) L2i x i yi 1, / 2 L2i y i z i Li y i 3 Li z i (3.37) onde: Li é a radiância espectral da amostra (lâmpada) é a incerteza da radiância espectral da amostra (lâmpada) medida x( ), y ( ) e z ( ) são as funções de equalização de cor 3. Fundamentação Teórica 89 u e v são as coordenadas de cromaticidade do CIE UCS 1960. A incerteza em temperatura de cor correlata é dada pela equação 3.38. 2 c u (TCC) T u 2 2 c u (u ) T v 2 uc2 (v) 2ruv T uc (u ) u T u c (v ) v (3.38) onde e são obtidos a partir do melhor ajuste obtido e irá variar em função de cada calibração. b) Influência devido ao valor certificado da lâmpada padrão - o sistema de TCC possui sua rastreabilidade associada a uma lâmpada padrão rastreada a um INM. A influência da incerteza da rastreabilidade considerada na planilha de incerteza é determinada pelo certificado de calibração dividindo pelo fator de abrangência k. c) Influência devido à repetibilidade - a análise da repetibilidade do sistema de TCC é realizada utilizando uma lâmpada padrão. N medidas consecutivas da radiância espectral são realizadas e a partir desses dados são calculados os valores de TCC. Em seguida, é calculado o desvio padrão entre os valores encontrados, dividido pelo número de leituras (n) para ser considerado na incerteza do sistema. d) Influência devido à estabilidade do sistema – a análise da estabilidade do sistema de TCC visa verificar a influência do foco do espectrocolorímetro durante a medida. Esta análise também é realizada utilizando uma lâmpada padrão. São realizadas n medidas da radiância espectral variando a posição do foco do espectrocolorímetro e a partir desses dados são calculados os valores de TCC. Em seguida, é calculado o desvio padrão entre os valores encontrados, dividido pelo número de leituras (n) para ser considerado na incerteza do sistema. A incerteza combinada do sistema é definida como a raiz quadrada da soma quadrática das quatro incertezas contribuintes analisadas e a incerteza expandida é definida como a incerteza combinada multiplicada pelo fator de abrangência k. O 3. Fundamentação Teórica 90 cálculo do fator de abrangência é realizado para cada contribuição analisada a partir do grau de liberdade efetivo. 3.6.4 Índice de reprodução de cor Experiências têm mostrado que o valor do IRC é fortemente influenciado pela radiância espectral da fonte a ser testada (Bially et al., 2010), que contribui para o cálculo da incerteza do IRC com os seguintes fatores: incerteza combinada das coordenadas de cromaticidade (u,v); incerteza combinada das coordenadas (U*, V*, W*); incerteza combinada da diferença de cor (ΔE);; incerteza combinada dos índices de reprodução de cor individuais (Ri); incerteza combinada do índice de reprodução de cor geral (Ra) (RTC-Lacoe-015, 2012). a) Incerteza combinada das coordenadas de cromaticidade - as coordenadas de cromaticidade (u,v) dependem dos valores medidos de radiância espectral (Lλ,k,i). As equações 3.39 e 3.40 representam o cálculo da incerteza das coordenadas (u,v) (Gardner, 2005). u 4 U c u k ,i 2 U2 L 30u u 4 , k ,i U2 L u 2 225 x , k ,i U2 L 6u u 4 x y L , k ,i x 15 2 y , k ,i 9 U2 L U2 L , k ,i x z y 3 L 9 U2 L L , k ,i , k ,i z , k ,i 1/2 2 90u 2 U2 L , k ,i y z z (3.39) 9 5v 2 U c vk ,i 2 6v 5v 2 U2 L , k ,i U2 L , k ,i v2 y x , k ,i 6v 2 u 4 x y L U2 L , k ,i x 15 2 U2 L L , k ,i y , k ,i 3 , k ,i z 18v x z L , k ,i 1/2 2 U2 L , k ,i y z z (3.40) onde U(Lλ,k,i) é a incerteza relativa da radiância espectral da fonte a ser testada e é definida por (3.41). U L , k ,i L , k ,i (3.41) O valor de α é a incerteza relativa da melhor capacidade de medição de radiância espectral . 3. Fundamentação Teórica 91 b) Incerteza combinada das coordenadas (U*, V*, W*) do Espaço de Cor Uniforme CIE 1964 - a incerteza combinada da coordenada W* é dada pelas equações 3.42 a 3.45 (Gardner, 2005) 2 W *k ,i 2 U c W *k ,i U 2 Yk ,i Yk ,i (3.42) onde U(Yk,i) representa a incerteza do valor triestímulo Yk,i dada por: U 2 Yk ,i U2 L 2 y , k ,i 2 L 2 , k ,i 2 y L 2 , k ,i Yk ,i 2 (3.43) Com isso, tem-se 25 3 2 U c W *k ,i 2 Yk ,i 2/3 2 (3.44) com o coeficiente de sensibilidade ∂W*k,i/∂Yk,i dado por: W *k ,i 25 2/3 Yk ,i (3.45) Yk ,i 3 Para a incerteza combinada da coordenada U*, têm-se as grandezas correlacionadas (u e W*). Com isso, segundo o ISO GUM (ISO GUM, 2008): 2 c U U * k ,i U c2 U k*,i 2rW * k ,i uk ,i U k*,i 2 2 c U u k ,i u k ,i 2 13Wk*,i U c2 uk ,i uk*,i U k*,i W *k ,i uk ,i U k*,i * k ,i W 2 2 c * k ,i U W 2 13 uk ,i uk * k ,i u k ,i W U c uk ,i U c Wk*,i U c2 Wk*,i U c w *k ,i U c uk ,i (3.46) Onde os coeficientes de sensibilidade são: U k*,i W *k ,i U 13 uk ,i uk (3.47) * k ,i uk , i e, 2rW *k ,i ,uk ,i U k*,i U k*,i 13W *k ,i (3.48) 3. Fundamentação Teórica 92 W *k ,i uk ,i 2 Uc L L , k ,i L , k ,i , k ,i rW * k ,i uk ,i 2 u k ,i L , k ,i U 2 c L W *k ,i L , k ,i , k ,i 2 U c2 L , k ,i (3.49) é o coeficiente de correlação entre W*k,i e uk,i, cujos valores de seus coeficientes de sensibilidade são dados pelas equações 3.50 e 3.51. W *k ,i L uk ,i L , k ,i 25 Yk ,i 3 4x uk ,it 2/3 y (3.50) / L , k ,i t (3.51) , k ,i com: t 15 y x 3z (3.52) De forma semelhante, para a incerteza combinada da coordenada V*, tem-se grandezas correlacionadas (v e W*): 2 c * k ,i U V U c2 Vk*,i 2rW * k ,i vk ,i Vk*,i vk ,i 2 U 2 2 c vk ,i 13Wk*,i U c2 vk ,i Vk*,i Vk*,i W *k ,i vk ,i Vk*,i 2 * k ,i W U c2 Wk*,i 13 vk ,i vk vk ,i * k ,i V W *k ,i Vk*,i Vk*,i * k ,i vk ,i W U c vk ,i U c Wk*,i U c2 Wk*,i U c w *k ,i U c vk ,i onde os coeficientes de sensibilidade: Vk*,i e, 2 2rW *k ,i ,vk ,i (3.53) 13W *k ,i (3.54) 13 vk ,i vk (3.55) 3. Fundamentação Teórica 93 W *k ,i vk ,i 2 Uc L L , k ,i L , k ,i , k ,i rW * k ,i vk ,i 2 vk ,i L , k ,i U 2 c E W *k ,i L , k ,i , k ,i 2 U c2 L , k ,i (3.56) é o coeficiente de correlação entre W*k,i e vk,i com: vk ,i L 6y vt / L , k ,i t (3.57) , k ,i c) Incerteza combinada da resultante da diferença de cor (ΔE) - a incerteza combinada da resultante da diferença de cor depende das variáveis correlacionadas U*k,i, V*k,i e W*k,i. Com isso a incerteza de ΔEk,i, de acordo com Bially et al. (2010) é dada por: U c2 Ek ,i Ek ,i 2rU *,V * 2rU *,W * 2rV *W * U k*,i Ek ,i U * k ,i Ek ,i U * k ,i Ek ,i Vk*,i Ek ,i Wk*,i Ek ,i Ek ,i U k*,i Wk*,i 2 U c2 U k*,i 2 Ek ,i Vk*,i 2 Ek ,i U c2 Vk*,i U c2 Wk*,i Wk*,i U c U k*,i U c Vk*,i U c U k*,i U c Wk*,i U c Vk*,i U c Wk*,i (3.58) onde: Ek ,i U *k ,i U *k ,i U *r ,i / U *r ,i U *k ,i Ek ,i V *k ,i V *k ,i V *r ,i / U *r ,i U *k ,i Ek ,i W *k ,i 2 V *r ,i V *k ,i 2 W *r ,i W *k ,i 2 (3.59) 2 V *r ,i V *k ,i 2 W *r ,i W *k ,i 2 (3.60) W *k ,i W *r ,i / U *r ,i U *k ,i 2 V *r ,i V *k ,i 2 W *r ,i W *k ,i 2 (3.61) os coeficientes de sensibilidade e os coeficientes de correlação são dados por: rU *,V * U* V* 2 UC L L ,k ,i L ,k ,i ,k ,i / U* L ,k ,i 2 2 C U L ,k ,i V* L ,k ,i 2 U C2 L ,k ,i (3.62) 3. Fundamentação Teórica 94 rU *,W * U* W* 2 UC L L ,k ,i L ,k ,i rV *,W * V* W* 2 UC L L ,k ,i L ,k ,i ,k ,i ,k ,i / U* L ,k ,i / V* L ,k ,i 2 2 2 C U L ,k ,i W* U C2 L L ,k ,i ,k ,i W* U C2 L L ,k ,i 2 ,k ,i (3.63) 2 2 C U L ,k ,i (3.64) cujo coeficientes de sensibilidade são: U* L ,k ,i 13 uk ,i V* L ,k ,i 13 vk ,i uk vk W* L ,k ,i W* 13W * L ,k ,i W* L ,k ,i uk ,i L ,k ,i uk L ,k ,i (3.65) vk ,i L ,k ,i vk L ,k ,i (3.66) 13W * 25 Yk ,i 3 2/3 y (3.67) d) Incerteza combinada dos índices de reprodução de cor individuais (Ri) - a incerteza combinada de cada índice de reprodução de cor individual é dada por: Uc Ri 4,6 Uc Ek ,i (3.68) Levando-se em consideração as equações anteriores. e) Incerteza combinada do índice de reprodução de cor geral (Ra) - a incerteza combinada do índice de reprodução de cor geral é dada por: U c Ra 1 8 8 U c Ri i 1 (3.69) Levando-se em consideração as equações anteriores. A incerteza combinada Uc(Ra) é normalmente denominada na tabela de incerteza como UIRC. f) Influência devido à repetibilidade - a análise da repetibilidade nas medições do IRC é realizada utilizando lâmpadas de três temperaturas de cor diferentes (por exemplo: 2800, 4000 e 6400 K). São realizadas n medidas consecutivas da radiância espectral de cada lâmpada na mesma posição, ao longo do tempo, em intervalos de 10 3. Fundamentação Teórica 95 minutos, pelo mesmo operador. A partir desses dados são calculados os valores do IRC e o desvio padrão entre os valores encontrados, dividido pelo número de leituras. g) Influência devido à reprodutibilidade (homogeneidade da lâmpada) - a análise da homogeneidade visa verificar a influência do posicionamento da lâmpada na não uniformidade do espectro gerado. Esta análise é realizada utilizando lâmpadas de três temperaturas de cor diferentes. São realizadas 10 medidas da radiância espectral de cada lâmpada, rotacionando a lâmpada de 45° em torno de seu eixo para verificar a influência da homogeneidade e a partir desses dados são calculados os valores de IRC e o desvio padrão entre os valores encontrados, dividido pelo número de leituras. A incerteza combinada do sistema é definida como a raiz quadrada da soma quadrática das incertezas contribuintes analisadas, e a incerteza expandida é definida como a incerteza combinada multiplicada pelo fator de abrangência k. O cálculo do fator de abrangência é realizado para cada contribuição analisada a partir do grau de liberdade efetivo. A incerteza do índice de reprodução de cor irá variar em função de cada calibração, variando em função do mensurando. Diante da fundamentação teórica apresentada, esta tese visa apresentar uma nova metodologia para caracterização das etapas de amadurecimento da banana a partir de análise colorimétrica, propondo uma padronização para o setor, no que diz respeito a padronização da classificação das etapas de amadurecimento, um sistema de iluminação mais eficiente, melhor cor de fundo a ser empregada, e proposta de calibração do sistema, apresentando como inovações um novo indicador para caracterização do amadurecimento da banana, um programa desenvolvido em Matlab e uma metodologia de medição e estimativa de incerteza de medição para caracterização de cor por imagem, fazendo ganhos ao estado da arte. Capítulo 4 Materiais e Métodos Para o desenvolvimento de uma nova metodologia de ensaio não destrutivo para caracterização de cor por imagem foram realizadas medidas espectrais da casca de frutas a fim de acompanhar e caracterizar espectralmente suas etapas de amadurecimento (item 4.1). Posteriormente, um novo sistema foi montado para análise da influência da iluminação e da cor do fundo na caracterização das subclasses de amadurecimento da banana (item 4.2), e finalmente, a partir de imagens digitais, a cor da casca foi analisada a partir do programa desenvolvido (item 4.3). Estas etapas são resumidas na figura 4.1. . 96 4. Materiais e Métodos 97 Análise espectral do amadurecimento de frutas (item 4.1) Caracterização da fonte de iluminação em TCC e IRC (item 4.1.2.2) Verificação do sistema espectrocolorimétrico (item 4.1.2.3) Análise espectral de frutas em diferentes etapas de amadurecimento (item 4.1.2.4) Análise espectral da casca da banana durante o amadurecimento (item 4.1.2.5) Análise da influência da iluminação e da cor do fundo na percepção da cor (item 4.2) Caracterização da fonte de iluminação em TCC e IRC (item 4.2.2.2.2) Caracterização da cor do fundo (item 4.2.2.2.3) Verificação do sistema espectrocolorimétrico (item 4.2.2.2.4) Análise espectral da casca da banana nas subclasses de amadurecimento (item 4.2.2.2.5) Influência da iluminação Influência da cor do fundo Análise da cor da casca da banana por análise de imagem (item 4.3) Calibração do sistema de Visão Computacional (item 4.3.1) Análise da cor da casca da banana em diferente subclasses (item 4.3.2) Fig. 4.1: Resumo da metodologia. 4.1 Análise espectral do amadurecimento de frutas 4.1.1 Materiais 4.1.1.1 Instrumentos e Equipamentos Para a realização das medidas para análise da cor das frutas visando à caracterização do amadurecimento, foi montado, no Laboratório de Colorimetria e Espectrofotometria (Lacoe) da Divisão de Metrologia Óptica (Diopt) do Inmetro, um sistema espectrofotométrico composto basicamente por uma fonte de corrente DC, um suporte para lâmpada, um Espectrocolorímetro PR 650 e suportes para as amostras. Os 4. Materiais e Métodos 98 instrumentos e padrões que compuseram o sistema espectrocolorimétrico são apresentados na tabela 4.1. Tab. 4.1: Instrumentos e padrões do sistema espectrocolorimétrico do Lacoe. Instrumento/Padrão/Acessório Identificação Observações Optronic FEL 676 Lâmpada de filamento de tungstênio que apresenta o mesmo comportamento do iluminante A quando operada a uma temperatura de cor de 2856K. FUG NTN 1400-125 A corrente de alimentação da lâmpada é definida na fonte de corrente. Resistor Padrão 0,01 Ω Guildline Modelo 9230/100 Nº de série: 66691 As condições de corrente da lâmpada são monitoradas com o auxílio do resistor e registradas durante todo o processo de medição pelo multímetro. Agilent 34970A Nº de série: MY41003242 As condições da lâmpada – tensão e corrente – e a temperatura da superfície da amostra são monitoradas e registradas durante todo o processo de medição pelo multímetro. NPL DR 01 A caracterização da cor é realizada a partir da medida da placa padrão branca, que é a referência de 100%. NPL CL 03 A caracterização da cor é realizada a partir da medida da placa padrão preta, que é a referência de 0%. PhotoResearch PR 650 Nº de série: 60020909 O Espectrocolorímetro captura os dados a partir do software SpectraWin que gera a distribuição espectral em forma de tabelas e gráficos. Lâmpada padrão Fonte de corrente DC Resistor Padrão Multímetro Placa padrão branca Placa padrão preta brilhosa Espectrocolorímetro 4. Materiais e Métodos Instrumento/Padrão/Acessório 99 Identificação Observações Conjunto de placas padrão colorimétricas brilhosas DP01 Padrões utilizados para a calibração das coordenadas de cromaticidade e linearidade do sistema. TESTO Nº de série: 327 As condições ambientais do laboratório – temperatura e umidade – são monitoradas durante todo o processo de medição pelo termohigrômetro. Placas colorimétricas brilhosas Termohigrômetro Para a montagem do sistema, foram utilizados, além dos instrumentos apresentados na tabela 4.1, padrões de trabalho, trilhos ópticos de exatidão e caixas pretas (housing) que protegem partes importantes do sistema de influências externas. A geometria óptica de visualização utilizada foi a Normal/45º (0º:45º), onde a amostra foi iluminada por um feixe incidente à normal e observada pelo espectrocolorímetro em um ângulo de 45º da normal, obedecendo à disposição dos componentes de acordo com o esquemático apresentado na figura 4.2. A amostra foi posicionada a uma distância de aproximadamente 40 cm da lente do espectrocolorímetro no sistema de medição de forma a atender a recomendação do manual do equipamento (posição 9 na figura 4.2). O espectrocolorímetro PR650 da PhotoResearch contém em seu interior um espectrômetro com um arranjo de diodos que adquire os sinais ópticos e os transforma em sinais eletrônicos, a cada 4 nm no intervalo de comprimento de onda de 380 nm a 780 nm. O PR650 é um instrumento equipado com software interno para fornecer os valores de medição em radiância espectral das amostras analisadas. Durante as medições o espectrocolorímetro foi conectado a um computador e as medições foram realizadas utilizando-se o programa de aquisição de dados que acompanha o instrumento, o SpectraWin versão 2.8. O instrumento obteve a distribuição espectral do objeto medido e os arquivos de dados foram gravados e armazenados para um posterior 4. Materiais e Métodos 100 tratamento dos dados. A partir deste arquivo, os valores foram transferidos para uma planilha de cálculo em Excel, onde foram calculadas as grandezas de interesse. Fig. 4.2: Esquemático do sistema espectrocolorimétrico do Lacoe. O sistema espectrocolorimétrico do Lacoe foi caracterizado em 2010 conforme metodologia apresentada no capítulo 3 (item 3.6) sendo a melhor capacidade de medição do sistema para as medidas do fator de radiância espectral e coordenadas de cromaticidade apresentadas nas tabelas 4.2 e 4.3, conforme Relatório Técnico RTCLacoe-002 – “Relatório Técnico de Caracterização do Sistema de Colorimetria e Calibração do Espectrocolorímetro PR650 – Estimativa da Incerteza da Medição”, emitido em 05/05/2010. A figura 4.3 representa o diagrama de rastreabilidade do sistema espectrocolorimétrico do Lacoe. Tab. 4.2: Melhor capacidade de medição para o fator de radiância espectral. Incerteza Largura expandida Comprimento de com k=2 e Serviço Instrumento Geometria Material Intervalo Observação de onda banda nível de espectral confiança = 95% Calibração Qualquer em fator Placa A incerteza 380 nm a 780 0,3% a 0,51% a de Espectrocolorímetro 0º:45ºa 4nm Branca varia com o nm 100% 2,02% radiância ou de mensurando espectral Cor 4. Materiais e Métodos 101 Tab. 4.3: Melhor capacidade de medição para coordenada de cromaticidade. Incerteza Largura expandida Comprimento de com k=2 e Serviço Instrumento Geometria Material Intervalo Observação de onda banda nível de espectral confiança = 95% x,y = Qualquer Calibração 0,0003 a Placa x, y, 0a 1 A incerteza em 380 nm a 780 0,0012 e Espectrocolorímetro 0:45ºa 4nm Branca e Y%, 0 varia com o coordenadas nm Y% = 1,13 ou de a 100 mensurando x,y e Y% % a 1,32 Cor % Fig. 4.3: Diagrama da rastreabilidade do sistema espectrocolorimétrico (RTC-Lacoe002, 2010). 4.1.1.2 Frutas As frutas utilizadas na primeira etapa da pesquisa foram compradas no comércio local. As frutas foram escolhidas de forma a apresentar os extremos da fase de amadurecimento, sendo adquirido um par para cada tipo de fruta, uma com aparência verde (o mais verde que foi possível de ser adquirida no comércio) e uma com aparência madura (Figura 4.4). As frutas analisadas foram banana (verde e amarela), goiaba (verde e amarela), laranja (verde e amarela), limão (verde e amarelo), maçã (verde e vermelha – neste caso frutas de grupos diferentes), mamão papaia (verde e amarelo), manga (verde e vermelha – neste caso frutas de grupos diferentes) e maracujá (verde e amarelo). 4. Materiais e Métodos 102 Fig. 4.4: Frutas caracterizadas no sistema espectrocolorimétrico. Devido a sua grande importância internacional, a banana foi escolhida como estudo de caso na pesquisa realizada. A classificação técnica da banana utilizada é: banana do cultivar ‘Prata’ (Musa sapientum AAB). Com o objetivo de medir a evolução da cor durante o amadurecimento, foram realizadas medidas em bananas adquiridas na subclasse C1 (verde) da etapa de amadurecimento (Figura 4.5). As bananas utilizadas nesta análise foram adquiridas diretamente com o produtor na localidade da Mazomba, Itaguaí, RJ. Fig. 4.5: Bananas na subclasse C1 de amadurecimento. Com o objetivo de garantir o mesmo posicionamento da fruta durante todas as medidas, um suporte foi desenvolvido especialmente para uso nestas análises (Figura 4. Materiais e Métodos 103 4.6) de forma a manter a fruta apoiada na posição horizontal durante todo o amadurecimento, até a fruta começar a deteriorar. Fig. 4.6: Suporte para posicionamento da banana durante as medições. 4.1.2 Método 4.1.2.1 Principais etapas Estabilização do sistema: Todos os equipamentos do sistema espectrocolorimétrico descritos no item 4.1.1.1 (espectrocolorímetro, termohigrômetro, multímetro e fonte de alimentação) foram ligados 30 minutos antes de iniciar o processo de medição para a estabilização eletrônica. Em seguida ajustou-se a corrente da lâmpada (6,99 A) e aguardou-se 20 min para estabilização. Os registros das condições ambientais foram realizados durante o processo de medição. Os valores de corrente e tensão da lâmpada também foram registrados durante as medições. Medidas com o espectrocolorímetro: todas as medidas de radiância espectral realizadas pelo espectrocolorímetro PR-650 (item 4.1.1.1) foram repetidas dez vezes. Em cada medida, os valores de radiância espectral foram adquiridos no intervalo de 4nm, desde 380 nm até 780 nm, coletados e gravados em arquivo tipo txt para posterior tratamento dos dados em planilhas em Excel. Procedimento de cálculo: a partir dos espectros de radiância adquiridos pelo PR 650, foram calculados a média das dez medidas realizadas, o desvio padrão, e a distribuição 4. Materiais e Métodos 104 espectral relativa da lâmpada S( ), normalizando os valores médios de radiância espectral obtidos no comprimento de onda de 560 nm. 4.1.2.2 Caracterização da fonte de iluminação em TCC e IRC Foram realizadas medidas da radiância espectral da lâmpada halógena tipo Fel, N/S 676 do fabricante Optronic seguindo as principais etapas de estabilização do sistema, medidas com o espectrocolorímetro e procedimento de cálculo (item 4.1.2.1). Posteriormente foram calculados a TCC e IRC e a incerteza das medições. 1- A temperatura de cor correlata (TCC) foi calculada a partir da distribuição espectral relativa S( ). Usando as equações 3.9 a 3.11 foram calculadas as coordenadas de cromaticidade (u,v) CIE 1960 e usando o método de Robtson (Wyszeckie e Stiles, 1982), foi determinada a temperatura de cor correlata. O cálculo da TCC foi realizado de acordo com o procedimento de cálculo descrito no item 3.3.2. 2- O índice de reprodução de cor (IRC) foi calculado a partir da TCC obtida no item 1. O índice de reprodução de cor geral (Ra) (Equação 3.14) é calculado a partir da média dos índices de reprodução de cor especial (Ri) (Equação 3.15) calculados a partir da diferença (Equação 3.16) entre a cor de um objeto observado sob uma lâmpada e sob uma referência para cada uma das oito primeiras cores teste especificadas na CIE 13.3 (CIE, 1995). Os índices foram obtidos de acordo com o procedimento de cálculo descrito no item 3.3.2. 3- A incerteza de medição foi estimada a partir dos valores calculados no item 1 e 2 conforme procedimento de cálculo descrito no item 3.6.3 e 3.6.4. Este procedimento de caracterização da lâmpada foi repetido todas as vezes que o sistema foi usado, antes do início das medidas das amostras, de forma a reproduzir as mesmas condições de iluminação no sistema de medição. 4. Materiais e Métodos 105 4.1.2.3 Verificação do sistema espectrocolorimétrico Após a caracterização da lâmpada, o sistema de medição foi verificado, de forma a avaliar a exatidão do sistema espectrocolorimétrico. Foram realizadas medidas com padrões colorimétricos brilhosos do conjunto Ceram DP01, calibrados no Lacoe (certificado Lacoe Dimci 0802/2010). As placas cerâmicas, nas cores vermelha (Red), verde (Green) e azul (Cyan), foram usadas na verificação, além das placas, branca DR01 e preta CL03 que são padrões do sistema. Foram realizadas medidas para cada padrão seguindo as etapas principais de estabilização do sistema, medidas com o espectrocolorímetro e procedimento de cálculo (item 4.1.2.1), sendo realizadas na seguinte sequência: placa padrão branca, placa padrão preta, placa cerâmica vermelha, placa cerâmica verde, placa cerâmica azul e novamente a placa padrão branca, inserindo uma por vez no suporte da amostra, totalizando assim 60 medidas. A partir da medida de radiância espectral foi possível efetuar os cálculos para determinar as características colorimétricas, tais como o fator de radiância e as coordenadas de cromaticidade (x,y) e Y% para cada placa padrão: 1- O fator de radiância é calculado a partir da razão entre a radiância da placa analisada e a radiância do padrão (placa padrão branca) medido, multiplicado pela radiância do padrão definida em seu certificado de calibração conforme descrito no item 3.6.1 e na equação 3.25. 2- Os valores triestímulos XYZ CIE 1931 são calculados a partir do fator de radiância calculado no item 1 usando o conjunto de equações 3.1 e 3.2. 3- As coordenadas de cromaticidade (x,y) e o fator de luminosidade Y%, são calculadas a partir dos valores triestímulos calculados no item 2 conforme metodologia descrita no item 3.2 a partir do conjunto de fórmulas 3.3. 4. Materiais e Métodos 106 4- A incerteza de medição foi estimada conforme procedimento de cálculo descrito no item 3.6.1 e 3.6.2, a partir dos valores calculados no item 1 e 3. Este procedimento foi repetido todas as vezes que o sistema foi verificado de forma a avaliar a exatidão do sistema de medição. 4.1.2.4 Análise espectral de frutas em diferentes etapas de amadurecimento Nesta etapa da pesquisa o objetivo é avaliar a distribuição espectral de diferentes frutas em diferentes etapas de amadurecimento de forma a verificar a existência de características marcantes para as diferentes etapas de amadurecimento. As frutas analisadas foram as citadas no item 4.1.1.2, além das placas branca DR01 e preta CL03, padrões do sistema. Foram realizadas medidas para cada padrão e amostra seguindo as etapas principais de estabilização do sistema, medidas com o espectrocolorímetro e procedimento de cálculo (item 4.1.2.1) sendo realizadas na seguinte sequência: placa padrão branca, placa padrão preta, banana verde, banana amarela, goiaba verde, goiaba amarela, laranja verde, laranja amarela, limão verde, limão amarelo, maçã verde, maçã vermelha, mamão verde, mamão amarelo, manga verde, manga vermelha, maracujá verde, maracujá amarelo, e novamente a placa padrão branca, inserindo uma amostra por vez no suporte da amostra, totalizando 190 medidas. 4.1.2.5 Análise espectral da casca da banana durante o amadurecimento Com o objetivo de medir a evolução da cor durante o amadurecimento da banana, foram realizadas medidas durante vinte dias, duas vezes por dia, no período da manhã e no período da tarde, em seis bananas adquiridas na subclasse C1 (item 4.1.1.2). As bananas foram codificadas como BP01, BP02, BP03, BP04, BP e BG. Foram usadas também nesta análise as placas, branca DR01 e preta CL03, padrões do sistema. 4. Materiais e Métodos 107 Realizaram-se, então, dez medidas para cada padrão e amostra seguindo as etapas principais de estabilização do sistema, medidas com o espectrocolorímetro e procedimento de cálculo (item 4.1.2.1) sendo realizadas na seguinte sequência: placa padrão branca, placa padrão preta, banana BP01, banana BP02, banana BP03, banana BP04, banana BP, banana BG, e novamente a placa padrão branca, inserindo uma amostra por vez no suporte, totalizando 90 medidas por período de medição. A partir da medida de radiância espectral foi possível efetuar os cálculos para determinar as características colorimétricas, tais como o fator de radiância e as coordenadas de cromaticidade (x,y) e Y% para cada placa padrão: 1- O fator de radiância foi calculado através da razão entre a radiância da amostra analisada e a radiância do padrão (placa padrão branca) medido, multiplicado pela radiância do padrão definida em seu certificado de calibração conforme descrito no item 3.6.1 e equação 3.25. 2- Os valores triestímulos XYZ CIE 1931, calculados a partir do conjunto de equações 3.1 conforme descrito no item 3.2. 3- As coordenadas de cromaticidade (x,y) e o fator de luminosidade Y%, calculadas conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.3. 4- As coordenadas CIELAB, a partir dos valores triestímulos calculados no item 2. As coordenadas L*a*b* foram calculadas conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.5. 5- A incerteza de medição foi estimada conforme procedimento de cálculo descrito no item 3.6.1 e 3.6.2. Este procedimento de medida foi repetido duas vezes ao dia, durante todo o período de amadurecimento das bananas, da subclasse C1 até a subclasse C7. 4. Materiais e Métodos 108 4.2 Análise da influência da iluminação e da cor do fundo na percepção da cor Para a realização das medidas para análise da cor das frutas visando a caracterização do amadurecimento, dois aparatos foram montados empregando diversos tipos de lâmpadas (incandescentes, fluorescentes, leds). O objetivo foi analisar a exatidão da cor sob diferentes tipos de iluminação. As lâmpadas empregadas no sistema foram previamente avaliadas em um sistema de caracterização de temperatura de cor correlata e índice de reprodução de cor. Foi obtida a distribuição espectral de cada lâmpada utilizada de forma a testar a influência das principais lâmpadas hoje empregadas em iluminação considerando um sistema de seleção de frutas. Foram testadas também diferentes cores de fundo, visando à avaliação de sua influência na caracterização da cor da fruta para a definição da subclasse de amadurecimento. 4.2.1 Sistema de iluminação preliminar 4.2.1.1 Materiais Um teste inicial foi realizado, consistindo na análise visual da cor de algumas frutas sob diferentes tipos de iluminação. Para este teste utilizou-se um sistema montado no Laboratório de Metrologia Dimensional e Computacional da UFF (LMDC). O sistema experimental foi composto de uma caixa pintada internamente com tinta preta fosca, com as seguntes dimensões 1 m x 1 m x 0,5 m, iluminada com diferentes lâmpadas, posicionadas internamente no centro (Figura 4.7). Uma câmera fotográfica foi usada para a aquisição de imagens durante os dias de observação (Delfino et al., 2010). As lâmpadas utilizadas foram: Lâmpada incandescente dicróica GE 20 W 12 V M47 (5 lâmpadas) Lâmpada fluorescente 9 W (luminária de mesa com uma lâmpada) Lâmpada incandescente Philips 25 W 127 V E27 ES (P45 agenta) (uma lâmpada) LED RGB na cor branca 3W (2 leds) 4. Materiais e Métodos 109 Lâmpada de descarga de alta pressão de vapor metálico quartzo GE 70 W 70/UVC/TD/730 Lâmpada de descarga de alta pressão de sódio GE 70 W LU70/90/D/27 (uma lâmpada) Fig. 4.7: Sistema experimental preliminar do LMDC. 4.2.1.2 Método Com o objetivo de acompanhar a evolução da cor durante o amadurecimento sob diferentes condições de iluminação, observaram-se algumas frutas (adquiridas na subclasse C1 - verde da etapa de amadurecimento) durante sete dias, duas vezes por dia, no período da manhã e no período da tarde. As frutas observadas foram banana, goiaba, laranja, limão, mamão, manga e maracujá (Figura 4.8). Fig. 4.8: Frutas observadas sob diferentes tipos de iluminação. 4. Materiais e Métodos 110 Cada lâmpada foi ligada individualmente e cada fruta posicionada no meio da caixa em cima de um papel branco e, após 10 min de estabilização, cada fruta foi fotografada e observada em seu estádio de amadurecimento. As lâmpadas foram acesas na seguinte sequência: lâmpada incandescente, lâmpada incandescente dicróica, lâmpada de descarga de alta pressão de sódio, lâmpada de descarga de alta pressão de sódio, lâmpada fluorescente e led RGB na cor branca. As frutas foram observadas na seguinte sequência: banana, goiaba, laranja, limão, mamão, manga e maracujá, totalizando aproximadamente 500 observações durante o período de uma semana. 4.2.2 Sistema Espectrocolorimétrico Nesta etapa da tese, o objetivo foi avaliar a influência da iluminação e da cor do fundo na caracterização da cor da fruta. Para a realização das medidas foi montado um sistema espectrofotométrico no Laboratório de Radiometria e Fotometria (Laraf) da Diopt do Inmetro. 4.2.2.1 Materiais 4.2.2.1.1 Instrumentos e Equipamentos O sistema espectrolocorimétrico foi composto basicamente por um goniofotômetro, um Espectrocolorímetro PR 650 e suporte para as amostras. Os instrumentos e padrões que compuseram o sistema experimental são apresentados na tabela 4.4. A geometria óptica de visualização utilizada foi a Normal/45º (0º:45º), onde a amostra foi iluminada por um feixe incidente à normal e observada pelo espectrocolorímetro em um ângulo de 45º da normal, obedecendo à disposição dos componentes de acordo com o esquemático apresentado na figura 4.9. A amostra foi posicionada a uma distância de aproximadamente um metro da lente do espectrocolorímetro no sistema de medição e as lâmpadas foram posicionadas a 4. Materiais e Métodos 111 uma distância tal que possibilitasse uma iluminância de aproximadamente 1000 lx 11 na amostra analisada. Tab. 4.4: Instrumentos e padrões do sistema espectrocolorimétrico do Laraf Instrumento/Padrão/Acessório Identificação Observações PhotoResearch PR 650 Nº de série: 60020909 O Espectrocolorímetro captura os dados a partir do software SpectraWin que gera a distribuição espectral em forma de tabelas e gráficos. NPL DR 01 A caracterização da cor é realizada a partir da medida da placa padrão branca, que é a referência de 100%. NPL CL 03 A caracterização da cor é realizada a partir da medida da placa padrão preta, que é a referência de 0%. Conjunto de placas padrão colorimétricas brilhosas DP01 Padrões utilizados para a calibração das coordenadas de cromaticidade do sistema. SATO Nº de série: 327 As condições ambientais do laboratório – temperatura e umidade – são monitoradas durante todo o processo de medição pelo termohigrômetro. Gonifotômetro LMT Modelo: GO-DS 2000 Goniofotômetro usado como suporte para as lâmpadas. Espectrocolorímetro Placa padrão branca Placa padrão preta brilhosa Placas colorimétricas brilhosas Termohigrômetro Gonifotômetro 11 A unidade lx = lm • m-2. 4. Materiais e Métodos 112 6 Fig. 4.9: Esquemático do sistema espectrocolorimétrico Laraf. O espectrocolorímetro PR650 adquire os sinais ópticos a cada 4 nm no intervalo de comprimento de onda de 380 nm a 780 nm e é equipado com software interno para fornecer os valores de medição em radiância espectral das amostras analisadas. Durante as medições o espectrocolorímetro foi conectado a um computador e as medições foram realizadas utilizando-se o programa de aquisição de dados que acompanha o instrumento, o SpectraWin versão 2.8. O instrumento adquiriu a distribuição espectral do objeto sob medição e os arquivos de dados foram gravados e armazenados para um posterior tratamento dos dados. A partir deste arquivo, os valores foram transferidos para uma planilha de cálculo onde foram calculadas as grandezas de interesse. 4.2.2.1.2 Fontes As fontes utilizadas nesta etapa do trabalho foram lâmpadas comercialmente empregadas tanto em sistemas de iluminação de interiores quanto em iluminação de exteriores, como também novas tecnologias como luminária leds. A descrição de cada uma das nove fontes utilizadas na análise está na tabela 4.5, codificadas como F01 a F09. 4. Materiais e Métodos 113 Tab. 4.5: Fontes comerciais utilizadas na sistema espectrocolorimétrico Laraf Código Lâmpada Foto ] F01 Vapor metálico tubular alta pressão HPIT 400W Philips F02 Vapor de sódio tubular alta pressão VIALOX NAVT 250W - GE F03 Vapor metálico elipsoidal alta pressão HQI-E Daylight E40 400W - Osram F04 Halógena Incandescente tubular duplo envelope 1000W - AVANT F05 Vapor metálico tubular alta pressão HCI-TS 150W/942 NDL - Osram F06 F07 F08 F09 Fluorescente compacta Dulux T/E 42W - Osram Fluorescente T5 Lumilux FQ 54W/840 HO - Osram Luminária 49 LED Rodstar 73W - Philips Fluorescente T8 FO 32W/840 - Osram 4. Materiais e Métodos 114 4.2.2.1.3 Fundos Os fundos utilizados no experimento, do material E. V. A. (etil vinil acetato), foram adquiridos no comércio comum nas cores preto, branco, cinza, vermelho, verde e azul (figura 4.10). 1-Preto 2-Cinza 3-Branco 4-Vermelho 5-Verde 6-Azul Fig. 4.10: Cores de fundo utilizadas no sistema espectrocolorimétrico do Laraf. 4.2.2.2 Método 4.2.2.2.1 Principais etapas Estabilização do sistema: Todos os equipamentos do sistema espectrocolorimétrico descritos no item 4.2.2.1.1 (espectrocolorímetro, goniofotômetro, termohigrômetro, multímetro e fonte de alimentação) foram ligados 30 minutos antes de iniciar o processo de medição para a estabilização eletrônica. Em seguida ajustou-se a corrente da lâmpada e aguardou-se 30 min para estabilização. Os registros das condições ambientais foram realizados durante o processo de medição. Os valores de corrente e tensão da lâmpada também foram registrados durante as medições. Medidas com o espectrocolorímetro: todas as medidas de radiância espectral realizadas pelo espectrocolorímetro PR-650 (item 4.2.2.1.1) foram repetidas dez vezes. Em cada medida, os valores de radiância espectral foram adquiridos no intervalo de 4nm, desde 380 nm até 780 nm, coletados e gravados em arquivo tipo txt para posterior tratamento dos dados em planilhas em Excel. 4. Materiais e Métodos 115 Procedimento de cálculo: a partir dos espectros de radiância adquiridos pelo PR 650, foram calculados a média das dez medidas realizadas, o desvio padrão, e a distribuição espectral relativa da lâmpada S( ), normalizando os valores médios de radiância espectral obtidos no comprimento de onda de 560 nm. 4.2.2.2.2 Caracterização da fonte de iluminação em TCC e IRC As fontes utilizadas na pesquisa (item 4.2.2.1.2) foram instaladas no goniofotômetro para cada medição individual, seguindo as principais etapas de estabilização do sistema, medidas com o espectrocolorímetro e procedimento de cálculo (item 4.2.2.2.1). Posteriormente foram calculados a TCC e IRC e a incerteza das medições: 1- A temperatura de cor correlata (TCC) foi calculada a partir da distribuição espectral relativa S( ). Usando as equações 3.9 a 3.11 foram calculadas as coordenadas de cromaticidade (u,v) CIE1960 e usando o método de Robtson (Wyszeckie e Stiles, 1982), foi determinada a temperatura de cor correlata. O cálculo da TCC foi realizado de acordo com o procedimento de cálculo descrito no item 3.3.2. 2- O índice de reprodução de cor (IRC) foi calculado a partir da TCC obtida no item 1. O índice de reprodução de cor geral (Ra) (Equação 3.14) é calculado a partir da média dos índices de reprodução de cor especial (Ri) (Equação 3.15) calculados a partir da diferença (Equação 3.16) entre a cor de um objeto observado sob uma lâmpada e sob uma referência para cada uma das oito primeiras cores teste especificadas na CIE 13.3 (CIE, 1995). Os índices foram obtidos de acordo com o procedimento de cálculo descrito no item 3.3.2. 3- A incerteza de medição foi estimada a partir dos valores calculados no item 1 e 2 conforme procedimento de cálculo descrito no item 3.6.3 e 3.6.4. 4. Materiais e Métodos 116 Este procedimento de caracterização da lâmpada em TCC e IRC foi repetido para cada uma das nove fontes utilizadas nesta etapa da pesquisa (Tabela 4.5), totalizando 90 medidas. 4.2.2.2.3 Caracterização da cor do fundo Após a caracterização das fontes, os diferentes fundos usados na pesquisa (item 4.2.2.1.3) foram caracterizados no sistema de medição descrito no item 4.2.2.1.1. Para a medição da cor do E.V.A foram utilizadas as placas branca DR01 e preta CL03, padrões do sistema, seguindo as principais etapas de estabilização do sistema, medidas com o espectrocolorímetro e procedimento de cálculo (item 4.2.2.2.1), na seguinte sequência: placa padrão branca, placa padrão preta, E.V.A preto, E.V.A cinza, E.V.A branco, E.V.A vermelho, E.V.A verde, E.V.A azul e novamente a placa padrão branca, inserindo uma por vez no suporte da amostra, totalizando 90 medidas. A partir da medida de radiância espectral foi possível efetuar os cálculos para determinar as características colorimétricas, tais como o fator de radiância e as coordenadas de cromaticidade (x,y) e Y% e a incerteza da medição: 1- O fator de radiância é calculado a partir da razão entre a radiância da placa analisada e a radiância do padrão (placa padrão branca) medido, multiplicado pela radiância do padrão definida em seu certificado de calibração conforme descrito no item 3.6.1 e na equação 3.25. 2- Os valores triestímulos XYZ CIE 1931 são calculados a partir do fator de radiância calculado no item 1 usando o conjunto de equações 3.1 e 3.2. 3- As coordenadas de cromaticidade (x,y) e o fator de luminosidade Y%, são calculadas a partir dos valores triestímulos calculados no item 2 conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.3. 4. Materiais e Métodos 117 4- As coordenadas CIELAB, a partir dos valores triestímulos calculados no item 2. As coordenadas L*a*b* foram calculadas conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.5. 5- A incerteza de medição foi estimada conforme procedimento de cálculo descrito no item 3.6.1 e 3.6.2. 4.2.2.2.4 Verificação do sistema espectrocolorimétrico Após a caracterização das nove fontes e dos seis fundos, o sistema de medição foi verificado, de forma a avaliar a exatidão do sistema espectrocolorimétrico. Foram realizadas medidas com padrões colorimétricos brilhosos do conjunto Ceram DP01, calibrados no Lacoe (certificado Lacoe Dimci 0802/2010). As placas cerâmicas, nas cores vermelha (Red), verde (Green) e azul (Cyan), foram usadas na verificação, além das placas, branca DR01 e preta CL03, padrões do sistema. Para esta análise foi utilizada a fonte F04 por ser uma lâmpada incandescente de tungstênio, reproduzindo desta forma o iluminante A da CIE e possibilitando desta forma posterior comparação com o certificado de calibração. O fundo de cor preta foi utilizado nesta caracterização de forma a minimizar a luz espalhada no sistema de medição. As medidas foram realizadas seguindo as principais etapas de estabilização do sistema, medidas com o espectrocolorímetro e procedimento de cálculo (item 4.2.2.2.1), na seguinte sequência: placa padrão branca, placa padrão preta, placa cerâmica vermelha, placa cerâmica verde, placa cerâmica azul e novamente a placa padrão branca, inserindo uma por vez no suporte da amostra, totalizando 60 medidas. A partir da medida de radiância espectral foi possível efetuar os cálculos para determinar as características colorimétricas, tais como o fator de radiância e as coordenadas de cromaticidade (x,y) e Y% e a incerteza da medição: 4. Materiais e Métodos 1- O fator de radiância 118 é calculado a partir da razão entre a radiância da placa analisada e a radiância do padrão (placa padrão branca) medido, multiplicado pela radiância do padrão definida em seu certificado de calibração conforme descrito no item 3.6.1 e na equação 3.25. 2- Os valores triestímulos XYZ CIE 1931 são calculados a partir do fator de radiância calculado no item 1 usando o conjunto de equações 3.1 e 3.2. 3- As coordenadas de cromaticidade (x,y) e o fator de luminosidade Y%, são calculadas a partir dos valores triestímulos calculados no item 2 conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.3. 4- A incerteza de medição foi estimada conforme procedimento de cálculo descrito no item 3.6.1 e 3.6.2. Posteriormente, este procedimento foi repetido para cada placa padrão de forma a avaliar a exatidão do sistema de medição. 4.2.2.2.5 Análise espectral da casca da banana nas subclasses de amadurecimento Com o objetivo de medir a diferença de cor das subclasses do amadurecimento, avaliadas sob diferentes condições de iluminação e cores de fundo, foram realizadas medidas em amostras de cada estádio (de C1 a C7) da etapa de amadurecimento (figura 4.11). Além das frutas citadas, foram usadas nesta análise as placas, branca DR01 e preta CL03, padrões do sistema. Fig. 4.11: Subclasses do amadurecimento da banana (Ceagesp, 2006). As fontes foram montadas e usadas no sistema de F01a F09 e os fundos foram montados e utilizados na seguinte sequencia: preto, cinza, branco, vermelho, verde e azul, para cada fonte de iluminação utilizada. As medidas foram realizadas seguindo as 4. Materiais e Métodos 119 principais etapas de estabilização do sistema, medidas com o espectrocolorímetro e procedimento de cálculo (item 4.2.2.2.1), na seguinte sequencia: placa padrão branca, placa padrão preta, banana C1, banana C2, banana C3, banana C4, banana C5, banana C6, banana C7 e novamente a placa padrão branca, posicionando uma amostra por vez sob o fundo. A partir da medida de radiância espectral foi possível efetuar os cálculos para determinar as características colorimétricas, tais como o fator de radiância e as coordenadas de cromaticidade (x,y) e Y%, os valores de L*a*b* e a diferença E*ab. 1- O fator de radiância é calculado a partir da razão entre a radiância da placa analisada e a radiância do padrão (placa padrão branca) medido, multiplicado pela radiância do padrão definida em seu certificado de calibração conforme descrito no item 3.6.1 e na equação 3.25. 2- Os valores triestímulos XYZ CIE 1931 são calculados a partir do fator de radiância calculado no item 1 usando o conjunto de equações 3.1 e 3.2. 3- As coordenadas de cromaticidade (x,y) e o fator de luminosidade Y%, são calculadas a partir dos valores triestímulos calculados no item 2 conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.3. 4- As coordenadas CIELAB, a partir dos valores triestímulos calculados no item 2. As coordenadas L*a*b* foram calculadas conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.5. 5- A diferença de cor E*ab, a partir dos valores de L*a*b* calculados no item 4. A diferença de cor foi calculada conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.6. 6- A incerteza de medição foi estimada conforme procedimento de cálculo descrito no item 3.6.1 e 3.6.2. 4. Materiais e Métodos 120 Este procedimento de medida foi repetido para cada cor de fundo e para cada fonte de iluminação. 4.3 Sistema de visão computacional (SVC) Para aquisição das imagens durante as medidas realizadas nas frutas foi inserido no sistema apresentado na figura 4.9, uma câmera digital modelo Nikon Powershot P5000, 10 Megapixel, na posição simétrica ao espectrocolorímetro PR650, em um ângulo também de 45º, conforme figura 4.12. Fig. 4.12: Sistema espectrocolorimétrico Laraf com sistema de aquisição de imagem. 4.3.1 Calibração do sistema SVC Para a calibração do sistema SVC foram utilizadas as placas colorimétricas padrão do conjunto CERAM brilhoso DP01 que provêm a rastreabilidade aos sistemas espectrocolorimétrico Lacoe e Laraf, nas cores vermelho, verde e azul conforme apresentado nos itens 4.1.2.3 e 4.2.2.2.4. Após cada medida realizada pelo espectrocolorímetro PR650, uma foto foi tirada da amostra para posterior análise. A partir da foto adquirida para cada placa padrão, foram calculadas, usando o programa de análise de imagem em Mathlab desenvolvido especialmente para esta tese, as seguintes etapas: 4. Materiais e Métodos 121 1- Os valores de sRGB a partir dos valores de RGB não lineares obtidos diretamente da imagem. Para o cálculo dos valores de sRGB foram empregadas as equações 3.17 a 3.19, conforme descrito no item 3.5.1. 2- Os valores triestímulos XYZ, a partir dos valores de sRGB obtidos no item 1. O modelo sRGB é transformado no modelo CIEXYZ 1931 com o uso da equação 3.20, conforme descrito no item 3.5.1. 3- As coordenadas de cromaticidade (x,y) e o fator de luminosidade Y%, a partir dos valores triestímulos calculados no item 2. As coordenadas de cromaticidade foram calculadas conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.3. Para os cálculos foram considerados o iluminante D65 e um observador de 2º. Posteriormente, este procedimento foi repetido para cada um dos padrões. Os valores obtidos para as coordenadas (x,y) foram comparados com os resultados obtidos na medida realizada pelo sistema espectrocolorimétrico anteriormente caracterizado, podendo assim ser determinada a exatidão do sistema de visão computacional. 4.3.2 Análise da cor da casca da banana por análise de imagem Imagens foram adquiridas das bananas durante todas as etapas de execução da pesquisa. Após cada medida realizada pelo espectrocolorímetro PR650, uma foto foi tirada da fruta para posterior análise e determinação da cor, e posterior caracterização da subclasse de amadurecimento. A partir da foto adquirida para cada fruta, foram calculados a partir do programa de análise de imagem desenvolvido em Mathlab: 1- Os valores de sRGB a partir dos valores de RGB não lineares obtidos diretamente da imagem. Para o cálculo dos valores de sRGB foram empregadas as equações 3.17 a 3.19, conforme descrito no item 3.5.1. 4. Materiais e Métodos 122 2- Os valores triestímulos XYZ, a partir dos valores de sRGB obtidos no item 1. O modelo sRGB é transformado no modelo CIEXYZ 1931 através da equação 3.20, conforme descrito no item 3.5.1. 3- As coordenadas de cromaticidade (x,y) e o fator de luminosidade Y%, a partir dos valores triestímulos calculados no item 2. As coordenadas de cromaticidade foram calculadas conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.3. 4- As coordenadas CIELAB, a partir dos valores triestímulos calculados no item 2. As coordenadas L*a*b* foram calculadas conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.5. Para os cálculos foram considerados o iluminante D65 e um observador de 2º. Posteriormente, este procedimento foi repetido para todas as frutas avaliadas, de forma a obter a classificação da etapa de amadurecimento. Capítulo 5 Resultados e Discussões Neste capítulo serão apresentados e discutidos os resultados obtidos no desenvolvimento desta tese. 5.1 Análise espectral do amadurecimento de frutas Os resultados deste item foram obtidos no sistema espectrocolorimétrico descrito no item 4.1.1.1 (Figura 5.1). As medições foram realizadas no Laboratório de Colorimetria e Espectrofotometria (Lacoe) da Divisão de Metrologia Óptica (Diopt) do Inmetro. 5.1.1 Caracterização da fonte de iluminação em TCC e IRC A lâmpada utilizada como fonte nesta etapa do trabalho foi uma lâmpada halógena tipo Fel, N/S 676, fabricante Optronic, operada na corrente de 6,99 A (Tabela 4.1). Na figura 5.2 é apresentada a média da radiância espectral da lâmpada Fel 676 em W/sr/m2, obtida a partir das dez medições realizadas e na figura 5.3 a distribuição espectral relativa S( ) usada para calcular a CCT e IRC. 123 5. Resultados e discussões Amostra 124 Espectrocolorímetro Fonte Suportes Fig. 5.1: Sistema espectrocolorimétrico Lacoe. Lâmpada de filamento de tungstênio Fel 676 Fig. 5.2: Radiância espectral da lâmpada Fel 676 no intervalo de 380 a 780 nm. Fig. 5.3: Distribuição espectral da lâmpada halógena Fel 676. Os resultados obtidos para CCT e IRC desta lâmpada nestas condições estão descritos na tabela 5.1. Tab. 5.1: CCT e IRC da lâmpada halógena Fel 676 CCT (K) U (K) IRC U 2856 20 99,6 2,4 5. Resultados e discussões 125 O resultado obtido para CCT de 2856 K foi similar ao definido para o iluminante A da CIE, previsto para uma lâmpada de filamento de tungstênio, assim como o IRC próximo a 100. Desta forma, esta lâmpada foi operada na corrente de 6,99 A, durante todas as medições realizadas para a análise espectral de frutas neste sistema. 5.1.2 Verificação do sistema espectrocolorimétrico Com o objetivo de avaliar a exatidão do sistema espectrocolorimétrico, medidas foram realizadas utilizando os padrões colorimétricos brilhosos do conjunto Ceram DP01 (certificado Lacoe Dimci 0802/2010), conforme metodologia descrita no item 4.1.2.3. Na figura 5.4 são apresentadas as médias da radiância espectral das placas cerâmicas coloridas, vermelha, verde e azul, calculadas a partir das dez medições realizadas, assim como o fator de radiância de cada placa, apresentado na figura 5.5. A temperatura média durante as medições foi de 24,3 ºC, com uma incerteza de 0,3 ºC e a umidade relativa média foi de 43,1 %, com uma incerteza de 3,3 %. Placa Vermelha Placa Verde Placa Azul Fig. 5.4: Radiância espectral das placas coloridas no intervalo de 380 a 780 nm. 5. Resultados e discussões 126 Fig. 5.5: Fator de radiância das placas vermelha, verde e azul do conjunto DP01. A maior incerteza de medição estimada para o fator de radiância espectral foi de 1,12 %. Os valores calculados para as coordenadas de cromaticidade (x,y) e o fator de luminosidade Y% para as três placas padrão, a partir do fator de radiância, estão descritos na tabela 5.2, onde também é descrita a estimativa de incerteza das medições. Tab. 5.2: Resultados das placas vermelha, verde e azul do conjunto DP01. Valores medidos e incertezas Placa x Ux y Uy Y% UY% Vermelho 0,6494 0,0013 0,3317 0,0007 13,97 1,24 Verde 0,3847 0,0015 0,4760 0,0011 17,47 1,23 Azul 0,2953 0,0015 0,3656 0,0014 14,89 1,24 Pode-se observar na tabela 5.3 os valores certificados para as coordenadas de cromaticidade (x,y) e o fator de luminosidade Y% para as três placas padrão, e a respectiva incerteza de medição, conforme certificado Lacoe Dimci 0802/2010. Tab. 5.3: Valores certificados das placas vermelha, verde e azul do conjunto DP01. Valores certificados e incertezas Placa Vermelho Verde Azul x 0,6494 0,3848 0,2955 Ux 0,0013 0,0015 0,0015 y 0,3314 0,4761 0,3660 Uy 0,0007 0,0011 0,0014 Y% 14,65 18,65 15,84 UY% 1,22 1,22 1,22 Para verificar a exatidão das medidas realizadas no sistema, compararam-se os valores das coordenadas calculadas aos valores certificados, para as três placas padrão, 5. Resultados e discussões 127 de forma a determinar o desvio entre os valores e o erro normalizado, comparando as duas incertezas declaradas. O erro normalizado é obtido a partir da equação 5.1. De acordo com a ABNT ISO GUIA 43-1 os resultados das medições são considerados coerentes entre si se o Erro Normalizado for menor ou igual a 1. En X1 U 2 1 X2 U 22 (5.1) Onde o X1 é o valor medido; X2 é o valor do padrão; U1 é a incerteza das medidas e U2 é a incerteza do padrão. Na tabela 5.4 podem-se observar os desvios encontrados para os valores de x,y e Y% em comparação ao certificado Lacoe Dimci 0802/2010, para as medidas realizadas com os padrões vermelho (R), verde (G) e azul (B). Tab. 5.4: Comparação das placas vermelha, verde e azul com o certificado. Placa Vermelho Verde Azul Desvios x 0,0000 -0,0001 -0,0002 y 0,0003 -0,0001 -0,0004 Erro Normalizado Y% -0,68 -1,18 -0,95 x 0,02 0,03 0,09 y 0,27 0,07 0,20 Y% 0,39 0,68 0,55 Pode-se verificar que todas as medidas tiveram os seus desvios menores que a incerteza e os erros normalizados foram satisfatórios, demonstrando a exatidão do sistema. 5.1.3 Análise espectral de frutas em diferentes etapas de amadurecimento Como início do estudo para definição da metodologia para caracterização de cor em frutas, o sistema espectrocolorimétrico apresentado no item 4.1.1.1 foi utilizado para analisar a característica espectral de algumas frutas. A lâmpada utilizada na análise foi uma lâmpada incandescente halógena do fabricante Optronic (Figura 5.2) com comportamento semelhante ao do iluminante A. As medidas realizadas para a caracterização das propriedades espectrais das frutas seguiram a geometria óptica de visualização 0º:45º (Figura 4.2). 5. Resultados e discussões 128 As frutas caracterizadas foram compradas no comércio comum e foram escolhidas de forma a apresentar os extremos da fase de amadurecimento, sendo adquiridas: uma fruta verde (ou o mais verde possível a ser adquirida no comércio) e uma fruta com aspecto de madura. As frutas analisadas foram banana (verde e amarela), goiaba (verde e amarela), laranja (verde e amarela), limão (verde e amarelo), maçã (verde e vermelha – neste caso frutas de grupos diferentes), mamão papaia (verde e amarelo), manga (verde e vermelha – neste caso frutas de grupos diferentes) e maracujá (verde e amarelo). Os resultados obtidos para cada fruta estão apresentados nas figs. 5.6 a 5.13, onde são apresentadas as fotos de cada fruta e a média da distribuição espectral obtida nos seus dois estádios de amadurecimento. Banana verde e madura Fig. 5.6: Distribuição espectral da banana verde (vermelho) e amarela (azul). Goiaba verde e madura Fig. 5.7: Distribuição espectral da goiaba verde (azul) e amarela (vermelho). Laranja verde e madura Fig. 5.8: Distribuição espectral da laranja verde (azul) e amarela (vermelho). 5. Resultados e discussões 129 Limão verde e maduro Fig. 5.9: Distribuição espectral do limão verde (vermelho) e amarelo (azul). Maçã verde e vermelha Fig. 5.10: Distribuição espectral da maçã verde (azul) e vermelha (vermelho). Mamão verde e maduro Fig. 5.11: Distribuição espectral do mamão verde (azul) e amarelo (vermelho). Manga verde e vermelha Fig. 5.12: Distribuição espectral da manga verde (azul) e vermelha (vermelho). Maracujá verde e maduro Fig. 5.13: Distribuição espectral do maracujá verde (azul) e amarelo (vermelho). Pode-se verificar que todas as frutas, estando na fase madura ou não, apresentam um aumento da radiância espectral acima de 700 nm, isto é, próximo à região do infravermelho. Verifica-se também que todas as frutas apresentam uma grande absorção 5. Resultados e discussões 130 na região de 380 nm a 480 nm, região próxima ao ultravioleta. Nesta região as distribuições espectrais das frutas verdes ou maduras se assemelham bastante. No intervalo espectral de 480 nm a 700 nm pode-se perceber as diferenças na distribuição espectral entre as frutas verdes e maduras, com exceção da manga que apresenta um espectro bastante similar para a fruta verde e para a fruta vermelha. A partir dos espectros analisados de cada fruta, e devido à sua grande importância internacional, a banana foi escolhida como estudo de caso na pesquisa realizada. 5.1.4 Análise espectral da casca da banana durante o amadurecimento Com o objetivo de medir a evolução da cor durante o amadurecimento, foram realizadas medidas durante vinte dias, duas vezes por dia, no período da manhã e no período da tarde, em bananas adquiridas na subclasse C1 (verde) da etapa de amadurecimento (Figura 4.5), conforme metodologia descrita no item 4.1.2.5. As bananas utilizadas nesta análise foram adquiridas diretamente com o produtor na localidade da Mazomba, Itaguaí, RJ, sendo bananas do cultivar ‘Prata’ (Musa sapientum AAB). As bananas foram posicionadas em suporte especialmente desenvolvido para estas análises (Figura 4.6). Além das frutas citadas, foram usadas nesta análise as placas branca DR01 e preta CL03 que são padrões do sistema. As medidas foram realizadas nas condições ambientais de temperatura de 24,3 ºC ± 0,3 ºC e umidade relativa de 43,1 % ± 3 %. A maior incerteza da medida do fator de radiância foi de 1,2 %. A lâmpada utilizada na análise foi mantida sob as mesmas condições durante todas as medidas e a média dos valores de TCC foi 2858 K ± 20 K e o IRC foi 99,5 ± 2,4. A partir das médias dos dez espectros de radiância espectral obtidos para cada banana em cada dia de medição, foram calculados os fatores de radiância conforme metodologia. Após vários dias de acompanhamento (Figura 5.14) pode-se visualizar a alteração da radiância da casca durante a evolução do 5. Resultados e discussões 131 amadurecimento. As diferenças durante a evolução do amadurecimento podem ser notadas com o espaçamento apresentado entre as medidas de radiância (Figura 5.15). Fig. 5.14: Evolução diária do amadurecimento da banana ‘Prata’. Fig. 5.15: Evolução diária do fator de radiância da banana ‘Prata’ durante o amadurecimento. 5. Resultados e discussões 132 Considerando a revisão bibliográfica realizada, percebe-se a falta de um indicador para padronizar as sete etapas de classificação do amadurecimento da banana durante a embalagem do produto, que no Brasil é realizada de acordo com a escala de Von Loesecke (Figura 1.2). O indicador tempo, normalmente usado nas pesquisas para determinar o estádio de amadurecimento, não se apresenta como um bom indicador, visto que vários parâmetros como condições ambientais e agentes químicos, podem retardar ou acelerar o amadurecimento da fruta (Ahmad et al., 2001; Zhang et al., 2005; Vermeir et al., 2009). Desta forma, faz-se necessária a definição de um indicador que possa retratar o real estádio de amadurecimento no momento da classificação e embalagem, de forma a padronizar as subclasses da banana para comercialização, visto que esta classificação é realizada visualmente por comparação com fotos (Figura 1.2). A fim de determinar o espectro característico de cada subclasse de amadurecimento correlacionada com a escala de amadurecimento de Von Loesecke, foi calculada a média para cada grupo de medidas de fatores de radiância semelhantes (Figura 5.15), possibilitando definir o espectro característico de cada subclasse. Assim, a evolução do fator de radiância espectral da casca da banana ‘Prata’ durante as sete etapas de amadurecimento pode ser observada, conforme a cor da casca foi alterada da cor verde (etapa C1) para a cor amarela com pontos marrons (etapa C7), passando pela cor amarela (C6) (Figura 5.16). A principal diferença entre os espectros pode ser percebida nos comprimentos de onda de 550 nm a 700 nm, onde os valores do fator de radiância aumentam em função do amadurecimento. A exceção é com a etapa C7, que diminui em relação à etapa C6. Isto ocorre devido à refletância da casca diminuir conforme o aparecimento das manchas marrons na casca, tendendo a 0% com o apodrecimento da fruta (completamente marrom). 5. Resultados e discussões 133 Fig. 5.16: Média do fator de radiância de cada etapa do amadurecimento da banana ‘Prata’ de acordo com a escala de Von Loesecke. Sabe-se que durante o amadurecimento, a cor da casca se altera do verde para o amarelo, aparecendo pontos marrons sobre a cor amarela no final do amadurecimento. Esta alteração na cor da casca ocorre devido à degradação da clorofila e síntese de alguns pigmentos (Mendonza e Aguilera, 2004). A clorofila, responsável pela coloração verde da casca, é degradada durante o amadurecimento, possibilitando a percepção da cor amarela característica dos carotenóides, já presentes na fruta (Embrapa, 2010). Comparando o fator de radiância no comprimento de onda próximo a 680 nm (absorção da clorofila), verifica-se a diferença mais marcante entre as etapas de amadurecimento, onde o fator de radiância varia de 5% a 60% devido aos diferentes níveis de clorofila presentes na casca. A fim de padronizar os espectros referentes a cada etapa de amadurecimento (Figura 5.16), foi definido um intervalo de fator de radiância referente a cada subclasse, a partir dos desvios encontrados nas medidas (Tabela 5.5). Estes limites foram definidos para o intervalo de 664 nm a 688 nm, por ser uma região que caracteriza bem o amadurecimento, devido à absorção da clorofila ser próximo ao comprimento de onda de 680 nm. O intervalo do fator de radiância das etapas do amadurecimento é definido pelo limite superior (C+) e limite inferior (C-) da 5. Resultados e discussões 134 distribuição espectral de cada subclasse. As subclasses puderam ser claramente definidas, com exceção da sobreposição entre os limites superior C1 (C1+) e inferior C2 (C2-). Os limites entre estas duas subclasses são muito pequenos, devido ao valor de refletância ser baixo por causa da cor verde escura da casca. Porém as médias C1 e C2 não se sobrepõem, possibilitando assim a diferenciação entre estas duas subclasses. Tab. 5.5: Limite para o fator de radiância de cada subclasse de amadurecimento da banana ‘Prata’. (nm) C1+ C1- C2+ C2- C3+ C3- C4+ C4- C5+ C5- C6+ C6- C7 664 7,6 5,4 9,0 6,8 15,3 11,4 27,0 18,4 52,8 40,9 67,7 55,3 48,7 668 7,0 4,8 8,4 6,2 13,9 9,9 24,4 15,9 50,5 38,1 67,4 54,9 48,9 672 6,7 4,5 8,0 5,8 13,0 9,1 22,9 14,3 50,0 35,3 67,4 54,9 49,3 676 6,6 4,4 7,9 5,7 12,6 8,7 22,2 13,6 49,3 34,4 67,6 55,1 49,8 680 6,9 4,7 8,3 6,1 13,2 9,2 22,8 14,4 50,3 35,4 68,3 55,9 50,6 684 7,9 5,7 9,5 7,3 15,4 11,4 25,7 17,2 53,5 38,9 70,1 57,7 51,8 688 10,1 7,9 12,2 10,0 19,8 15,6 31,1 22,4 57,3 45,3 72,4 59,9 53,3 Nota: C+ representa o limite superior e C- representa o limite inferior do fator de radiância de cada subclasse. Com o objetivo de obter um indicador prático de amadurecimento, foi calculada a atenuação (Morita et al., 1992), isto é, o logaritmo do inverso do fator de radiância (log (1/ )) para as classes de C1 a C7, no comprimento de onda próximo a 680 nm, tornando-se possível caracterizar as diferentes concentrações de clorofila presentes na casca para cada subclasse de amadurecimento. A atenuação diminui de 1,26 a 0,21 (da etapa C1 a etapa C6), aumentando na etapa C7, devido ao fator de radiância diminuir em função do aparecimento das manchas marrons na casca (Figura 5.17). Fig. 5.17: Evolução da atenuação (680 nm) durante o amadurecimento da banana. 5. Resultados e discussões 135 Os resultados estão de acordo com o esperado, considerando a diminuição da concentração da clorofila na casca da banana durante as etapas de amadurecimento. Porém, não seria viável a utilização da atenuação como um prático indicador das etapas de amadurecimento devido ao acréscimo referente à última etapa C7, prejudicando a caracterização das etapas anteriores com valores semelhantes. Para avaliar a cor da casca da banana durante as etapas de amadurecimento, a partir do fator de radiância apresentado para cada subclasse (Figura 5.16), foram calculados os valores de CIELAB para cada etapa de amadurecimento conforme metodologia apresentada no item 4.1.2.5 (Figura 5.18). Fig. 5.18: Evolução de CIELAB durante o amadurecimento da banana ‘Prata’. Comportamentos semelhantes podem ser observados para os valores de L* e b* (Figura 5.18), com aumento até a subclasse C6 e declínio no início da subclasse C7, onde se inicia a percepção dos pontos de cor marrom. Os valores de L* para as subclasses C5 e C6 são bastante próximos, visto que a diferença visual percebida entre estas duas etapas encontra-se nas extremidades (pontas verdes da subclasse C5). Comportamento diferente pode-se observar para o valor de a*, pois durante a mudança das subclasses C4 para C5 ocorre uma mudança de sinal (Figura 5.18). Isto se deve ao fato que na subclasse C5 não é mais percebida a cor verde presente na casca da subclasse C4, predominando a cor amarela. O valor de a* aumenta com o amadurecimento até a subclasse C7, sem nenhuma superposição entre os valores. Este 5. Resultados e discussões 136 comportamento não ocorre com os demais parâmetros avaliados, cujo valor da subclasse C7 coincide com os de outras. Como a* representa a variação entre a cor verde e a vermelha e b* representa a variação entre a cor azul e a amarela, o indicador “a/b” apresentou-se como um bom parâmetro para classificação da banana ‘Prata’ brasileira, cuja cor varia de verde a marrom, passando pelo amarelo. Apesar de demonstrar ser um bom indicador do amadurecimento, os valores obtidos para o indicador “a/b” são negativos e decimais, não sendo prático para uso e interpretação (Figura 5.19). Fig. 5.19: Indicador “a/b” para as etapas de amadurecimento da banana ‘Prata’. Desta forma procurou-se obter um indicador de uso prático, definindo um novo índice de cor do amadurecimento, chamado de “ripening color index” (RCI). Este novo indicador foi definido como: “RCI = c/(1-a/b)”. A constante “c” foi obtida empiricamente de forma a possibilitar valores positivos e de fácil leitura, permitindo uma análise simples e direta do operador. Para a banana ‘Prata’ brasileira a constante “c” foi empiricamente definida como c=200, de forma a obter valores de fácil leitura, considerando os pequenos valores obtidos das medidas. Então, o RCI para a banana ‘Prata’ foi definido como “RCI_banana = 200/(1-a/b)” (Figura 5.20). Os limites para os valores do RCI_banana referente a cada subclasse de amadurecimento foram definidos conforme listados na tabela 5.6. As classes foram claramente definidas e para a classe C7 assume-se RCI_banana acima de 271, visto que o RCI_banana desta classe aumenta em função dos pontos marrons da casca e conseqüente diminuição do fator de radiância. 5. Resultados e discussões 137 Fig. 5.20: Evolução do RCI_banana durante as etapas de amadurecimento. Tab. 5.6: Limites do RCI_banana para as etapas do amadurecimento da banana ‘Prata’. Subclasse RCI- RCI+ C1 140 142 C2 143 145 C3 163 165 C4 195 207 C5 235 241 C6 252 271 C7 >271 >271 Nota: RCI+ representa o limite superior e RCI- representa o limite inferior do indicador RCI de cada subclasse. 3 Para a classificação da etapa de amadurecimento da banana ‘Prata’ brasileira, o RCI_banana irá variar de 140 a 300. Menores valores de RCI_banana indicam banana mais verde e maiores valores de RCI_banana indicam banana madura. Em resumo, sugere-se esta nova metodologia na classificação das etapas de amadurecimento da banana ‘Prata’ brasileira: determina-se a cor no sistema CIELAB, calcula-se o novo indicador RCI_banana e define-se a subclasse de amadurecimento a partir da tabela 5.6. Por exemplo, uma banana que apresenta um RCI_banana de 260 está na subclasse C6 de amadurecimento. Esta metodologia foi testada e validada com 52 bananas 'Prata’ e a técnica de inspeção visual teve 92% de acerto em relação ao indicador RCI. O novo indicador RCI é prático, de fácil entendimento e independente da percepção humana, podendo ser considerado um excelente índice de classificação para as etapas de amadurecimento da banana ‘Prata’ brasileira (Musa sapientum AAB). Para outros cultivares de banana e outras frutas, a constante “c” deve ser estudada e o RCI analisado. 5. Resultados e discussões 138 5.2 Análise da influência da iluminação e da cor do fundo na percepção da cor Estes ensaios tiverem como objetivo principal analisar a influência de diferentes tipos de iluminação e diferentes cores de fundo na exatidão da cor. 5.2.1 Sistema de iluminação preliminar Um ensaio inicial foi realizado visando analisar visualmente algumas frutas sob diferentes tipos de iluminação e verificar possíveis diferenças apresentadas na percepção da cor. Para este ensaio foi utilizado um sistema composto de uma caixa pintada internamente com tinta preta, iluminada com diferentes lâmpadas posicionadas internamente (Figura 4.7). As lâmpadas utilizadas foram as descritas no item 4.2.1.2 da metodologia, e não foram caracterizadas em TCC e IRC. As frutas utilizadas no experimento foram compradas no comércio o mais próximas da fase 1 (um) na escala de maturação (verde) (Figura 4.8). As frutas analisadas foram banana, goiaba, laranja, limão, mamão, manga e maracujá. As imagens obtidas de cada fruta sob diferentes tipos de iluminação durante a avaliação visual estão apresentadas na tabela 5.7. Pode-se perceber que a lâmpada incandescente é a que possibilitou uma melhor percepção da cor e uma melhor diferenciação entre as fases, verde e “madura”, de cada fruta. Porém este ensaio foi apenas preliminar, necessitando de melhorias durante a aquisição das imagens, além do estudo das características de cada lâmpada utilizada. 5. Resultados e discussões 139 Tab. 5.7: Imagens de algumas frutas sob diferentes tipos de iluminação. Fruta/ Iluminação Banana verde Banana madura Goiaba verde Goiaba madura Dicróica Fluorescente Incandescente Led Vapor Metálico Pressão Sódio 5. Resultados e discussões 140 Continuação da tabela 5.7: Imagens de algumas frutas sob diferentes tipos de iluminação. Fruta/ Iluminação Laranja verde Laranja madura Limão verde Limão maduro Dicróica Fluorescente Incandescente Led Vapor Metálico Pressão Sódio 5. Resultados e discussões 141 Continuação da tabela 5.7: Imagens de algumas frutas sob diferentes tipos de iluminação. Fruta/ Iluminação Mamão verde Mamão maduro Manga verde Manga madura Dicróica Fluorescente Incandescente Led Vapor Metálico Pressão Sódio 5. Resultados e discussões 142 Continuação da tabela 5.7: Imagens de algumas frutas sob diferentes tipos de iluminação. Fruta/ Iluminação Maracujá verde Maracujá maduro Dicróica Fluorescente Incandescente Led Vapor Metálico Pressão Sódio 5. Resultados e discussões 143 5.2.2 Sistema Espectrocolorimétrico Nesta etapa da pesquisa é realizada uma comparação de nove diferentes tipos de iluminação e seis cores diferentes de fundo na caracterização das etapas de amadurecimento da banana ‘Prata’ brasileira (Musa sapientum AAB). Para isto foram feitas medições da radiância espectral da casca da banana, a fim de calcular as coordenadas de cromaticidade e a luminosidade, no sistema de cor CIELAB, variando a fonte de iluminação, usando nove tipos de lâmpadas comerciais, e variando as cores do fundo. As lâmpadas foram caracterizadas quando à sua CCT e IRC e os fundos caracterizados quanto às coordenadas de cromaticidade. As medições das coordenadas L*a*b* de cada etapa de amadurecimento da banana foram analisadas quanto às diferenças apresentadas quando avaliadas com cada lâmpada e cada fundo individualmente. Todas as medições foram realizadas no Laraf (Diopt/Inmetro), usando o sistema espectrocolorimétrico descrito no item 4.2.2.1.2 (Figura 4.9 e 5.21). Goniofotômetro Fonte Espectro colorímetro Frutas Computador Espectro colorí metro Fig. 5.21: Sistema espectrocolorimétrico do Laraf. 5. Resultados e discussões 144 5.2.2.1 Caracterização da fonte de iluminação em TCC e IRC As lâmpadas utilizadas como fonte nesta etapa do trabalho foram lâmpadas comercialmente utilizadas tanto em sistemas de iluminação de interiores quanto em iluminação de exteriores, como também novas tecnologias como luminária leds (Tabela 4.5) e codificadas de F01 a F09. Na figura 5.22 é apresentada a média da radiância espectral de cada lâmpada em W/sr/m2, obtida a partir das dez medições realizadas e na figura 5.23 a distribuição espectral relativa S( ) usada para calcular a CCT e IRC. Lâmpada Vapor metálico tubular alta pressão HPIT 400W Philips F01 Vapor de sódio tubular alta pressão VIALOX NAV-T 250W – GE F02 Vapor metálico elipsoidal alta pressão HQIE Daylight E40 400 W – Osram F03 Halógena Incandescente tubular duplo envelope 1000 W – AVANT F04 Foto Espectro de Radiância 5. Resultados e discussões Lâmpada Foto 145 Espectro de Radiância Vapor metálico tubular alta pressão HCITS 150 W /942 NDL – Osram F05 Fluorescente compacta Dulux T/E 42W – Osram F06 Fluorescente T5 Lumilux FQ 54 W/840 HO – Osram F07 Luminária 49 Led Rodstar 73 W – Philips F08 Fluorescente T8 FO 32 W /840 - Osram F09 Fig. 5.22: Radiância espectral das lâmpadas. Estas lâmpadas foram operadas nestas condições durante todas as medições realizadas para a análise espectral de frutas. Os resultados obtidos para CCT e IRC para estas fontes nestas condições (tabela 5.8) foram bastante semelhantes aos declarados na embalagem pelos fabricantes das lâmpadas. 5. Resultados e discussões 146 Fig. 5.23: Distribuição espectral das lâmpadas. Tab. 5.8: CCT e IRC das diferentes fontes. Codificação Lâmpada CCT (K) IRC F01 Vapor metálico tubular alta pressão HPIT 400 W – Philips 3834 (ucTCC = 47K) 60,2 (ucIRC=2,7) F02 Vapor de sódio tubular alta pressão VIALOX NAV-T 250W – GE 2059 (ucTCC= 13K) 22,4 (ucIRC=1,9) F03 Vapor metálico elipsoidal alta pressão HQI-E Daylight E40 400 W – Osram F04 Halógena Incandescente duplo envelope 1000 W – AVANT 2991 (ucTCC= 21K) 99,2 (ucIRC=2,3) F05 Vapor metálico tubular alta pressão HCI-TS 150 W/942 NDL – Osram 3544 (ucTCC = 27K) 96,9 (ucIRC=2,1) F06 Fluorescente compacta Dulux T/E 42 W - Osram 3864 (ucTCC = 42K) 78,7 (ucIRC=2,8) F07 Fluorescente T5 Lumilux FQ 54 W/840 HO Osram 4085 (ucTCC = 50K) 78,1 (ucIRC=2,8) F08 Luminária 49 LED Rodstar 73 W - Philips 4284 (ucTCC = 69K) 67,2 (ucIRC=1,8) F09 Fluorescente T8 FO 32 W/840 - Osram 4010 (ucTCC= 47K) 83,2 (ucIRC=2,5) 5680 76,7(ucIRC=1,8) (ucTCC = 174K) 5. Resultados e discussões 147 5.2.2.2 Caracterização da cor do fundo Com o objetivo de avaliar a cor dos fundos em E.V.A. utilizados no ensaio (Figura 4.10), medidas foram realizadas conforme metodologia descrita no item 4.2.2.2.3. Na figura 5.24 são apresentadas as médias da radiância espectral dos E.V.A. nas cores preto, branco, cinza, vermelho, verde e azul, calculadas a partir das dez medições realizadas, assim como o fator de radiância de cada fundo, calculados conforme metodologia descrita anteriormente (figura 5.25). As condições ambientais durante as medições foram mantidas em uma temperatura de 25,5 ºC ± 0,5 ºC e umidade relativa 46,9 % ± 2,4 % e a maior incerteza da medida do fator de radiância espectral foi de 1,2%. Fundo Preto Fundo Cinza Fundo Branco 5. Resultados e discussões 148 Fundo Vermelho Fundo Verde Fundo Azul Fig. 5.24: Radiância espectral dos diferentes fundos em E.V.A. Fig. 5.25: Fator de radiância dos diferentes fundos em E.V.A. Os valores calculados para as coordenadas de cromaticidade (x,y) e o fator de luminosidade Y% para as seis cores, a partir do fator de radiância, estão descritas na tabela 5.9, onde também é descrita a estimativa de incerteza das medições realizadas. Os valores de CIELAB também foram calculados e são apresentados na figura 5.26. 5. Resultados e discussões 149 Tab. 5.9: Coordenadas de cromaticidade dos diferentes fundos em E.V.A. Valores medidos e incertezas Cor do Fundo x Ux y Uy Y% UY% Preto 0,4545 0,0013 0,4088 0,0007 3,36 1,26 Cinza 0,4502 0,0015 0,4076 0,0011 37,16 1,23 Branco 0,4500 0,0015 0,4078 0,0014 84,78 1,24 Vermelho 0,6260 0,0013 0,3300 0,0007 15,59 1,25 Verde 0,4150 0,0015 0,4447 0,0011 9,02 1,23 Azul 0,3366 0,0015 0,3372 0,0014 6,59 1,25 Fig. 5.26: Valores de L*a*b*dos diferentes fundos em E.V.A. Observa-se o valor crescente de luminosidade L* nas cores de fundo utilizadas, e que a diferença entre os fundos preto, cinza e branco utilizados limita-se aos diferentes valores de L* (com valores de a* e b* aproximadamente zero). 5.2.2.3 Verificação do sistema espectrocolorimétrico Com o objetivo de avaliar a exatidão do sistema espectrocolorimétrico, medidas foram realizadas utilizando os padrões colorimétricos brilhosos do conjunto Ceram DP01, calibrados no Lacoe (certificado Lacoe Dimci 0802/2010), conforme metodologia descrita no item 4.2.2.2.4. As medições foram realizadas usando o fundo de cor preta e a fonte F04 (lâmpada halógena semelhante ao iluminante A). Na figura 5.27 são apresentadas as médias da radiância espectral das placas cerâmicas coloridas, vermelha, verde e azul, calculados a partir das dez medições realizadas, assim como o fator de radiância de cada placa, apresentado na figura 5.28. As condições ambientais 5. Resultados e discussões 150 durante as medições foram mantidas em uma temperatura de 25,5 ºC ± 0,6 ºC e umidade relativa 46,9 % ± 2,4 %. A maior incerteza de medição estimada para o fator de radiância espectral foi de 1,5 %. Os valores calculados para as coordenadas de cromaticidade (x,y) e o fator de luminosidade Y% para as três placas padrão, a partir do fator de radiância, estão descritas na tabela 5.10, assim como a estimativa de incerteza. Placa Vermelha Placa Verde Placa Azul Fig. 5.27: Radiância espectral das placas vermelha, verde e azul medidas no Laraf. Fig. 5.28: Fator de radiância das placas vermelha, verde e azul medidas no Laraf. 5. Resultados e discussões 151 Tab. 5.10: Resultado das placas vermelha, verde e azul medidos no Laraf. Valores medidos e incertezas Placa x Ux Y Uy Y% UY% Vermelho 0,6495 0,0013 0,3314 0,0007 14,37 1,24 Verde 0,3856 0,0015 0,4764 0,0011 18,34 1,23 Azul 0,2957 0,0015 0,3658 0,0014 15,51 1,23 Pode-se observar na tabela 5.11 os valores certificados para as coordenadas de cromaticidade (x,y) e o fator de luminosidade Y% para as três placas padrão, e a respectiva incerteza de medição, conforme certificado Lacoe Dimci 0802/2010. Tab. 5.11: Valores certificados das placas vermelha, verde e azul do conjunto DP01. Valores certificados e incertezas Placa Vermelho Verde Azul x 0,6494 0,3848 0,2955 Ux 0,0013 0,0015 0,0015 Y 0,3314 0,4761 0,3660 Uy 0,0007 0,0011 0,0014 Y% 14,65 18,65 15,84 UY% 1,22 1,22 1,22 Para verificar a exatidão das medidas realizadas no sistema espectrofotométrico do Laraf, compararam-se os valores das coordenadas calculadas aos valores certificados, para as três placas padrão, de forma a determinar o desvio entre os valores e o erro normalizado (Eq. 5.1), comparando as duas incertezas declaradas (Tabela 5.12). Tab. 5.12: Comparação das placas vermelha, verde e azul com o certificado. Desvios Erro Normalizado Placa x y Y% x y Y% Vermelho 0,0000 0,0003 -0,68 0,02 0,27 0,39 Verde -0,0001 -0,0001 -1,18 0,03 0,07 0,68 Azul -0,0002 -0,0004 -0,95 0,09 0,20 0,55 Pode-se verificar que todas as medidas tiveram os seus desvios menores que a incerteza e os erros normalizados foram satisfatórios (EN<1), demonstrando a exatidão do sistema. Confirmando a exatidão do sistema com rastreabilidade nas placas calibradas no Lacoe, qualquer alteração obtida nos resultados das medidas dos padrões ou frutas poderá ser correlacionada ou com a mudança da fonte de iluminação ou da cor do fundo. 5. Resultados e discussões 152 5.2.2.4 Análise espectral da casca da banana nas subclasses de amadurecimento Com o objetivo de avaliar a cor nas sete subclasses de amadurecimento de Von Loesecke, medidas foram realizadas em bananas adquiridas nas sete subclasses de amadurecimento (C1 a C7) (Figura 5.29), conforme metodologia descrita no item 4.2.2.2.5. As bananas foram posicionadas sob nove diferentes tipos de iluminação (Figura 5.30) e sobre seis diferentes cores de fundo (Figura 5.31). Além das frutas citadas, foram usadas nesta análise as placas, branca DR01 e preta CL03, padrões do sistema. As condições ambientais durante as medições foram mantidas em uma temperatura de 25,5 ºC ± 0,6ºC e umidade relativa 46,9 % ± 2,4 %. A maior incerteza da medida do fator de radiância espectral foi de 1,5 %. Fig. 5.29: Bananas nas subclasses C1 a C7 de amadurecimento. C6_preto_F01 C6_ preto_F02 C6_ preto_F03 C6_ preto_F04 C6_ preto_F05 C6_ preto_F06 C6_ preto_F07 C6_ preto_F08 C6_ preto_F09 Fig. 5.30: Bananas na subclasse C6 sob as fontes F01 a F09 sobre o fundo preto. 5. Resultados e discussões 153 C6_F04_ preto C6_F04_ cinza C6_F04_ branco C6_F04_ vermelho C6_F04_ verde C6_F04_ azul Fig. 5.31: Bananas na subclasse C6 sobre diferentes fundos e sob a fonte F04. A partir das médias dos dez espectros de radiância espectral obtidos para cada banana em cada subclasse, sob cada tipo de iluminação e sob cada cor de fundo, foram calculados os fatores de radiância conforme metodologia descrita anteriormente. A fim de determinar o espectro característico de cada subclasse de amadurecimento, foi calculada a função estímulo de cada medida e correlacionada com a escala de amadurecimento de Von Loesecke (Figuras 5.32 a 5.40), possibilitando perceber a diferença na medida espectral e a influência de cada fonte. Fig. 5.32: Espectro das subclasses das bananas sob a fonte F01 e sobre fundo preto. 5. Resultados e discussões 154 Fig. 5.33: Espectro das subclasses das bananas sob a fonte F02 esobre fundo preto. Fig. 5.34: Espectro das subclasses das bananas sob a fonte F03 e sobre fundo preto. Fig. 5.35: Espectro das subclasses das bananas sob a fonte F04 e sobre fundo preto. 5. Resultados e discussões 155 Fig. 5.36: Espectro das subclasses das bananas sob a fonte F05 e sobre fundo preto. Fig. 5.37: Espectro das subclasses das bananas sob a fonte F06 e sobre fundo preto. Fig. 5.38: Espectro das subclasses das bananas sob a fonte F07 e sobre fundo preto. 5. Resultados e discussões 156 Fig. 5.39: Espectro das subclasses das bananas sob a fonte F08 e sobre fundo preto. Fig. 5.40: Espectro das subclasses das bananas sob a fonte F09 e sobre fundo preto. As diferenças percebidas visualmente nas figuras. 5.32 a 5.40 podem ser justificadas pelos diferentes estímulos obtidos para cada subclasse, para os diferentes parâmetros de medição. A partir do fator de radiância foi possível efetuar os cálculos para determinar as características colorimétricas, tais como as coordenadas de cromaticidade (x,y) e Y% de cada banana em cada subclasse de amadurecimento sob as diferentes fonte e diferentes fundos. Na tabela 5.13 são apresentados os resultados referentes à subclasse C1 usando as diferentes fontes e fundos. Os demais resultados estão descritos nas tabs. A.4.1 a A.4.6 do apêndice C. As maiores incertezas obtidas nas medições foram Uxy=0,0015 e UY%= 1,25 %. 5. Resultados e discussões 157 Tab. 5.13: Coordenadas de cromaticidade da subclasse C1, diferentes fundos e fontes. Fonte F01 C1 vermelho Desvio Máximo (preto) 0,4573 0,4590 0,4630 0,0065 0,4808 0,4838 0,4816 0,4800 -0,0023 19,13 20,31 21,09 21,30 21,60 1,28 x 0,4591 0,4582 0,4570 0,4555 0,4559 0,4593 0,0002 y 0,4809 0,4873 0,4844 0,4883 0,4873 0,4850 0,0074 22,28 16,02 16,47 15,50 15,29 15,45 -5,81 x 0,4542 0,4576 0,4587 0,4559 0,4560 0,4636 0,0094 y 0,4881 0,4888 0,4853 0,4881 0,4891 0,4838 0,0011 15,37 15,73 17,31 16,19 15,46 14,78 1,94 x 0,4558 0,4552 0,4558 0,4564 0,4572 0,4588 0,0030 y 0,4891 0,4886 0,4870 0,4866 0,4881 0,4864 -0,0005 15,85 15,45 16,86 14,17 15,77 15,84 1,01 x 0,4650 0,4633 0,4658 0,4637 0,4646 0,4704 0,0053 y 0,4836 0,4846 0,4817 0,4841 0,4850 0,4810 0,0014 17,31 18,31 19,29 15,73 16,78 15,87 1,97 x 0,4886 0,4793 0,4575 0,4726 0,4674 0,4635 -0,0094 y 0,4672 0,4660 0,4802 0,4725 0,4724 0,4753 0,0130 11,37 22,34 20,89 20,23 20,19 20,37 10,97 x 0,4629 0,4643 0,4633 0,4620 0,4645 0,4627 0,0016 y 0,4769 0,4756 0,4800 0,4807 0,4758 0,4792 0,0037 20,71 21,15 21,20 20,59 21,25 21,46 0,75 x 0,4611 0,4621 0,4624 0,4606 0,4619 0,4633 0,0022 y 0,4810 0,4772 0,4768 0,4808 0,4796 0,4777 -0,0002 20,68 22,49 22,86 20,61 21,83 22,07 2,18 x 0,4649 0,4682 0,4665 0,4665 0,4702 0,4692 0,0053 y 0,4803 0,4763 0,4747 0,4763 0,4735 0,4738 -0,0039 19,62 21,84 20,76 20,37 2,22 C1 cinza C1 branco x 0,4565 0,4568 0,4606 y 0,4861 0,4838 20,33 Itens Y% F02 Y% F03 Y% F04 Y% F05 Y% F06 Y% F07 Y% F08 Y% F09 Y% C1 preto 19,46 C1 azul C1 verde 20,40 As diferenças obtidas nos valores das coordenadas são, na maioria dos casos, maiores que a incerteza da medição, podendo-se afirmar serem devidas às diferentes fontes e fundos utilizados. 5. Resultados e discussões 158 5.2.2.4.1 Influência da iluminação na caracterização das subclasses de amadurecimento da banana Com o objetivo de verificar a influência da iluminação na avaliação da cor da casca da banana em cada uma das sete etapas do amadurecimento (C1 a C7), os valores de CIELAB foram calculados a partir do fator de radiância, para cada etapa de amadurecimento, sob as nove diferentes fontes. A lâmpada F04 foi adotada como referência na comparação dos resultados obtidos com as demais lâmpadas por apresentar uma distribuição espectral próxima do iluminante A da CIE, e um índice de reprodução de cor próximo a 100. Desta forma, foram comparados os valores de L*a*b* para as nove diferentes fontes utilizadas (F01 a F09) considerando o fundo preto para cada subclasse de amadurecimento (C1 a C7) (Figs. 5.41 a 5.43). Fig. 5.41: Valores de L* para as fontes F01 a F09 para cada subclasse. Verifica-se que o valor de L* (Figura 5.41) é pouco influenciado pela mudança de iluminação nas subclasses C1 a C3. Esta influência aumenta nas classes C5, C6 e C7, para as lâmpadas F02 e F03, apresentando um desvio relativo de 4% em relação à lâmpada F04. O valor de b* (Figura 5.42) é mais influenciado pela mudança de iluminação do que o valor de L*, visto que os valores de iluminância foram mantidos aproximadamente constantes para cada lâmpada. Nas subclasses C1, C2 e C3, os 5. Resultados e discussões 159 desvios relativos em relação à lâmpada F04 foram em média de 15%, com exceção das lâmpadas F02 e F05 (3%). Para a subclasse C4 os desvios relativos foram em média de 10%, com exceção das lâmpadas F03 e F05 (1%). A partir da subclasse C4, a lâmpada F02 apresenta comportamento inverso das demais, aumentando o desvio relativo até a subclasse C7. Fig. 5.42: Valores de b* para as fontes F01 a F09 para cada subclasse. Fig. 5.43: Valores de a* para as fontes F01 a F09 para cada subclasse. O valor de a* (Figura 5.43) é o mais influenciado pela mudança de iluminação, visto que representa uma proximidade maior com a percepção real da cor da casca, variando do verde (subclasse C1) ao vermelho (subclasse C7 com pintas marrons na casca). Em todas as subclasses os desvios relativos à lâmpada F04 foram altos, com exceção da subclasse C4, que apresenta um menor desvio, principalmente para as fontes 5. Resultados e discussões 160 F02 e F05. A lâmpada F05 foi a que apresentou menor desvio em relação à lâmpada F04 durante todas as etapas do amadurecimento (média de 8%). Da subclasse C1 a C3, a influência da lâmpada F02 no valor de a* apresenta comportamento inverso das demais, apresentando maiores valores de a* em relação a F04. Verifica-se que uma mesma subclasse de amadurecimento pode ter interpretações diferentes dependendo do tipo de lâmpada utilizada na avaliação. Por exemplo, quando avaliada sob a fonte F02 a banana aparenta estar mais madura (maiores valores de a*), mesmo estando nas subclasses de aparência verdes (C1 a C3). Já sob as fontes F06 a F09 a banana apresenta uma aparência mais verde (menores valores de a*) mesmo estando maduras (classes C5 a C7). Estes resultados são compatíveis com os valores de TCC destas lâmpadas. A fonte F02 tem um baixo valor de TCC (abaixo de 3000 K) e consequentemente uma aparência mais amarelada, apresentando um IRC muito baixo. As fontes F06 a F09 tem TCC acima de 4000 K e conseqüente aparência mais azul, o que pode ser percebido também na variação do parâmetro b*. Cabe ressaltar que a influência da iluminação é um fator preocupante durante a seleção de frutas, visto a possibilidade de interpretações erradas quanto a real etapa de amadurecimento da fruta. Para verificar a diferença de cor percebida na análise da subclasse de amadurecimento sob as diferentes fontes utilizadas, foi calculada a diferença de cor E* de acordo com a Eq. 3.8. O E* foi calculado para cada fonte (F01 a F09) em relação à fonte F04 (Figura 5.44). Verificam-se valores altos de E* para todas as fontes, com exceção da fonte F05. Verifica-se, para as fontes F01 e F08, que o E* aumenta conforme ocorre o amadurecimento da banana, isto é, a diferença de cor é menor na avaliação da banana verde, do que para as amarelas. Para as lâmpadas F06, F07 e F09 a diferença de cor apresentada é grande ( E*>8,0), independente da subclasse avaliada. 5. Resultados e discussões 161 Fig. 5.44: E* calculado para as fontes (F04 como referência) usadas na caracterização do amadurecimento da banana prata (C1 a C7). A mesma análise foi realizada considerando a lâmpada F03 como referência na comparação dos resultados obtidos com as demais lâmpadas por apresentar uma distribuição espectral próxima do iluminante D65 da CIE (CCT = 5680 K) e um índice de reprodução de cor próximo a 80. Primeiramente, foi analisado o fator de radiância espectral da casca da banana sob a lâmpada de vapor metálico de alta pressão (F03). A partir do fator de radiância da casca da banana foram calculados os valores de CIELAB para cada etapa de amadurecimento (Figura 5.45). Fig. 5.45: E*calculado para as fontes (F03 como referência) usadas na caracterização do amadurecimento da banana prata (C1 a C7). Analisando a diferença de cor E* calculada dos valores CIELAB para cada fonte (F01 a F09) em relação à fonte F03 (Figura 5.45), verificam-se valores menores de 5. Resultados e discussões 162 E*, em relação aos encontrados para a F04, com exceção da fonte F02 que apresentou valores altos de E*. Verifica-se que de forma geral, as diferenças aumentam conforme ocorre o amadurecimento da banana, isto é, a diferença de cor é menor na avaliação da banana verde, do que para as amarelas. Isto não ocorre para as fontes F04 e F05, que apresentam valores de E* bem constantes, independente da classe de amadurecimento. Este fato deve-se à característica técnica de cada lâmpada que é percebida a partir da sua distribuição espectral (Figura 5.22 e 5.23). As lâmpadas F04 e F05 apresentam um espectro homogêneo, diferente das lâmpadas fluorescentes que apresentam picos de emissão em determinados comprimentos de onda. Cabe ressaltar também as semelhanças encontradas entre as fontes F01 e F08, mesmo apresentando diferenças entre seus espectros. Sabe-se que quanto menor o valor de E*, menor é a diferença da percepção da cor sob determinadas condições. Porém, na área de alimentos, considera-se como aceitável uma diferença de até 3,0 (Coleman, 2004), como sendo a máxima diferença de cor que pode ser visualmente percebida pelo olho humano. Desta forma, como os resultados de E* encontrados foram, na sua maioria, maiores que 3,0, observa-se que a classificação da banana pode ser realizada de forma errada, dependendo do tipo de iluminação usada na sala durante a classificação. 5.2.2.4.2 Influência da cor do fundo na caracterização das subclasses de amadurecimento da banana Com o objetivo de verificar a influência de diferentes cores de fundo na avaliação da cor da casca da banana em cada uma das sete etapas do amadurecimento (C1 a C7), os valores de CIELAB foram calculados, a partir do fator de radiância, para cada etapa de amadurecimento, sob as seis diferentes cores de fundo. O fundo de cor preta foi adotado como referência na comparação dos resultados obtidos com os demais 5. Resultados e discussões 163 fundos por proporcionar uma menor quantidade de luz espalhada no sistema de medição. Os valores de CIELAB obtidos para o fundo preto foram comparados com os valores obtidos para os demais fundos, e a diferença percentual obtida nos valores de L*, a* e b* são apresentados nas figs 5.46, 5.47 e 5.48 para as sete subclasses de amadurecimento. Verifica-se que o valor de L* (Figura 5.46) é diretamente influenciado pela mudança de claridade do fundo e para a maioria dos casos o desvio em relação ao fundo preto aumenta com o aumento da claridade. Verifica-se também que os maiores desvios encontrados foram para a subclasse C3 e C5, apresentando maior desvio em relação à medida com fundo preto. A subclasse C6 foi a que apresentou menor desvio nas medidas. O valor de b* (Figura 5.47) é menos influenciado pela mudança de claridade do fundo do que o valor de L*, porém é diretamente influenciado pelo valor de b* do fundo utilizado. De forma geral, os maiores desvios encontrados foram para as subclasses C3 e C5, apresentando maior desvio em relação à medida com fundo preto. Entretanto observa-se que o fundo azul influencia fortemente as subclasses C1, C2 e C5. O valor de a* (Figura 5.48) é o mais influenciado pela mudança de cor de fundo, principalmente quando utilizado o fundo vermelho. De forma geral, os maiores desvios encontrados foram para as classes C4 e C5, apresentando maior desvio em relação à medida com fundo preto. Observa-se que o fundo azul influencia fortemente as classes C1 e C5 e que o fundo vermelho influencia fortemente todas as classes na análise do fator a*. 5. Resultados e discussões 164 Fig. 5.46: Desvio percentual de L* para os fundos coloridos em relação ao fundo preto, para as sete classes de amadurecimento (C1 a C7). Fig. 5.47: Diferença no valor de b* para cada classe de amadurecimento (C1 a C7) usando diferentes cores de fundo. Fig. 5.48: Diferença no valor de a* para cada classe de amadurecimento (C1 a C7) usando diferentes cores de fundo. 5. Resultados e discussões 165 Para verificar a diferença de cor percebida na análise da subclasse de amadurecimento sob os diferentes fundos utilizados, foi calculada a diferença de cor E* de acordo com a Eq. 3.8. O E* foi calculado para cada cor de fundo em relação à cor preta (Figura 5.49). Verifica-se que de forma geral o E* é diretamente proporcional à claridade do fundo. Exceção pode ser verificada para a classe C6, visto que esta subclasse já apresenta um grande valor de claridade (aproximadamente 80%). Fig. 5.49: E* para cada subclasse de amadurecimento (C1 a C7) usando diferentes cores de fundo em comparação ao fundo preto. Verifica-se que uma mesma subclasse de amadurecimento pode ter interpretações diferentes dependendo da cor de fundo utilizada na avaliação. Usando um fundo vermelho, o erro em relação ao valor de a* aumenta, fazendo com que a banana tenha uma aparência mais madura (a* varia do verde (-a*) ao vermelho (+a*)). Isto pode ser constatado no alto valor de E* (> 3,0) apresentado para o fundo vermelho para cinco subclasses quando comparado com um fundo preto. Usando um fundo azul, o erro em relação ao valor de b* aumenta, fazendo com que a banana tenha uma aparência mais amarela (b* varia do azul (-b*) ao amarelo (+b*)). Isto pode ser constatado no alto valor de E* (> 3,0) apresentado para o fundo azul para quatro subclasses quando comparado com um fundo preto. O fundo branco apresenta uma maior diferença de cor 5. Resultados e discussões 166 para a maioria das subclasses, com exceção daquelas fortemente influenciadas pelo fundo azul ou vermelho. O alto valor do fator de radiância do fundo branco utilizado ( >80%) influencia a medida da luminância da fruta, inserindo luz espalhada no sistema de medida, o que é menos percebido na avaliação da classe C6, que apresenta luminosidade maior que 80%. Desta forma, frutas mais escuras (no caso mais verdes) aparentam-se mais claras quando avaliadas com um fundo branco. 5. Resultados e discussões 167 5.3 Sistema de visão computacional (SVC) O Sistema de Visão Computacional (SVC) usado para análise das frutas foi o descrito no item 4.3 (Figuras. 4.12 e 5.50). Neste sistema, uma câmera digital modelo Nikon Powershot P5000, 10 Megapixel, foi posicionada de forma simétrica ao espectrocolorímetro PR650, em um ângulo também de 45º, no Laraf (Diopt/Inmetro). Fonte Câmera digital Espectro colorímetro Fruta Fig. 5.50: Sistema espectrocolorimétrico do Laraf com sistema de aquisição de imagem. 5.3.1 Calibração do sistema SVC Com o objetivo de avaliar a exatidão do sistema de aquisição, imagens foram adquiridas durante as medições realizadas utilizando os padrões colorimétricos brilhosos do conjunto Ceram DP01, conforme metodologia descrita no item 4.3.1. As fotos foram adquiridas usando o fundo de cor preta e a fonte F03 (semelhante ao iluminante D65). A partir das imagens das placas vermelha, verde e azul (Figura 5.27) foram calculadas as coordenadas de cromaticidade para verificação da exatidão da medição de cor por imagem, a partir de um programa desenvolvido em Matlab. Foram obtidos diretamente da imagem os valores de RGB, e plotados contra os valores medidos pelo PR650 no sistema espectrofotométrico. Pode-se observar a partir da figura 5.51 a não 5. Resultados e discussões 168 linearidade do sistema, fazendo-se necessário a correção dos valores para o sistema sRGB conforme descrito no item 4.3.1, para posterior calibração. Fig. 5.51: Resposta do SVC em relação às medidas do sistema espectrofotométrico. A partir dos valores de RGB não lineares obtidos diretamente da imagem foi realizada a transformação para o sistema sRGB. Os valores de sRGB foram transformados nos valores triestímulos XYZ da CIE e usando a equação 3.3 obtiveramse as coordenadas de cromaticidade das placas padrão colorimétricas a partir da imagem (Tabela 5.14), usando a fonte F03 e observador 2º. Tab. 5.14: Coordenadas de cromaticidade das placas coloridas obtidas pelo SVC. Placa Padrão Vermelho Verde Azul Itens PR650 F03 2º PR650 uc k=2 SVC F03 2º Erro SVC PR650 x 0,5798 0,0013 0,4722 -0,1076 y 0,3576 0,0016 0,3761 0,0185 Y% 8,41 1,43 38,12 29,7131 x 0,2861 0,0015 0,2894 0,0034 y 0,4989 0,0015 0,4288 -0,0701 Y% 21,43 1,36 79,97 58,5397 x 0,2168 0,0015 0,2445 0,0278 y 0,3151 0,0017 0,3259 0,0107 Y% 18,86 1,37 78,09 59,2281 5. Resultados e discussões 169 Os erros encontrados foram grandes devido à diferença na distribuição espectral dos sensores usados na câmera digital aos valores das funções de equalização de cor definidos pela CIE e usados no cálculo dos valores triestímulos XYZ. Desta forma, torna-se necessário fazer a calibração do sistema e a correção para que as distribuições espectrais dos sensores da câmera se igualem às funções de equalização de cor da CIE. A partir dos valores obtidos das coordenadas de cromaticidade no sistema espectrofotométrico para os três padrões, foi feita a transformação inversa dos valores triestímulos CIEXYZ 1931 para os valores R’G’B’ usando as equações 3.21 a 3.24, conforme descrito no item 3.5.1. Comparando os valores em RGB para os dois sistema (espectrofotométrico e SVC) pode-se determinar o erro da sensibilidade colorimétrica da câmera utilizada na aquisição da imagem e fazer a correção dos valores para porterior cálculo dos valores triestímulos XYZ (equações 3.18 a 3.20). Assim, a resposta espectral dos sensores CCD da câmera digital são equalizadas aos valores das funções de equalização de cor de CIE (CIE 1931) (Figura 5.52). Fig. 5.52: Valores XYZ do SVC após correção. Após a correção da sensibilidade colorimétrica da câmera digital, uma relação linear é obtida com uma boa correlação entre os valores CIEXYZ do sistema espectrocolorímetrico (PR650) e os valores XYZ obtidos da imagem. Desta forma, os 5. Resultados e discussões 170 valores de XYZ obtidos a partir da imagem digital deverão ser corrigidos a partir das correlações da equação 5.2. XPR650=0,98 XSVC YPR650=0,98 YSVC (5.2) ZPR650=0,98 ZSVC, onde XYZPR650 representam os valores corrigidos de XYZ obtidos no SVC. Usando a correção da equação 5.2, novos valores de coordenadas de cromaticidade foram calculados, conforme apresentados na tabela 5.15. Tab. 5.15: Coordenadas de cromaticidade obtidas a partir do SVC calibrado. Placa Padrão Vermelho Verde Azul Itens PR650 F03 2º PR650 uc k=2 SVC F03 2º erro SVC PR650 x 0,5798 0,0013 0,6072 0,0275 y 0,3576 0,0016 0,3564 -0,0012 Y% 8,41 1,43 6,45 -1,9608 x 0,2861 0,0015 0,2809 -0,0051 y 0,4989 0,0015 0,4896 -0,0093 Y% 21,43 1,36 21,95 0,5249 x 0,2168 0,0015 0,2226 0,0058 y 0,3151 0,0017 0,3083 -0,0069 Y% 18,86 1,37 21,42 2,5591 Os resultados obtidos são considerados satisfatórios, demonstrando a eficiência da correção realizada na sensibilidade colorimétrica da câmera digital a partir da medição dos padrões rastreados. Pior resultado foi obtido para a coordenada x na placa vermelha, que mesmo com a correção realizada apresenta um erro maior em relação ao outros desvios encontrados para as outras placas. Para melhor verificar a exatidão das medidas foi necessário estimar a incerteza da medida de cor a partir do sistema de visão computacional. A câmera adquire a imagem e partir desta são calculados os valores triestímulos XYZ e as coordenadas de cromaticidade CIExy 1931. As características 5. Resultados e discussões 171 que contribuem para a incerteza das coordenadas de cromaticidade são: incerteza do cálculo da coordenada, rastreabilidade e repetibilidade. d) Influência devido à incerteza do cálculo da coordenada - as incertezas das coordenadas de cromaticidade (x, y) será a incerteza do método de cálculo, que foi calculada a partir da exatidão das medidas em relação ao PR650. e) Influência devido à rastreabilidade - O valor considerado na incerteza devido à rastreabilidade foi a incerteza declarada no certificado NPL das placas padrão. f) Influência devido à repetibilidade - Para a análise da repetitividade, foram realizados cálculos da coordenadas de cromaticidade em três regiões diferentes na superfície da placa, para verificar a homogeneidade dos cálculos. Os valores de desvio padrão encontrados serão utilizados no cálculo de incerteza. As maiores incertezas estimadas para o sistema de medição de cor por imagem foram de Ux=0,0551 (vermelho), Uy=0,0187 (verde) e UY%=5,04% (azul), com um fator de abrangência de k=1,96. A partir da estimativa da incerteza compararam-se os valores das coordenadas calculadas aos valores medidos pelo sistema espectrofotométrico, para as três placas padrão do conjunto BCRA brilhoso, de forma a determinar o desvio entre os valores e o erro normalizado (Eq. 5.1) (Tabela 5.12). Tab. 5.16: Comparação entre o SVC e o sistema espectrofotométrico. Placa Padrão Vermelho Verde Azul Itens PR650 F03 2º PR650 uc k=2 SVC F03 2º SVC uc k=2 Desvio EN. x 0,5798 0,0013 0,6072 0,0551 0,0275 0,50 y 0,3576 0,0016 0,3564 0,0029 -0,0012 0,36 Y% 8,41 1,43 6,45 3,86 -1,96 0,48 x 0,2861 0,0015 0,2809 0,0106 -0,0051 0,48 y 0,4989 0,0015 0,4896 0,0187 -0,0093 0,50 Y% 21,43 1,36 21,95 2,86 0,52 0,17 x 0,2168 0,0015 0,2226 0,0120 0,0058 0,48 y 0,3151 0,0017 0,3083 0,0139 -0,0069 0,49 Y% 18,86 1,37 21,42 5,04 2,56 0,49 5. Resultados e discussões 172 Pode-se verificar que todas as medidas tiveram os erros normalizados satisfatórios (EN<1). Confirmando a exatidão do sistema com rastreabilidade nas placas calibradas, pode-se agora calcular a cor das frutas medidas no SVC com confiabilidade. 5.3.2 Análise da cor da casca da banana por análise de imagem Conforme descrito no item 4.3.2 da metodologia, imagens foram adquiridas das bananas durante todas as etapas de execução do projeto. Após cada medida realizada pelo espectrocolorímetro PR650, uma foto foi tirada da fruta para posterior análise e determinação da cor, e posterior caracterização da subclasse de amadurecimento. As fotos utilizadas são as obtidas sob a fonte F03, com a qual o SVC foi validado (Tabela 5.17). A partir da foto adquirida para cada fruta, em cada subclasse de amadurecimento, foram calculados, a partir do programa de análise de imagem desenvolvido em Matlab, “calc_cor_im”, as coordenadas CIELAB para posterior correlação com a subclasse de amadurecimento. As coordenadas CIELAB do SVC foram comparadas com as calculadas no sistema espectrofotométrico e a diferença de cor E* (Eq. 3.5) foi calculada. Comparando os dois sistemas, verifica-se uma grande diferença de cor para algumas subclasses de amadurecimento. Estas diferenças podem ser atribuídas à maior influência da iluminação no SVC do que na medida do PR650 visto que a imagem avalia a cor como um todo e o PR650 mede a cor em apenas um ponto central do objeto. Cabe ressaltar que esta fonte apresenta uma tendência para a cor verde, comum para altos valores de TCC. Esta diferença pode ser percebida nas fotos na tabela 5.17, onde se verifica visualmente que as bananas estão mais esverdeadas. Mais uma vez cabe ressaltar a importância da iluminação na aquisição da imagem e avaliação da cor, principalmente em sistemas onde a reprodução ou comparação de padrões de cor são requeridas. 5. Resultados e discussões 173 PR650 Bananas SVC E* L* a* b* L* a* b* 47,9 -19,0 37,1 54,1 -26,5 36,7 10 51,4 -15,8 38,3 54,5 -18,4 30,9 8 48,7 -15,8 38,0 55,9 -12,3 20,9 19 69,6 -5,9 47,9 50,3 2,3 8,3 45 69,4 -3,4 59,3 58,4 4,1 10,1 51 81,6 0,7 48,1 54,0 5,8 5,6 51 56,7 8,8 47,5 54,6 1,5 24,6 24 C1_F03_ preto C2_F03_ preto C3_F03_ preto C4_F03_ preto C5_F03_ preto C6_F03_ preto C7_F03_ preto Tab. 5.17: Resultado de CIELAB das bananas sob a fonte F03 e sobre o fundo preto. Capítulo 6 Conclusões e trabalhos futuros 6.1. Conclusões A necessidade de padronização e melhoria da qualidade dos produtos tem aumentado enormemente no setor da fruticultura devido ao grande crescimento das exportações. Muitos países utilizam normas para classificação, rotulagem e embalagem a fim de padronizar a qualidade dos produtos comercializados e atender as exigências do consumidor. A classificação da fruta engloba vários parâmetros, tais como, estádio do amadurecimento, quantidade, tamanho, etc. Conforme definido no capítulo 1, o objetivo desta tese foi definir uma nova metodologia de ensaio não destrutivo utilizando técnicas de colorimetria e visão computacional para caracterização de cor, considerando aspectos importantes, tais como os efeitos da iluminação, características do ambiente, tipos de iluminantes, observadores, etc., além da 174 rastreabilidade das medidas. 6. Conclusões e trabalhos futuros 175 De forma a atender ao objetivo proposto, a banana foi escolhida como estudo de caso nesta pesquisa, e como resultado, uma nova metodologia foi desenvolvida para caracterização das etapas de amadurecimento da banana a partir de análise colorimétrica. Esta tese apresenta um novo indicador para as etapas de amadurecimento da banana a partir de análises colorimétricas possibilitando a padronização do processo de classificação. Os resultados do acompanhamento diário da evolução da cor e da radiância espectral da casca da banana ‘Prata’ brasileira (Musa sapientum AAB) durante as sete classes da escala de maturação de Von Loesecke foram apresentados. A partir destas análises foi estabelecido o RCI (Ripening Color Index), índice prático para a classificação de bananas baseado no sistema CIELAB. O índice RCI para a banana ‘Prata’ varia de 140 a 300, e cada subclasse de amadurecimento teve seus limites definidos, permitindo uma direta correlação com a classificação de Von Loesecke. Os resultados mostram que um índice científico é uma alternativa viável para ser usada no empacotamento, evitando eventuais erros humanos. A mesma abordagem pode ser desenvolvida para outros cultivares e frutas. A tese também compara o uso de nove diferentes lâmpadas comerciais (incandescente, fluorescente e led) na classificação do amadurecimento da banana (subclasses C1 a C7 de Von Loesecke). Durante a análise verificou-se que a coordenada de cromaticidade a* do sistema CIELAB foi fortemente influenciada com o uso de diferentes fontes no sistema de iluminação. Diferenças de cor foram percebidas visualmente quando observada uma mesma subclasse de amadurecimento com diferentes lâmpadas. Uma aparência mais verde foi percebida com o uso de lâmpadas com maiores CCT e uma aparência mais amarela foi percebida com lâmpadas com menores CCT, influenciando a classificação durante a embalagem. 6. Conclusões e trabalhos futuros 176 Independente da compatibilidade dos resultados entre algumas lâmpadas, nada impede que as demais possam ser usadas em análise visual, desde que sejam convencionadas como padrão para os sistemas de medição e classificação, de forma que os sistemas de análise visual tenham os sistemas de iluminação padronizados entre si ou tenham suas especificações claramente identificadas. Grandes diferenças de cor foram encontradas quando comparada a mesma subclasse de amadurecimento com diferentes fontes. As diferenças apresentadas justificam a necessidade de maior preocupação quanto ao sistema de iluminação empregado nas salas de classificação da banana, assim como com as demais frutas e alimentos em geral. Além de diferentes fontes, esta tese também comparou o uso de seis diferentes cores de fundo (preto, azul, verde, vermelho, cinza e branco) na classificação do amadurecimento da banana (subclasses C1 a C7 de Von Loesecke). Durante a análise verificou-se que a claridade L* do fundo influencia diretamente a análise da cor da banana aumentando a diferença de cor E* quando analisada com diferentes cores de fundo. O fundo azul e o vermelho também influenciaram a avaliação das subclasses de amadurecimento, principalmente para as classes C1 e C5. Diferenças de cor foram percebidas visualmente quando observada uma mesma subclasse de amadurecimento com diferentes cores de fundo, influenciando erroneamente a classificação durante a embalagem. Faz-se, portanto, necessário um maior cuidado na escolha e padronização da cor do fundo nas bancadas ou esteiras utilizadas nos sistemas de inspeção visual para classificação de frutas para comercialização. Um programa computacional foi desenvolvido para medição de cor por imagem, e uma metodologia de calibração de um sistema de visão computacional para análise de 6. Conclusões e trabalhos futuros cor foi descrita. A técnica de visão computacional foi usada devido à praticidade das medições e por proporcionar uma medição global da amostra analisada, diferente do que ocorre com equipamentos de medição de cor que medem pontualmente. Foi realizada também a análise da exatidão dos dois sistemas espectrofotométricos utilizados na pesquisa, e a partir dos resultados obtidos é possível afirmar que estes sistemas apresentam confiabilidade nos resultados. Para seguir a metodologia proposta no desenvolvimento desta tese alguns itens importantes devem ser considerados como recomendação para sistemas de classificação de cultivares, podendo ser aplicados para outros produtos: 1 – Definir o sistema de iluminação a ser usado para avaliar as subclasses de amadurecimento do fruto. Verificou-se que para uma análise visual, quanto maior o IRC da lâmpada, melhor será a percepção da cor. Para o sistema atual de cálculo do IRC, as lâmpadas incandescentes apresentam maiores IRC, porém estas lâmpadas estão em desuso devido ao seu alto consumo de energia. Desta forma, buscam-se novas lâmpadas com alto IRC para melhor desempenho de um sistema de análise visual. A fonte F05 demonstrou ser uma boa opção. 2 - Definir a cor do fundo a ser usado para avaliar as subclasses de amadurecimento do fruto. Verificou-se que para uma análise visual, quanto maior a claridade do fundo, maior a influencia deste na percepção da cor do objeto. Quanto mais neutro o fundo, menor será a influência deste na análise da cor, deste que a luminância não tenha valores próximos a do objeto a ser avaliado. O fundo preto demonstrou ser uma boa opção. Com base na pesquisa desenvolvida, faz-se importante ressaltar a relevância da padronização da avaliação de amadurecimento de frutos, devido à diversidade adotada dentre os diferentes países exportadores deste setor, como forma de garantir a qualidade 177 6. Conclusões e trabalhos futuros do produto final. A metodologia proposta pode ser reproduzida para outros cultivares de banana e diferentes frutas. Em resumo a tese propõe: um novo indicador de amadurecimento nomeado RCI_banana, um programa computacional para cálculo da cor a partir da imagem; um metodologia de calibração e análise de incerteza para o cálculo da cor a partir da imagem. 6.2. Trabalhos Publicados Durante o desenvolvimento desta pesquisa, alguns trabalhos técnicos foram publicados, tanto em eventos nacionais quanto em periódicos internacionais, conforme listado abaixo: 1. Gomes J. F. S., Vieira R. R., Grieneisen H. P. H., Caracterização do Sistema Espectrocolorimétrico do Inmetro, Anais do V Congresso Brasileiro de Metrologia – 9 a 13 de Novembro de 2008, Salvador, Bahia – Brasil. 2. Gomes J. F. S., Costa C. L. M., Grieneisen H. P. H., Avaliação da resposta espectral de um colorímetro de filtro, Anais do V Congresso Brasileiro de Metrologia – 9 a 13 de Novembro de 2008, Salvador, Bahia – Brasil. 3. Gomes J. F. S., Vieira R. R., Grieneisen H. P. H., Avaliação do desempenho de um colorímetro de filtro, Anais do Enqualab 2009 – Encontro para a Qualidade de Laboratórios, 1 a 4 junho 2009, São Paulo, SP. 4. Gomes J. F. S., Vieira R. R., Grieneisen H. P. H., Desempenho de colorímetros: emprego dos padrões de Referência, Anais do 11º Congresso Internacional de Tintas, 23 a 25 setembro 2009, São Paulo, SP. 5. Delfino A., Leta F. R., Gomes J. F. S., Costa P. B., Caracterização da escala de maturação de bananas utilizando técnicas de processamento e análise de imagens 178 6. Conclusões e trabalhos futuros digitais, Anais do VI Congresso Nacional de Engenharia Mecânica (Conem), 18 a 21 de agosto de 2010, Campina Grande, Paraíba, Brasil. 6. Gomes J. F. S., de Souza M. A., da Silva E. M., Guedes M. B., Costa C. L. M., Alves L. C., Alvarenga A. D., Grieneisen H. P. H., Método do colorímetro ASTM – A importância da Metrologia, Apresentação oral no 4º Seminário de Laboratório do IBP, 16 e 17 de maio de 2012, Rio de Janeiro, RJ, Brasil. 7. Gomes J. F. S. & Leta F. R., Applications of computer vision techniques in the agriculture and food industry: a review, Publicação na revista European Food Research and Technology, European Food Research and Technology, 235 (2012), 989-1000, DOI 10.1007/s00217-012-1844-2. 8. Gomes J. F. S., Vieira R. R., Leta F. R., Padronização da etapa de seleção e classificação de frutas, Apresentação oral no XXII Congresso Brasileiro de Fruticultura, 22 a 26 de outubro de 2012, Bento Gonçalves, RS, Brasil. 9. Gomes J. F. S. e Leta F. R., Aplicação da visão computacional na etapa de seleção e classificação de frutas, Apresentação oral no XXII Congresso Brasileiro de Fruticultura, 22 a 26 de outubro de 2012, Bento Gonçalves, RS, Brasil. 10. Gomes J. F. S., Vieira R. R., Leta F. R., Colorimetric indicator for classification of bananas during ripening, Scientia Horticulturae, 150 (2013), 201-205, DOI 10.1016/j.scienta.2012.11.014. 6.3. Trabalhos Futuros Com o objetivo de dar continuidade à pesquisa desenvolvida neste doutorado, algumas sugestões de trabalhos futuros podem ser destacadas: Análise da influencia do posicionamento/curvatura da banana na medida da cor. Análise de outros cultivares de banana e outras frutas para verificar a abrangência do indicador RCI proposto. 179 6. Conclusões e trabalhos futuros Análise das lâmpadas comerciais consideradas daylight disponíveis no comércio quando as suas características de CCT e IRC e distribuição espectral. Emprego de um maior número de padrões de cor para a calibração do sistema de visão computacional, de forma a verificar outros comprimentos de onda de sensibilidade do sensor da câmera digital. Desenvolvimento de um sistema de aquisição de imagem com o grupo de visão computacional do LMDC da UFF. 180 Capítulo 7 Bibliografia Abanorte - Associação Central dos Fruticultores do Norte de Minas, site http://www.abanorte.com.br, acessado em 01 de julho de 2010. Abdullah M. Z., Saleh J. M., Fathinul-Syahir A. S., Mohd-Azemi B. M. N. Discrimination and classification of fresh-cut starfruits (Averrhoacarambola L.) using automated machine vision system, Journal of Food Engineering, 76: 506–523 (2006). ABNT ISO GUIA 43:1999 partes 1, Ensaios de Proficiência por Comparações Interlaboratoriais Desenvolvimento e Operação de Programas de Ensaios de Proficiência. ABNT NBR 5461, 1980, Iluminação, Cancelada em 29/12/1991. Ahmad S., Thompson A.K., Hafiz I. A., Asi A. A.. Effect of temperature on the ripening behavior and quality of banana fruit. International Journal of Agriculture & Biology, 3: 224-227 (2001). Amarasinghe D. I., Sonnadara D. U. J.. Surface colour variation of Papaya fruits with maturity, Proceedings of the Technical Sessions, 25 (2009) 21-28, Institute of Physics – Sri Lanka. 181 Bibliografia 182 Amri A., Kobayashi T., Nagatomi S., Tallada J., Gejima Y., Nagata M.. Color analysis of carrots and lemons by using spectrophotometer. Bulletin of the Faculty of Agriculture, University of Miyazaki, 50: 1-2, 49-44 (2004). Apex-Brasil - Agência de Promoção de Exportações e Investimentos, site www.apexbrasil.com.br, acessado em 01 de julho de 2010. ASTM E2214:2008 - Standard Practice for Specifying and Verifying the Performance of Color-Measuring Instruments. ASTM E284:2012 - Standard Terminology of Appearance. Atencio P., Sanchez T., Germán B., William J.. Automatic visual model for classification and measurement of quality of fruit: case Mangifera indica L, Dyna, 176: 317-326 (2009). Avaliação de dados de medição - Guia para a expressão de incerteza de medição – GUM 2008. Tradução da 1ª edição de 2008 da publicação Evaluation of measurement data - Guide to the expression of uncertainty in measurement – GUM 2008, do BIPM. Duque de Caxias - RJ, 2012. Publicado pelo Inmetro. Disponível em: http://www.inmetro.gov.br/infotec/publicacoes/gum_final.pdf. Bennedsen B. S. e Peterson D. L.. Performance of a system for apple surface defect identification in near infrared images. Biosystems Engineering, 90: 419–431(2005b). Bennedsen B. S., Peterson D. L., Tabb A.. Identifying defects in images of rotating apples. Computers and Electronics in Agriculture, 48: 92–102 (2005a). Bially A. el, El-Ganainy M.M., Al-kamel A.. Color Rendering – Uncertainty. Australian Journal of Basic and Applied Sciences, 4(10): 4601-4608 (2010). BIPM - Bureau Internacional de Pesos e Medidas, site http://www.bipm.org, acessado em 01 de julho de 2010. Blasco J., Aleixos N., Gomez J., Molto E.. Citrus sorting by identification of the most common defects using multispectral computer vision. Journal of Food Engineering, 83: 384–393, 2007b. Bibliografia Blasco J., Aleixos N., Gomez-Sanchis J., Molto E.. Recognition and classification of 183 external skin damage in citrus fruits using multispectral data and morphological features. Biosystems Engineering, 103: 137–145, 2009a. Blasco J., Aleixos N., Molto E.. Computer vision detection of peel defects in citrus by means of a region oriented segmentation algorithm. Journal of Food Engineering, 81(3): 535–543, 2007a. Blasco J., Aleixos N., Molto E.. Machine Vision System for Automatic Quality Grading of Fruit. Biosystems Engineering, 85 (4): 415–423, 2003. Blasco J., Cubero, S., Gomez-Sanchıs J., Mira P., Molto E.. Development of a machine for the automatic sorting of pomegranate (Punicagranatum) arils based on computer vision. Journal of Food Engineering, 90: 27–34 (2009b). Blasco J.,Cubero-García S., Alegre-Sosa S., Gómez-Sanchís J., López-Rubira V., Moltó E.. Short communication. Automatic inspection of the pomegranate (Punicagranatum L.) arils quality by means of computer vision. Spanish Journal of Agricultural Engineering, 6 (1): 12–16 (2008). Camelo A. F. L. e Gomez P. A.. Comparison of colour indexes for tomato Ripening. Horticultura Brasileira, Brasilia, 22, 534-537 (2004). CEAGESP, PBMH & PIF – Programa Brasileiro para a Modernização da Horticultura & Produção Integrada de Frutas, Normas de Classificação de Banana, São Paulo, CEAGESP, 2006 (Documentos, 29). Chen C. R. e Ramaswamy H. S.. Color and texture change kinetics in ripening bananas, Lebensm.Wiss. U. Technol., 35, 415–419 (2002). Chitarra M. I. F. e Chitarra A. B.. Pós-colheita de frutas e hortaliças – Fisiologia e Manuseio. Editora UFLA, 2005. Choi K., Lee G., Han Y.J., Bunn J.M.. Tomato maturity evaluation using colour image analysis. Transactions of the American Society of Agricultural Engineers, 38 (1): 171– 176 (1995). Bibliografia 184 CIE 13.3:1995; Method of Measuring and Specifying colour rendering properties of light sources. CIE 15.3:2004; Colorimetry; Publicação CIE. CIE 17.4:1987; International Lighting Vocabulary; Publicação CIE. Coleman W. K.. Comparative performance of the L* a* b* colour space and North American colour charts for determining chipping quality in tubers of potato (Solanumtuberosum L.). Canadian Journal of Plant Science, 84: 291–298 (2004). Conci A., Azevedo E., Leta F. R. Computação Gráfica – Teoria e Prática, Volume 2, 2008, Editora Campus, Elsevier. Delfino A., Leta F. R., Gomes J. F. S., Costa P. B.. Caracterização da escala de maturação de bananas utilizando técnicas de processamento e análise de imagens digitais, VI Congresso Nacional de Engenharia Mecânica (Conem), 18 a 21 de agosto de 2010, Campina Grande, Paraíba, Brasil. Ditchfield C. e Tadini C. C.. Acompanhamento do processo de amadurecimento da banana nanicão (Musa cavendishii Lamb.). XVIII Congresso Brasileiro de Ciência e Tecnologia de Alimentos, Porto Alegre, RS, Brasil (2002). Embrapa - Empresa Brasileira de Pesquisa Agropecuária, site http://www.cpact.embrapa.br, acessado em 14 de abril de 2010. Embrapa, A Cultura da Banana, Coleção Plantar, Embrapa Informação Tecnológica, 3ª. Edição, 2006. Embrapa, Banana Pós-Colheita, Coleção Frutas do Brasil, Embrapa Informação Tecnológica, 1ª. Edição, 2001. Expressão da Incerteza de Medição na Calibração: versão brasileira da publicação EA-4/02 – Expression of the Uncertainty of Measurement in Calibration. Rio de Janeiro: Inmetro, ABNT, SBM, 1999. Disponível http://repositorios.inmetro.gov.br/bitstream/10926/771/1/EA-4_02-S1.pdf. em: Bibliografia Feriotti D. G.. Proposta de aproveitamento do pseudocaule da bananeira, Dissertação 185 de Mestrado em Engenharia de Processos Químicos e Bioquímicos, Instituto Mauá de Tecnologia, São Caetano do Sul, Brasil, 2010. García F. L., García G. A., Blasco J, Aleixos N, Valiente J. M.. Automatic detection of skin defects in citrus fruits using a multivariate image analysis approach. Computers and Electronics in Agriculture, 71: 189–197, 2010. Gardner J. L.. Correlated Colour Temperature - uncertainty and estimation. Metrologia 2000, 37: 381-384 (2000b). Gardner J. L.. Uncertainties in Colour Measurements; NMI TR 8, 1 ed., agosto 2005. Gardner J. L… Uncertainty Estimation in Colour Measurement. Color Research and application, 25: 5 (2000a). Gattass M., 2002, Introdução a cor, site: http://www.vision.ime.usp.br, visitado em outubro de 2012. GE iluminação, site http://www.gelampadas.com.br, acessado em 01 de julho de 2010. Gomes J. F. S. e Leta F. R.. Applications of computer vision techniques in the agriculture and food industry: a review. European Food Research and Technology, 235: 989-1000, 2012. Gomes J. F. S., Vieira R. R., Grieneisen H. P. H.. Desempenho de Colorímetros: Emprego dos Padrões de Referência. Proceeding 11ºCongresso Internacional de Tintas, 23 a 25 setembro de 2009, São Paulo, SP. Gomez J., Blasco J., Molto E. e Camps-Valls G.. Hyperspectral detection of citrus damage with a Mahalanobis kernel classifier. Electronic Letters, 43: 1082–1084, 2007. Gomez-Sanchis J., Molto E., Camps-Valls G., Gomez-Chova L., Aleixos N. e Blasco J.. Automatic correction of the effects of the light source on spherical objects. An application to the analysis of hyperspectral images of citrus fruits. Journal of Food Engineering, 85: 191–200, 2008. Hunter R. S. The measurement of appearance, 1975, Wiley-Intercience Publication. Bibliografia 186 ICC, 2004, White Paper #5, Glossary of terms. IEC – International Electrotechical Commission, 2011, Three-digit-code for designation of colour rendering and correlated colour temperature, IEC/TR 62732:2012(E). Imatic, Sistemas Industriais de Visão, site http://www.imatic.com.br/, acessado em junho de 2010. Inmetro – Instituto Nacional de Metrologia, e Qualidade e Tecnologia, site http://www.inmetro.gov.br/, acessado em 14 de abril de 2010. International Electrotechnical Commission (IEC), através da norma IEC 61966-2-1 ISO GUM, Avaliação de dados de medição - Guia para a expressão de incerteza de medição – GUM 2008. Tradução da 1ª edição de 2008 da publicação Evaluation of measurement data - Guide to the expression of uncertainty in measurement – GUM 2008, do BIPM. Duque de Caxias - RJ, 2012. Publicado pelo Inmetro. Disponível em http://www.inmetro.gov.br/infotec/publicacoes/gum_final.pdf . Jahns G., Nielsen H. M. e Paul W. Measuring image analysis attributes and modelling fuzzy consumer aspects for tomato quality grading. Computers and Electronics in Agriculture, 31: 17-29 (2001). Jarimopas B. e Jaisin N.. An experimental machine vision system for sorting sweet tamarind, Journal of Food Engineering 89: 291–297 (2008). Kang S. P., East A. R., Trujillo F. J.. Colour vision system evaluation of bicolourfruit: A case study with ‘B74’ mango. Postharvest Biology and Technology, 49: 77–85 (2008). Kavdir I. e Guyer D. E.. Evaluation of different pattern recognition techniques for apple sorting. Biosystems Engineering, 99: 211–219, 2008. Kleynen O., Leemans V., Destain M. F.. Development of a multispectral vision system for the detection of defects on apples. Journal of Food Engineering, 69: 41–49 (2005). Bibliografia 187 Kondo N., Ahmad U., Monta M., Murase H.. Machine vision based quality evaluation of Iyokan orange fruit using neural networks. Computers and Electronics in Agriculture, 29: 135-147, 2000. Lana M. M., Tijskens L. M. M., Theije A, Hogenkamp M., van Kooten O.. Assessment of changes in optical properties of fresh-cut tomato using video image analysis, Postharvest Biology and Technology, 41: 296-306 (2006b). Lana M. M., Tijskens L. M. M., van Kooten O.. Modelling RGB colour aspects and translucency of fresh-cut tomatoes, Postharvest Biology and Technology, 40: 15-25 (2006a). LDP LLC, http://www.maxmax.com/, site acessadoem 10 de outubro de 2012. Lee D.J., Archibald J. K., Chang Y. C., Greco C. R.. Robust color space conversion and color distribution analysis techniques for date maturity evaluation. Journal of Food Engineering, 88: 364–372 (2008). Leemans V., Magein H., Destain M. F.. Defects segmentation on ‘Golden Delicious’ apples by using colour machine vision. Computers and Electronics in Agriculture, 20: 117-130 (2010). Li Q., Wang M., Gu W.. Computer vision based system for apple surface defect detection. Computers and Electronics in Agriculture 36: 215-223, 2002. Lii C. Y., Chang S. M., Young Y. L.. Investigation of the physical and chemical properties of banana starches, Journal of Food Science, 47: 1493-1497 (1982). Liming X. e Yanchao Z.. Automated strawberry grading system based on image processing. Computers and Electronics in Agriculture, 71S: S32–S39 (2010). Lino A. C. L., Sanches J., Fabbro I. M. D.. Image processing techniques for lemons and tomatoes classification, Bragantia, Campinas, v.67, n.3, 785-789 (2008). Louro A. H. F., Mendonça M. M., Gonzaga A.. Classificação de tomates utilizando redes neurais artificiais, WVC2006, II Workshop de Visão Computacional, São Carlos, SP, 2006. Bibliografia Madieta E.. Apple color measurements. Some metrological approaches. ActaHort, 599; 188 337-342 (2003). MDIC – Ministério do Desenvolvimento, Indústria e Comércio Exterior, site http://www.desenvolvimento.gov.br/, acessado em 15 de outubro de 2012. Mendoza F. e Aguilera J. M.. Application of image analysis for classification of ripening bananas. Journal of Food Science, 69(9): 471–477 (2004). Mendoza F., Dejmek P., Aguilera J. M..Calibrated colour measurements of agricultural products using image analysis. Postharvest Biology and Technology, 41: 285–295 (2006). Mohan L. A., Karunakaran C., Jayas D.S., White N.D.G.. Classification of bulk cereals using visible and NIR reflectance characteristics. Canadian Biosystems Engineering, 47:7.7 – 7.14 (2005). Moneruzzaman K.M., Hossain A.B.M.S., Sani W., Saifuddin M.. Effect of stages of maturity and ripening conditions on the physical characteristics of tomato. American Journal of Biochemistry and Biotechnology, 4: 329-335 (2008). Moretti, C. L.. Processamento mínimo de hortaliças: tendências e desafios. Horticultura Brasileira, Brasília, v.19, n.2, p.172, 2001. Morita K., Shiga T., Taharazako S.. Evaluation of change in quality of ripening bananas using light reflectance technique. Mem. Fac. Agr. Kagoshima Univ, 28: 125-134 (1992). Nagata M., Tallada J., Ishino F., Gejima Y., Kai S.. Estimation of tomato ripening stages using three color models. Bulletin of the faculty of Agriculture, University of Miyazaki, 50: 1-2, 65-71 (2004). Novicki J. M. e Martinez R. Leds para Iluminação Pública. Projeto de final do curso de Engenharia Elétrica da Universidade do Paraná, 2008. Ohno Y.. CIE Fundamental for Color Measurements. IS&T NIP16 Conference, Vancouver, Canadá, 2000. Bibliografia 189 Omid M., Khojastehnazhand M., Tabatabaeefar A.. Estimating volume and mass of citrus fruits by image processing technique. Journal of Food Engineering, 100: 315– 321, 2010. Philips, 1981, Manual de Iluminação, Impresso na Holanda pela Philips. Philips, site http://www.philips.com.br, acessado em 01 de julho de 2010. Polder G., van der Heijden G. W. A. M. e Young I. T.. Tomato sorting using independent component analysis on spectral images, Real-Time Imaging, 9: 253–259 (2003). Quevedo R., Mendoza F., Aguilera J. M., Chanona J., Gutierrez-Lopez G.. Determination of senescent spotting in banana (Musa cavendish) using fractal texture Fourier image. Journal of Food Engineering, 84: 509–515 (2008). Ramalho G. L. B. e Medeiros F. N. S.. Um sistema de inspeção visual automática aplicado à classificação e seleção de laranjas. Anais do IV Congresso Brasileiro da Sociedade Brasileira de Informática Aplicada à Agropecuária e à Agroindústria, 2003. Rashidi M., Seyfi K.. Determination dof Kiwifruit volume using image processing, World Applied Sciences Journal, 3, 184-190 (2008). Riquelme M. T., Barreiro P., Ruiz-Altisent M., Valero C.. Olive classification according to external damage using image analysis, Journal of Food Engineering, 87: 371–379 (2008). Rizam M. S. B. S., Yasmin A. R. F., Ihsan M. Y. A., Shazana K.. Non-destructive watermelon ripeness determination using image processing and artificial neural network (ANN). International Journal of Computer Systems Science and Engineering, 4: 130134 (2009). RTC-Lacoe-002 - Relatório Técnico de Caracterização do Sistema de Colorimetria e Calibração do Espectrocolorímetro PR650 – Estimativa da Incerteza da Medição, de 05 de maio de 2010. RTC-Lacoe-003 - Relatório Técnico de Caracterização do Sistema de Temperatura de Cor Correlata – Estimativa da Incerteza da Medição, de 01 de junho de 2010. Bibliografia 190 RTC-Lacoe-015 - Implementação do Sistema de Medição de IRC, de 04 de junho de 2012. Salvador A., Sanz T., Fiszman S. M. Changes in colour and texture and their relationship with eating quality during storage of two different dessert bananas. Postharvest Biology and Technology, 43: 319–325 (2007). Santos J. L. V., Martins D. R., Vitorazi L., Resende E. D.. Avaliação da escala de cor da casca do mamão (CaricaPapaya L.) por análise de imagem, XX Congresso Brasileiro de Fruticultura, 54th Annual Meeting oftheInteramericanSociety for Tropical Horticulture, Vitória, ES, 2008. Shanda J. Colorimetry – Understanding the CIE System; Wiley Interscience; 2007. Silva T. V., Resende E. D., Viana A. P., Pereira S. M. F., Lanamar A. C., Vitorazi L.. Determinação da escala de coloração da casca e do rendimento em suco do maracujáamarelo em diferentes épocas de colheita, Revista Brasileira de Fruticultura, Jaboticabal - SP, v. 30, 880-884 (2008). Simões, A. S., Costa, A. H. R.. Classificação de laranjas baseada em padrões visuais, Simpósio Brasileiro de Automação Inteligente, pp 77-81, 2003. Sirisathitkul Y., Thumpen N., Puangtong W.. Automated Chokun Orange Maturity Sorting by Color Grading, Walailak J Sci& Tech, 3: 195-205 (2006). Sistema Internacional de Unidades - SI – 1ª Edição Brasileira da publicação Le Système international d’unités - The International System of Units 8. ed. 2006, do BIPM. Duque de Caxias - RJ, 2012. Publicado pelo Inmetro. Disponível em: http://www.inmetro.gov.br/infotec/publicacoes/si_versao_final.pdf. Smartphones, Guia Prático, site www.hardware.com.br/livros/smartphones, visitado em 10 de outubro de 2012. Stajnko D. e Emelik Z.. Modelling of apple fruit growth by application of image analysis. Agriculturae Conspectus Scientificus, 70: 59–64, 2005. Bibliografia 191 Stajnko D., Lakota M., Hocevar M.. Estimation of number and diameter of apple fruits in an orchard during the growing season by thermal imaging. Computers and Electronics in Agriculture, 42: 31–42, 2004. Stokes M., Anderson M., Chandrasekar S., Motta R.. A standard default color space for the internet—sRGB, Version 1.10. International Color Consortium (ICC), 1899 Preston White Drive, Reston, VA, November 5, 1996. Tepić A. N., Vujičić B. L. Colour change in pepper (Capsicum Annuum) during storage, APTEFF, 35: 1-280 (2004). Tezuka E. S., Herrmann P. S. P., Cruviel P. E.. Desenvolvimento de um modelo de visão computacional para inferência da qualidade de frutas. XI Encontro de Modelagem Computacional, 2008, Volta Redonda, RJ. Throop J.A., Aneshansley D.J., Anger W.C., Peterson D.L.. Quality evaluation of apples based on surface defects of an automated inspection system. Postharvest Biology and Technology, 36: 281–290 (2005). Unay D. e Gosselin B.. Stem and calyx recognition on ‘Jonagold’ apples by pattern recognition. Journal of Food Engineering, 78: 597–605 (2007). Unay, D. e Gosselin, B.. Automatic defect segmentation of ‘Jonagold’ apples on multispectral images: a comparative study. Postharvest Biology and Technology, 42: 271– 279, 2006. Vermeir S., Hertog M. L. A. T. M., Vankerschaver K., Swennen R., Nicolaı B. M., Lammertyn J.. Instrumental based flavor characterisation of banana fruit. LWT - Food Science and Technology, 42: 1647–1653 (2009). VIM 2012 – Vocabulário Internacional de Metrologia - Conceitos Fundamentais e Gerais e Termos Associados – 1ª edição Luso-Brasileira - 2012. Tradução da publicação International Vocabulary of Metrology – Basic and general concepts and associated terms – JCGM 200:2012. Inmetro - Portaria n.º 232, de 08 de maio de 2012. Disponível em: http://www.inmetro.gov.br/infotec/publicacoes/vim_2012.pdf. Bibliografia 192 Werner S. S., Coelho S. R. M., Poncio A. P., Ferreira L.. Utilização de imagens digitais para avaliação da coloração de banana prata submetida a diferentes tratamentos póscolheita. Seminário de Ciências Agrárias, Londrina, v. 30, n. 2, p. 381-388 (2009). Wikipedia, site http://pt.wikipedia.org/wiki, “Teoria das cores”, acessado em 21 de abril de 2010. Wyszecki G. e Stiles W.S.. Color Science: Concepts and Methods, Quantitative Data and Formulae, 1982, Second Edition. Xiao-bo Z., Jie-wen Z., Yanxiao L., Holmes M.. In-line detection of apple defects using three color cameras system. Computers and Electronics in Agriculture, 70: 129–134, 2010. Xing J., Saeys W., Baerdemaeker J. Combination of chemometric tools and image processing for bruise detection on apples. Computers and Electronics in Agriculture, 56: 1–13 (2007). Yimyam P., Chalidabhongse T., Sirisomboon P., Boonmung S. Physical properties analysis of mango using computer vision. In Proceedings of International Conference on Control, Automation and Systems (ICCAS’05) (June 2-5), Korea, 2005. Zhang P., Whistler R. L., BeMiller J. N., Hamaker B. R.. Banana starch: production, physicochemical properties, and digestibility—a review. Carbohydrate Polymers, 59: 443–458 (2005). Zheng, C., Sun, D., Zheng, L.. Recent developments and applications of image features for food quality evaluation and inspection – a review, Trends in Food Science and Technology, 17: 642-655, 2006. Zhu B., Jiang L., Luo Y. e Tao Y.. Gabor feature based apple quality inspection using kernel principal component analysis. Journal of Food Engineering, 81: 741–749, 2007. Zou X. B., Zhao J. W., Li Y. X.. Apple color grading based on organization feature parameters. Pattern Recognition Letters, 28:2046–2053, 2007. Zou X. e Zhao J.. On-line detecting size and color of fruit by fusing information from images of three color camera systems. Computer and Computing Technologies in Agriculture II, 2: 1087–1095, 2009. Eds. D. Li, Z. Chunjiang, (Boston: Springer). APÊNDICE A Glossário A.1 Glossário de alguns termos importantes em colorimetria Neste apêndice é apresentada a tradução de inglês para o português, e do português para o inglês, em ordem alfabética, de alguns termos importantes empregados na área de colorimetria e aparência de cor, de forma a complementar a teoria apresentada e discutida no capítulo 3 e utilizada neste documento, visando padronizar alguns termos empregados nesta área, além de servir de base para futuras publicações sobre o assunto. 193 Apêndice A – Glossário 194 Inglês - Português Absorbance or Transmittance (optical) density - Absorbância ou Densidade (óptica) de transmitância (A) Absorptance - Absortância ( ) Absorption - Absorção Angle of illumination - Ângulo de iluminação Angle of view - Ângulo de observação Appearance - Aparência Bright - Luminoso Brightness (luminosity – obsolete) - Luminosidade Brilliance (point) - Brilhância pontual (Ev, E) Chroma - Croma Chromaticity - Cromaticidade Chromaticity coordinates - Coordenadas de cromaticidade Chromaticity diagram - Diagrama de cromaticidade Chromaticness, colourfulness – Cromatismo CIE 1931 standard colorimetric observer - Observador colorimétrico padrão CIE 1931 CIE 1964 supplementary standard colorimetric observer - Observador colorimétrico padrão suplementar CIE 1964 CIE 1974 especial colour rendering index - Índice especial de reprodução de cor CIE 1974 (Ri) CIE 1974 general colour rendering index - Índice geral de reprodução de cor CIE 1974 (Ra) CIE standard illuminants - Iluminantes padrão CIE Apêndice A – Glossário CIE standard photometric observer - Observador fotométrico padrão CIE CIE standard sources - Fontes padrão CIE Clarity or Lightness - Claridade Colorant - Corante Colorimetric purity - Pureza colorimétrica (pc) Colour constancy - Constância de cor Colour matching - Equalização de cor Colour rendering - Reprodução de cor Colour rendering index - Índice de reprodução de cor (R) Colour stimulus - Estímulo de cor Colour stimulus function - Função de um estímulo de cor ( ( )) Colour temperature - Temperatura de cor (Tc) Colour fulness, chromaticness - Cromatismo Colour-matching functions - Funções de equalização de cor (de um sistema tricromático) Cones - Cones Contrast - Contraste Correlated colour temperature - Temperatura de cor correlata (Tcp) Dark - Escuro Daylight illuminant - Iluminante luz do dia Detector - Detetor Diffraction - Difração Diffuse reflectance - Refletância difusa ( d) Diffuse reflection - Reflexão difusa Diffuse transmission - Transmissão difusa 195 Apêndice A – Glossário Diffuse transmittance - Transmitância difusa ( d) Diffuser - Difusor Diffusion factor - Fator de difusão ( ) Diffusion, scattering - Difusão, espalhamento Direct transmissionor regular - Transmissão direta ou regular Dispersion - Dispersão Distribution temperature - Temperatura de distribuição (TD) Flicker - Tremeluzir Glare - Ofuscamento Gloss - Brilho (de uma superfície) Haze - Nebulozidade Hue - Matiz Illuminance - Iluminância (Ev, E) Illuminant - Iluminante Infrared radiation - Radiação infravermelha Irradiance - Irradiância (Ee, E) Lambertian surface - Superfície lambertiana Light - Claro Light - Luz Lightness or clarity - Claridade Luminance - Luminância (Lv, L) Luminance coefficient - Coeficiente de luminância (qv; q) Luminance factor - Fator de luminância ( v; ) Luminosity (obsolete), Brightness - Luminosidade 196 Apêndice A – Glossário Matte - Fosco Mesopic vision - Visão mesópica Mixed reflection - Reflexão mista Mixed transmission - Transmissão mista Monochromatic radiation - Radiação monocromática Opacity - Opacidade Opaque - Opaco Opaque medium - Meio opaco Optical radiation - Radiação óptica Perfect reflecting diffusor - Difusor perfeito por reflexão Perfect transmitting diffusor - Difusor perfeito por transmissão Photopic vision - Visão fotópica Purity - Pureza (de um estímulo de cor) Radiance - Radiância (Le, L) Radiance coefficient - Coeficiente de radiância (qe; q) Radiance factor - Fator de radiância ( e; ) Radiation - Radiação (eletromagnética) Reference illuminant - lluminante de referência Reflectance - Refletância ( ) Reflectance (optical) density - Densidade (óptica) de refletância (D ) Reflectance factor - Fator de refletância (R) Reflectance factor (optical) density - Densidade (óptica) do fator de refletância (DR) Reflection - Reflexão Refraction - Refração 197 Apêndice A – Glossário Regular reflectance - Refletância regular ( r) Regular reflection or specular - Reflexão regular ou especular Regular transmission or direct- Transmissão regular ou direta Regular transmittance - Transmitância regular ( r) Relative colour stimulus function - Função relativa do estímulo de cor ( ( )) Relative spectral distribution - Distribuição espectral relativa (S( )) Retroreflection - Retrorreflexão Retroreflector - Retrorrefletor Rods - Bastonetes Saturation - Saturação Scattering, diffusion - Espalhamento, difusão Scotopic vision - Visão escotópica Spectral distribution - Distribuição espectral (Xλ(λ)) Spectral luminous efficiency - Eficiência luminosa espectral (V(λ) para a visão fotópica, V’(λ) para a visão escotópica) Spectrum - Espectro (de uma radiação) Specular reflection or regular - Reflexão especular ou regular Texture - Textura Thermochromism - Termocromismo Translucent medium - Meio translúcido Transmission - Transmissão Transmittance - Transmitância ( ) Transmittance (optical) density or absorbance - Densidade (óptica) de transmitância ou absorbância (D ) 198 Apêndice A – Glossário Transparent medium - Meio transparente Tristimulus values - Valores triestímulos (de um estímulo de cor) Turbidity - Turbidez Ultraviolet radiation - Radiação ultravioleta Uniform colour space - Espaço de cor uniforme Visible radiation - Radiação visível Wavelength - Comprimento de onda (λ) Whiteness - Brancura Yellowness– Amarelecimento 199 Apêndice A – Glossário 200 Português - Inglês Absorbância ou Densidade (óptica) de transmitância (A) - Absorbance or Transmittance (optical) density Absorção - Absorption Absortância ( ) - Absorptance Amarelecimento - Yellowness Ângulo de iluminação - Angle of illumination Ângulo de observação - Angle of view Aparência - Appearance Bastonetes - Rods Brancura - Whiteness Brilhância pontual (Ev, E) - Brilliance (point) Brilho (de uma superfície) - Gloss Claridade - Clarity or Lightness Claridade - Lightness or clarity Claro - Light Coeficiente de luminância (qv; q) - Luminance coefficient Coeficiente de radiância (qe; q) - Radiance coefficient Comprimento de onda (λ) - Wavelength Cones - Cones Constância de cor - Colour constancy Contraste - Contrast Coordenadas de cromaticidade - Chromaticity coordinates Corante - Colorant Croma - Chroma Apêndice A – Glossário Cromaticidade - Chromaticity Cromatismo - Chromaticness, colourfulness Cromatismo - Colourfulness, chromaticness Densidade (óptica) de refletância (D ) - Reflectance (optical) density Densidade (óptica) de transmitância ou absorbância (D ) - Transmittance (optical) density or absorbance Densidade (óptica) do fator de refletância (DR) - Reflectance factor (optical) density Detetor - Detector Diagrama de cromaticidade - Chromaticity diagram Difração - Diffraction Difusão, espalhamento - Diffusion, scattering Difusor - Diffuser Difusor perfeito por reflexão - Perfect reflecting diffusor Difusor perfeito por transmissão - Perfect transmitting diffusor Dispersão - Dispersion Distribuição espectral (Xλ(λ)) - Spectral distribution Distribuição espectral relativa (S( ))- Relative spectral distribution Eficiência luminosa espectral (V(λ) para a visão fotópica, V’(λ) para a visão escotópica) - Spectral luminous efficiency Equalização de cor - Colour matching Escuro - Dark Espaço de cor uniforme - Uniform colour space Espalhamento, difusão - Scattering, diffusion Espectro (de uma radiação) - Spectrum 201 Apêndice A – Glossário Estímulo de cor - Colour stimulus Fator de difusão ( ) - Diffusion factor Fator de luminância ( v; ) - Luminance factor Fator de radiância ( e; ) - Radiance factor Fator de refletância (R) - Reflectance factor Fontes padrão CIE - CIE standard sources Fosco - Matte Função de um estímulo de cor ( ( ))- Colour stimulus function Função relativa do estímulo de cor ( ( ))- Relative colour stimulus function Funções de equalização de cor (de um sistema tricromático) - Colour-matching functions Iluminância (Ev, E) - Illuminance Iluminante - Illuminant Iluminante luz do dia - Day light illuminant Iluminantes padrão CIE - CIE standard illuminants Índice de reprodução de cor (R) - Colour rendering index Índice especial de reprodução de cor CIE 1974 (Ri) - CIE 1974 especial colour rendering index Índice geral de reprodução de cor CIE 1974 (Ra) - CIE 1974 general colour rendering index Irradiância (Ee, E) - Irradiance lluminante de referência - Reference illuminant Luminância (Lv, L) - Luminance Luminosidade - Brightness (luminosity - obsolete) Luminosidade - Luminosity (obsolete), Brightness 202 Apêndice A – Glossário Luminoso - Bright Luz - Light Matiz - Hue Meio opaco - Opaque medium Meio translúcido - Translucent medium Meio transparente - Transparent medium Nebulozidade - Haze Observador colorimétrico padrão CIE 1931 - CIE 1931 standard colorimetric observer Observador colorimétrico padrão suplementar CIE 1964 - CIE 1964 supplementary standard colorimetric observer Observador fotométrico padrão CIE - CIE standard photometric observer Ofuscamento - Glare Opacidade - Opacity Opaco - Opaque Pureza (de um estímulo de cor) - Purity Pureza colorimétrica (pc) - Colorimetric purity Radiação (eletromagnética) - Radiation Radiação infravermelha - Infrared radiation Radiação monocromática - Monochromatic radiation Radiação óptica - Optical radiation Radiação ultravioleta - Ultraviolet radiation Radiação visível - Visible radiation Radiância (Le, L) - Radiance Refletância ( ) - Reflectance 203 Apêndice A – Glossário Refletância difusa ( d) - Diffuse reflectance Refletância regular ( r) - Regular reflectance Reflexão - Reflection Reflexão difusa - Diffuse reflection Reflexão especular ou regular - Specular reflectionor regular Reflexão mista - Mixed reflection Reflexão regular ou especular - Regular reflection or specular Refração - Refraction Reprodução de cor - Colour rendering Retrorrefletor - Retroreflector Retrorreflexão - Retroreflection Saturação - Saturation Superfície lambertiana - Lambertian surface Temperatura de cor (Tc) - Colour temperature Temperatura de cor correlata (TCC) - Correlated colour temperature Temperatura de distribuição (TD) - Distribution temperature Termocromismo - Thermochromism Textura - Texture Transmissão - Transmission Transmissão difusa - Diffuse transmission Transmissão direta ou regular - Direct transmissionor regular Transmissão mista - Mixed transmission Transmissão regular ou direta - Regular transmission or direct Transmitância ( ) - Transmittance 204 Apêndice A – Glossário Transmitância difusa ( d) - Diffuse transmittance Transmitância regular ( r) - Regular transmittance Tremeluzir - Flicker Turbidez - Turbidity Valores triestímulos (de um estímulo de cor) - Tristimulus values Visão escotópica - Scotopic vision Visão fotópica - Photopic vision Visão mesópica - Mesopic vision 205 Apêndice A – Glossário A.2 206 Algumas definições importantes em colorimetria Neste apêndice são apresentados e definidos alguns termos importantes empregados na área de colorimetria e aparência de cor, de forma a complementar a teoria apresentada e discutida no capítulo 3 e utilizada neste documento, visando padronizar alguns termos empregados nesta área, além de servir de base para futuras publicações sobre o assunto, visto a carência de definições de terminologias nesta área. Esta terminologia teve como base normas ABNT NBR 5461 (1980), ASTM E284 (2012), ICC (2004), e CIE 17.4 (1987), que abrangem o assunto colorimetria, além de publicações citadas no capítulo referências bibliográficas. Para alguns termos é utilizada a correlação com o vocabulário internacional de iluminação (CIE 17.4, 1987) de forma a harmonizar as definições adotadas internacionalmente. Desta forma, o número de refererência usado pela CIE é citado entre parênteses no final do texto. Os termos são definidos e apresentados em ordem alfabética. Apêndice A – Glossário 1. Absorção (absorption) – Fenômeno pelo qual a energia radiante é convertida a uma diferente forma de energia por interação com a matéria. (845-04-74) 2. Absortância ( ) (absorptance) – Razão do fluxo radiante ou luminoso absorvido pelo fluxo incidente em dadas condições. Unidade: 1. (845-04-75) 3. Amarelecimento (yellowness) – Atributo de percepção da cor pelo qual a cor de um objeto é comparada em relação a um branco amarelado padrão. 4. Ângulo de iluminação (angle of illumination) – Ângulo entre a normal da superfície do objeto e o eixo do iluminador. 5. Ângulo de observação (angle of view) – Ângulo entre a normal da superfície do objeto e o eixo do observador. 6. Aparência (appearance) – Manifestação da natureza de um objeto ou material a partir de atributos visuais, tais como o tamanho, a forma, a cor, a textura, o brilho, a transparência, a opacidade, etc.. 7. Bastonetes (rods) - Fotorreceptores da retina que contêm um pigmento sensível à luz e capazes de iniciar o processo de visão escotópica. (845-02-03). 8. Brancura (whiteness) – Atributo de percepção da cor pelo qual a cor de um objeto é comparada em relação a um branco padrão. 9. Brilhância pontual (Ev, E) (point brilliance) – Quantidade envolvida na observação visual de uma fonte de luz, quando vista diretamente de uma distância tal que seu diâmetro aparente se torna insignificante. A brilhância pontual é medida pela iluminância produzida pela fonte sobre um plano, no olho do observador e normal à direção da fonte. Unidade: lx. (845-01-59) 10. Brilho (de uma superfície) (gloss) – Aspecto (aparência) pelo qual são percebidos reflexos luminosos de objetos, como se estivessem superpostos à superfície, devido às propriedades direcionais seletivas dessa superfície. (845-04-73) 207 Apêndice A – Glossário 208 11. Claridade (lightness or clarity) – É a luminosidade de uma superfície apreciada em relação à luminosidade de uma superfície que é iluminada de maneira semelhante e que parece branca ou altamente transmissiva. (845-02-31) 12. Claro (light) – Adjetivo utilizado para descrever altos níveis de claridade. (845-0232) 13. Coeficiente de luminância (qv; q) (luminance coefficient) – Quociente da luminância de um elemento de superfície em uma dada direção pela iluminância do meio. Unidade: sr-1. (845-04-71) 14. Coeficiente de radiância (qe; q) (radiance coefficient) – Quociente da radiância de um elemento de superfície em uma dada direção pela irradiância do meio. Unidade: sr-1. (845-04-70) 15. Comprimento de onda (λ) (wavelength) – É a distância, medida na direção de propagação de uma onda periódica, entre dois pontos sucessivos nos quais a fase é a mesma. Unidade: metro (m). Em colorimetria normalmente o comprimento de onda ( ) é representado em unidades de nanômetro (nm). (845-01-14) 16. Cones (cones) - Fotorreceptores da retina que contêm um pigmento sensível à luz e capazes de iniciar o processo de visão fotópica. (845-02-02) 17. Constância de cor (colour constancy) – Tendência geral da cor de um objeto em se manter constante quando a cor da iluminação é mudada. 18. Contraste (contrast) - Avaliação da diferença de aspecto de duas ou mais partes do campo observado, justapostos no espaço ou no tempo. Em sentido psicofísico, é uma grandeza associada à diferença de luminosidade percebida. (845-02-47) 19. Coordenadas de cromaticidade (chromaticity coordinates) - Razão de cada um dos três valores triestímulos pela sua soma. A soma das três coordenadas de cromaticidade é igual a 1 (um), sendo duas delas suficientes para definir uma Apêndice A – Glossário 209 cromaticidade. Nos sistemas colorimétricos de referência CIE, as coordenadas de cromaticidade são representadas pelos símbolos x, y, z ou x10 y10, z10. (845-03-33) 20. Corante (colorant) – Pigmento ou outro agente usado para dar cor a um material. 21. Croma (chroma) – Atributo de uma superfície apreciada em relação à luminosidade de uma superfície que é iluminada de maneira semelhante e que parece branca ou altamente transmissiva. Para dadas condições de observação e níveis de luminância dentro dos limites de visão fotópica, um estímulo de cor percebido de uma dada cromaticidade, proveniente da uma superfície com um dado fator da luminância, tem croma aproximadamente constante em todos os níveis de iluminância, exceto quando a luminosidade é muito alta. Nas mesmas circunstâncias, sob um dado nível de iluminância, se o fator de luminância aumenta o croma geralmente aumenta. (845-0242) 22. Cromaticidade (chromaticity) – Propriedade de um estímulo de cor definida por suas coordenadas de cromaticidade, ou pelo seu comprimento de onda dominante ou complementar junto com a sua pureza. (845-03-34) 23. Cromatismo (chromaticness, colourfulness) – Atributo de uma sensação visual segundo o qual a cor percebida de uma superfície parece ser mais ou menos cromática. Para um estímulo de cor com uma dada cromaticidade e um dado fator de luminância, este atributo geralmente aumenta quando a luminância aumenta, exceto quando a luminosidade é muito alta. Antigamente o cromatismo era considerado como uma percepção combinada do matiz e da saturação, isto é, a percepção correlacionada a cromaticidade. (845-02-40) 24. Densidade (óptica) de refletância (D ) (reflectance (optical) density) – Logaritmo decimal do inverso da refletância: D = - .(845-04-65) Apêndice A – Glossário 210 25. Densidade (óptica) de transmitância ou absorbância (D ) (transmittance (optical) density or absorbance) – Logaritmo decimal do inverso da transmitância: D = - .(845-04-66) 26. Densidade (óptica) do fator de refletância (DR) (reflectance factor (optical) density) – Logaritmo decimal do inverso do fator de refletância: DR = - . (845-04- 67) 27. Detetor (detector) (fotodetetor) – Dispositivo que converte a energia radiante (luz) em um sinal elétrico (por exemplo, fotomultiplicadora, fotocélula, fotodiodo, etc.). 28. Diagrama de cromaticidade (chromaticity diagram) – Diagrama plano no qual os pontos, especificados pelas suas coordenadas de cromaticidade, representam as cromaticidades dos estímulos de cor (845-03-35). 29. Difração (diffraction) – Desvio da direção de propagação de uma radiação, determinado pela natureza ondulatória desta, e que ocorre quando a radiação tangencia a borda de um obstáculo. (845-01-13) 30. Difusão (diffusion, scattering) – Fenômeno no qual a distribuição espacial de um feixe de radiação é modificada quando este é desviado em muitas direções por uma superfície ou por um meio, sem modificar a freqüência dos seus componentes monocromáticos (845-04-44). 31. Difusor (diffuser) – Dispositivo utilizado para modificar a distribuição espacial de uma radiação essencialmente por meio do fenômeno de difusão (845-04-53). 32. Difusor perfeito por reflexão (perfect reflecting diffusor) – Difusor isótropo ideal cuja refletância é igual a 1. (845-04-54) 33. Difusor perfeito por transmissão (perfect transmitting diffusor) – Difusor isótropo ideal cuja transmitância é igual a 1. (845-04-55) Apêndice A – Glossário 211 34. Dispersão (dispersion) – Fenômeno que consiste na modificação da velocidade de propagação de radiações monocromáticas em um meio em função das suas freqüências. (845-04-104) 35. Distribuição espectral (Xλ(λ)) (spectral distribution) – É a razão da grandeza energética dXλ(λ), contida em um intervalo do comprimento de onda dλ, em torno do comprimento de onda λ. Para esse intervalo: X (λ)=dXλ( )/d . Unidade: [X ].m-1 Este termo é geralmente usado para expressar a distribuição de uma grandeza em função do comprimento de onda. (845-01-17) 36. Distribuição espectral relativa (S( )) (relative spectral distribution) – É a razão da distribuição espectral X (λ) de uma grandeza qualquer X(λ) (radiância, irradiância, etc), por um valor fixo de referência R, que pode ser um valor médio, um valor máximo, ou um valor dessa distribuição escolhido arbitrariamente (S( )=X (λ)/R. Unidade: 1. Em colorimetria o valor de referência utilizado na distribuição espectral relativa da fonte é o valor da distribuição referente ao comprimento de onda 560nm. (845-01-18) 37. Eficiência luminosa espectral (V(λ) para a visão fotópica, V’(λ) para a visão escotópica) (spectral luminous efficiency) - É a razão do fluxo radiante no comprimento de onda λm pelo fluxo radiante no comprimento de onda λ, desde que ambas as radiações produzam sensações luminosas igualmente intensas sob condições fotométricas específicas e λm seja escolhido tal que o valor máximo desta razão seja igual a 1. Os valores utilizados para a eficácia luminosa espectral em visão fotópica e escotópica são os valores admitidos internacionalmente em 1924 e em 1951 pela CIE, completados por interpolação e extrapolação. Esses valores definem respectivamente as funções V(λ) ou V’(λ), representadas pelas curvas V(λ) ou V’(λ) (Publicações CIE 18.2 a CIE 15.3). (845-01-22) Apêndice A – Glossário 212 38. Equalização de cor (colour matching) – Ação de fazer um estímulo de cor aparecer da mesma cor que um estímulo de cor dado. (845-03-16) 39. Escuro (dark) – Adjetivo utilizado para descrever baixos níveis de claridade. (84502-33) 40. Espaço de cor uniforme (uniform colour space) – Espaço de cor no qual distâncias iguais são destinadas a representar o limiar das diferenças de cor percebidas de igual amplitude. (845-03-51) 41. Espalhamento (scattering) – Difusão da energia radiante ao atingir partículas de diferentes índices de refração. 42. Espectro (de uma radiação) (spectrum) – Representação ou especificação dos componentes monocromático da radiação considerada, podendo ser espectros de linhas, espectros contínuos e espectros que exibem ambas as características ao mesmo tempo. (845-01-08) 43. Estímulo de cor (colour stimulus) – Radiação visível que penetra nos olhos e produz uma sensação de cor, tanto cromática como acromática. (845-03-02) 44. Fator de difusão ( ) (diffusion factor) – Razão da média dos valores de luminância medidos a 20º e 70º (0,35 rad e 1,22 rad), pela luminância medida a 5º (0,09 rad), quando a superfície considerada é iluminada sob incidência normal: . O fator de difusão é utilizado para dar uma indicação da distribuição espacial do fluxo difundido e é igual a 1 para todo difusor isótropo, qualquer que seja o valor da refletância ou da transmitância difusa. (845-0489) 45. Fator de luminância ( v; ) (luminance factor) – Razão da luminância de um elemento de superfície em uma dada direção, pela luminância de um difusor perfeito por reflexão ou transmissão, identicamente iluminado. Unidade: l. (845-04-69) Apêndice A – Glossário 213 46. Fator de radiância ( e; ) (radiance factor) – Razão da radiância de um elemento de superfície em uma dada direção, pela radiância de um difusor perfeito por reflexão ou transmissão, identicamente irradiado. Unidade: l. (845-04-68) 47. Fator de refletância (R) (reflectance factor) – Razão do fluxo radiante ou luminoso refletido nas direções delimitadas por um dado cone, por aquela refletida nas mesmas direções por um difusor perfeito por reflexão, identicamente irradiado ou iluminado. Se o ângulo sólido do cone tende para 2 sr, o fator de refletância tende para a refletância, para as mesmas condições de irradiação. c) Se o ângulo sólido do cone tende para zero, o fator de refletânciatende para o fator da radiância ou de luminância, para as mesmas condições de irradiação. (845-04-64) 48. Fontes padrão CIE (CIE standard sources) – Fontes artificiais especificadas pela CIE cujas radiações se aproximam da dos iluminantes padrão. (845-03-13) 49. Fosco (matte) – Falta de brilho. 50. Função de um estímulo de cor ( ( )) (colour stimulus function) – Descrição de um estímulo de cor pela concentração espectral de uma grandeza radiométrica, tais como a radiância ou a potência radiante, em função do comprimento de onda. (845-0303) 51. Função relativa do estímulo de cor ( ( )) (relative colour stimulus function) Distribuição da potência espectral relativa da função de um estímulo de cor. (845-0304) 52. Funções de equalização de cor (de um sistema tricromático) (colour-matching functions) - Valores triestímulos do estímulo monocromático de mesma potência radiante. As funções de igualação de cor podem ser utilizadas para calcular os valores triestímulos de um estímulo de cor, a partir de sua função de estímulo de cor ( ). Nos sistemas colorimétricos de referência CIE, as funções de igualação de cor são Apêndice A – Glossário 214 representadas pelos símbolos , CIE 1931, ou no sistema colorimétrico de referência suplementar , , , no sistema colorimétrico de referência CIE 1964. (845-03-23) 53. Iluminância (Ev, E) (illuminance) – É a razão do fluxo luminoso d v, incidente num elemento de superfície que contém o ponto dado, pela área dA desse elemento. Unidade: lx = lm.m-2. (845- 01-38) 54. Iluminante (illuminant) – Radiação que tem uma distribuição de potência espectral relativa definida no intervalo de comprimento de onda capaz de influenciar a percepção da cor do objeto. (845-03-10) 55. Iluminante luz do dia (daylight illuminant) - Iluminante que tem a mesma, ou aproximadamente a mesma distribuição de potência espectral relativa que certa fase da luz do dia. (845-03-11) 56. Iluminantes padrão CIE (CIE standard illuminants) – Iluminantes definidos pela CIE em termos de suas distribuições de potência espectral relativa (por ex. iluminante A, D65, etc.). (845-03-12) 57. Índice de reprodução de cor (R) (colour rendering index) – Avaliação quantitativa do grau de aproximação entre a cor psicofísica de um objeto iluminado por um iluminante teste, e a cor do mesmo objeto iluminado pelo iluminante de referência. (845-02-61) 58. Índice especial de reprodução de cor CIE 1974 (Ri) (CIE 1974 especial colour rendering index) – Avaliação quantitativa do grau de aproximação entre a cor psicofísica de uma amostra de cor CIE iluminada por um iluminante teste, e a cor da mesma amostra iluminada pelo iluminante de referência. (845-02-62) Apêndice A – Glossário 215 59. Índice geral de reprodução de cor CIE 1974(Ra) (CIE 1974 general colour rendering index) – Média dos índices especiais de reprodução de cor CIE 1974, para um conjunto especificado de oito amostras de cor teste. (845-02-63) 60. Irradiância (Ee, E) (irradiance) – É a razão do fluxo radiante d e, incidente num elemento de superfície que contém o ponto dado, pela área dA desse elemento. Unidade: W.m-2. (845-01-37) 61. lluminante de referência (reference illuminant) – lluminante com o qual outros iluminantes são comparados. Nota: Uma interpretação mais particular pode ser necessária, no caso de iluminantes para reprodução de cores. (845-02-60) 62. Luminância (Lv, L) (luminance) – Numa direção dada e em um ponto dado sobre uma superfície real ou imaginária, é a grandeza definida pela fórmula LV =d v/dA.cos .d onde d V, é o fluxo luminoso transmitido por um feixe elementar que passa pelo ponto dado e que se propaga no ângulo sólido d , que contém a direção dada; dA é a área de uma seção desse feixe que contém o ponto dado; é o ângulo entre a normal a essa seção e a direção do feixe. O valor da luminância Lv é dado em unidades de [lmsr-1 m2 = cd. m-2]. A respectiva grandeza fotométrica é a radiância Le especificada em unidades de [W sr-1 m -2]. (845-01-35) 63. Luminosidade (brightness, luminosity (obsolete)) – Atributo da sensação visual segundo a qual uma superfície parece emitir mais ou menos luz. (845-02-28) 64. Luminoso (bright) – Adjetivo utilizado para descrever altos níveis de luminosidade. (845-02-29) 65. Luz (light) – O termo luz é normalmente empregado em substituição ao termo “radiação visível” que compreende a radiação óptica capaz de produzir diretamente uma sensação visual. (845-01-06) Apêndice A – Glossário 216 66. Matiz (hue) – Atributo de uma sensação visual segundo o qual uma superfície parece semelhante a uma das cores percebidas, vermelho, amarelo, verde e azul, ou a uma combinação de duas delas. (845-02-35) 67. Meio opaco (opaque medium) – Meio que não transmite radiação na faixa espectral de interesse. (845-04-110) 68. Meio translúcido (translucent medium) – Meio que transmite a radiação visível quase predominantemente por transmissão difusa, de modo que os objetos não podem ser vistos distintamente através desse meio. (845-04-109) 69. Meio transparente (transparente medium) – Meio na qual a transmissão é predominantemente regular, e que em geral tem uma alta transmitância regular na faixa espectral de interesse. (845-04-108) 70. Nebulosidade (haze) – Falta de clareza; espalhamento da luz em uma superfície brilhosa responsável pela aparente redução no contraste do objeto visto pela reflexão na superfície. 71. Observador colorimétrico padrão CIE 1931 (CIE 1931 standard colorimetric observer) – Observador ideal cujas propriedades de equalização de cor correspondem às funções de equalização de cor CIE , , adotadas pela CIE em 1931. (845- 03-31) 72. Observador colorimétrico padrão suplementar CIE 1964 (CIE 1964 supplementary standard colorimetric observer) – Observador ideal cujas propriedades de equalização de cor correspondem às funções de equalização de cor CIE , , adotadas pela CIE em 1964. (845-03-32) 73. Observador fotométrico padrão CIE (CIE standard photometric observer) – Observador ideal cuja curva de sensibilidade espectral relativa segue a função V(λ) para Apêndice A – Glossário 217 a visão fotópica, ou a função V’(λ) para a visão escotópica, e que satisfaz a lei de adição, implícita na definição de fluxo luminoso. (845-01-23) 74. Ofuscamento (glare) - Condição de visão na qual há desconforto ou redução na capacidade de ver detalhes ou objetos, causados por uma distribuição inadequada de luminância, ou contraste excessivo. (845-02-52) 75. Opacidade (opacity) – Propriedade de um material evitar a transmissão da luz, recíproco ao fator de transmitância. 76. Opaco (opaque) – quando nenhuma radiação óptica é transmitida, quando não se pode ver através do material, não transparente. 77. Pureza (de um estímulo de cor) (purity) – Medida da proporção das quantidades de um estímulo monocromático e de um estímulo acromático especificado que, quando misturados aditivamente, equalizam o estímulo de cor considerado. (845-03-46) 78. Pureza colorimétrica (pc) (colorimetric purity) – Grandeza definida pela relação: pc=Ld/(Ln+Ld) onde Ld e Ln são respectivamente as luminâncias do estímulo monocromático e do estímulo acromático especificado que equalizam o estímulo de cor considerado por meio de mistura aditiva. (845-03-47) 79. Radiação (eletromagnética) (radiation) – É a emissão ou transferência de energia sob forma de ondas eletromagnéticas. (845-01-01) 80. Radiação infravermelha (infrared radiation) – É a radiação óptica cujos comprimentos de onda são maiores do que aqueles da radiação visível. Para a radiação infravermelha, a faixa compreendida entre 780 nm e 1 mm é geralmente dividida em: IV-A (780nm - 1400 nm), IV-B (1,4 μm - 3 μm), IV-C (3μm - 1mm). (845-01-04) 81. Radiação monocromática (monochromatic radiation) – É a radiação caracterizada por uma única freqüência. Na prática, é a radiação compreendida numa faixa de Apêndice A – Glossário 218 freqüências muito estreita que pode ser descrita pela especificação de uma única freqüência. (845-01-07) 82. Radiação óptica (optical radiation) – É a radiação eletromagnética cujos comprimentos de onda estão compreendidos entre a região dos raios X (λ~1 nm) e a região das ondas radioelétricas (λ~1 mm). (845-01-02) 83. Radiação ultravioleta (ultraviolet radiation) – É a radiação óptica cujos comprimentos de onda são menores do que aqueles da radiação visível. Para a radiação ultravioleta, a faixa compreendida entre 100nm e 400nm é geralmente dividida em: UVA (315nm - 400nm), UV-B (280 nm – 315 nm), UV-C (100 nm – 280 nm). (845-01-05) 84. Radiação visível (visible radiation) – É a radiação óptica capaz de produzir diretamente uma sensação visual. Não existem limites precisos para a faixa espectral da radiação visível, uma vez que esses limites dependem do fluxo energético que atinge a retina e da sensibilidade do observador. O limite inferior é tomado geralmente entre 360nm e 400nm, e o limite superior entre 760nm e 830nm. (845-01-03) 85. Radiância (Le, L) (radiance) - Numa direção dada e em um ponto dado sobre uma superfície real ou imaginária, éa grandeza definida pela fórmula Le=d e/dA.cos .d onde d e, é o fluxo radiante transmitido por um feixe elementar que passa por um ponto dado e se propaga no ângulo sólido d , que contém a direção dada; dA é a área de uma seção desse feixe que contém o ponto dado; é o ângulo entre a normal a essa seção e a direção do feixe. O valor da radiância Le é dado em unidades de [W sr-1 m -2] e da radiância espectral Le, ( ) em unidades de [W sr-1 m -3 ]. A respectiva grandeza fotométrica é a luminância Lv, especificada em unidades de [lmsr-1 m2]. (845.01.34) 86. Refletância ( ) (reflectance) - Razão do fluxo radiante ou luminoso refletido pelo fluxo incidente em dadas condições. ( = r + d) Unidade: 1. (845-04-58) Apêndice A – Glossário 87. Refletância difusa ( d) (diffuse reflectance) – Razão da parte difusamente refletida do fluxo (total) refletido pelo fluxo incidente. Unidade: 1. (845-04-62) 88. Refletância regular ( r) (regular reflectance) – Razão da parte regularmente refletida do fluxo (total) refletido pelo fluxo incidente. Unidade: 1. (845-04-60) 89. Reflexão (reflection) – Fenômeno no qualuma radiação, que incide numa superfície ou num meio, retorna sem modificar a freqüência dos seus componentes monocromáticos. (845-04-42) 90. Reflexão difusa (diffuse reflection) – Difusão por reflexão na qual, em escala macroscópica, não há reflexão regular ou especular. (845-04-47) 91. Reflexão mista (mixed reflection) – Reflexão parcialmente regular ou especular e parcialmente difusa. (845-04-49) 92. Reflexão regular ou especular (regular or specular reflection) – Reflexão sem difusão que obedece às leis da óptica geométrica. (845-04-45) 93. Refração (refraction) – Fenômeno pelo qual a direção de propagação de uma radiação é mudada como resultado de variações de sua velocidade de propagação, ao passar através de um meio opticamente não-homogêneo ou ao atravessar uma superfície de separação de dois meios diferentes. (845-04-100) 94. Reprodução de cor (colour rendering) – Efeito de um iluminante na aparência de cor dos objetos, mediante comparação com sua aparência de cor sob um iluminante de referência. (845-02-59) 95. Retrorrefletor (retroreflector) – Superfície ou dispositivo no qual a maior parte da radiação refletida é retrorrefletida. (845-04-93) 96. Retrorreflexão (retroreflection) – Reflexão na qual a radiação retorna em direções próximas a oposta daquela que provém, sendo esta propriedade mantida para variações significativas de direção da radiação incidente. (845-04-92) 219 Apêndice A – Glossário 220 97. Saturação (saturation) – Atributo de uma superfície apreciada em relação à sua luminosidade. Para dadas condições de observação e níveis de luminância dentro dos limites de visão fotópica, um estímulo de cor percebido de uma dada cromaticidade tem saturação aproximadamente constante para todos os níveis de luminância, exceto quando a luminosidade é muito alta. (845-02-41) 98. Superfície lambertiana (Lambertian surface) – Superfície ideal no qual a radiação proveniente dessa superfície é distribuída angularmente de acordo com a lei dos cossenos de Lambert. (845-04-57) 99. Temperatura de cor (Tc) (colour temperature) – Temperatura do corpo negro que emite uma radiação que tem a mesma cromaticidade que a de um dado estímulo. Unidade: K. (845-03-49) 100. Temperatura de cor correlata (Tcp) (correlated colour temperature) – Temperatura do corpo negro no qual a cor percebida mais se assemelha a um dado estímulo de mesma luminosidade e sob condição de observação especificada. Unidade: K. (845-03-50) 101. Temperatura de distribuição (TD) (distribution temperature) – Temperatura do corpo negro cuja distribuição espectral relativa S( ) é a mesma ou aproximadamente a mesma que a da radiação considerada no intervalo espectral de interesse. Unidade: K. (845-04-14) 102. Termocromismo (thermochromism) – é a mudança da cor devido à mudança da temperatura. 103. Textura (texture) – É o aspecto de uma superfície que permite identificá-la e distingui-la de outras formas. Quando tocamos ou olhamos para um objeto ou superfície sentimos se é lisa, rugosa, macia, áspera ou ondulada. Apêndice A – Glossário 104. 221 Transmissão (transmission) – Fenômeno no qual umaradiação passa através de um meio sem modificar a freqüência dos seus componentes monocromáticos. (845-0443) 105. Transmissão difusa (diffuse transmission) – Difusão por transmissão na qual, em escala macroscópica, não há transmissão regular ou direta. (845-04-48) 106. Transmissão mista (mixed transmission) – Transmissão parcialmente regular ou direta e parcialmente difusa. (845-04-50) 107. Transmissão regular ou direta (regular or direct transmission) – Transmissão sem difusão que obedece às leis da óptica geométrica. (845-04-46) 108. Transmitância ( ) (transmittance) – Razão do fluxo radiante ou luminoso transmitido pelo fluxo incidente em dadas condições. ( = r + d) Unidade: 1. (845-04- 59) 109. Transmitância difusa ( d) (diffuse transmittance) – Razão da parte difusamente transmitida do fluxo (total) transmitido pelo fluxo incidente. Unidade: l. (845-04-63) 110. Transmitância regular ( r) (regular transmittance) – Razão da parte regularmente transmitida do fluxo (total) transmitido pelo fluxo incidente. Unidade: l. (845-04-61) 111. Tremeluzir (flicker) – Impressão de instabilidade da sensação visual devido a um estímulo luminoso cuja luminância ou a distribuição espectral flutuam com tempo. (845-02-49) 112. Turbidez (turbidity) – Redução da transparência de um material devido a presença de particulado fosco. 113. Valores triestímulos (de um estímulo de cor) (tristimulus values) – Quantidades dos três estímulos de cor de referência de um dado sistema tricromático Apêndice A – Glossário requeridas para equalizar a cor do estímulo considerado. Nos sistemas colorimétricos de referência CIE, os valores triestímulos são representados pelos símbolos X, Y, Z, ou X10, Y10, Z10. (845-03-22) 114. Visão escotópica (scotopic vision) – Visão do olho normal quando adaptado a níveis de luminância inferiores a poucos centésimos de candela por metro quadrado. Os bastonetes são os principais fotorreceptores ativos na visão escotópica. (845-02-10) 115. Visão fotópica (photopic vision) – Visão do olho normal quando adaptado a níveis de luminância no mínimo iguais a várias candelas por metro quadrado. Os cones são os principais fotorreceptores ativos na visão fotópica. (845-02-09) 116. Visão mesópica (mesopic vision) – Visão intermediária entre a visão fotópica e a visão escotópica. Na visão mesópica, tanto os cones como os bastonetes são ativos. (845-02-11) 222 APÊNDICE B Tabela comparativa das referências Neste apêndice é apresentado um resumo dos artigos citados no capítulo de revisão bibliográfica (Tabela B.1) que é organizado em ordem cronológica, onde são apresentados para cada artigo: título, autores, revista, ano, produto abordado, tipo, sistema de cor empregado, característica estudada e resumo/conclusão, etc. 223 Apêndice B – Tabela comparativa das referências 224 Tabela B.1 - Tabela comparativa das referência Nº 1 2 3 4 Autores Ano Título Spectrophotometric Brearley N., 1966 measurements of skin Breeze J. E. colours of apples Investigation of the Lii, C. Y., physical and chemical Chang, S. M., & 1982 properties of banana Young, Y. L. starches Technical note: Ramaswamy, H. Textural changes as 1989 S ., Tung, M. A. related to color of ripening bananas Kawano S. Referência Revista Produto Tipo Sistema de cor Características estudadas Resumo/Conclusão J. Sci. Fd. Agric., vol J. Sci. Fd. Agric. 17 (1966), 62-64 fruta maça CIE xyY refletância Medidas foram feitas com espectrômetro para medir a curva de refletância espectral da maçã no intervalo do visível, com passo de 10nm Journal of Food Journal Science, v.47 (1982), Science p.1493-1497 fruta banana Diversas caracteristicas - tabela de classificação com nove etapas para amadurecimento da banana International Journal International Journal of Food Science and of Food Science and fruta Technology, Technology 24(1989), 217–221. banana - - Análise da evolução amadurecimento - cor, forma, revisão de metodologias e trabalhos realizados no defeito e Japão tamanho of Food Present Condition of Nondestructive Jarq, 28 (1994), 2121994 Quality Evaluation of Jarq 216 Fruits and Vegetables in Japan 5 Choi, K., Lee, Tomato maturity Trans. Am. Soc. Trans. Am. G., Han, Y.J., 1995 evaluation using Agric. Eng. 38 (1), Agric. Eng. Bunn, J.M. colour image analysis 171–176 6 Defects segmentation Leemans, V., on ‘Golden Delicious’ Magein, H., 1998 apples by using colour &Destain, M.-F. machine vision Computers and Computers Electronics in Electronics Agriculture, 20 Agriculture (1999), 117-130. fruta e vegetais Soc. fruta and in fruta tomate RGB para HSI maçã RGB da textura com o Um procedimento de análise de cor foi desenvolvido por Choi para classificar tomates frescos em seis estágios de maturação de acordo com os padrões da USDA (EUA): verde, Breakers, Turning, rosa, luz vermelha, e vermelho. Imagens de RGB de cada tomate foram capturado e convertido a valores HSI, e a classificação foi baseada no percentual da área da superfície sob determinados ângulos de hue. Um cor índice de maturação do tomate (TMI) foi desenvolvido para indicar o grau de maturidade dentro de cada estágio e prover um índice continuo do completo intervalo de maturidade. Os resultados da classificação concordaram em 77% com a classificação manual dos tomates testados, e todas as amostras forma classificadas dentro de um estágio diferente de maturidade. Apresenta um novo algoritmo capaz de identificar defeitos, usando toda informação colorida significante. Esse algoritmo consiste em três passos. Cor para O primeiro é uma segmentação de defeitos identificar grosseiros baseados em uma comparação estatística defeitos entre a cor de um pixel individual e a cor global da fruta. Após isto, baseado em uma aproximação global ou local, é possível fazer a identificação. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título 7 Kondo, Ahmad, Monta, Murase, H. 8 Noordam, J.C., High speed potato Otten, G.W., grading and quality Timmermans, 2000 inspection based on a A.J.M., Zwol, colour vision system B.H. van 9 N., Machine vision based U., quality evaluation of 2000 M., Iyokan orange fruit using neural networks 225 Referência Computers Electronics Agriculture, (2000) 135-147 Revista and Computers in Electronics 29 Agriculture Proc. SPIE Vol. 3966, p. 206-217, Machine Vision Applications in Industrial Inspection VIII, Kenneth W. Tobin; Ed Computers Electronics Agriculture, (2001), 17-29 and in fruta Machine Vision Applications in legumes Industrial Inspection VIII Ahmad S., Effect of Temperature Int. J. Agri. Biol., Thompson A.K., on the Ripening 2001 Vol. 3 (2001), No. 2, Int. J. Agri. Biol. Hafiz I. A., Asi Behavior and Quality 224-227 A. A. of Banana Fruit Measuring image Jahns, G., analysis attributes and 10 Nielsen, H. M. 2001 modelling fuzzy and Paul, W consumer aspects for tomato quality grading Produto and Computers in Electronics 31 Agriculture Tipo laranjas batata fruta banana and in fruta tomate Sistema de cor Características estudadas Resumo/Conclusão cor, forma e A partir de imagens obtidas da laranja, foram sinal NTSC foi rugosidade da utilizadas aspectos como cor, rugosidade, diâmetro, convertido em 8 bit superfície, peso para obter informações sobre o açúcar e a RGB açúcar e pH acidez (pH) da fruta a partir de redes neurais com (acidez) razoável exatidão. - - Batatas são analisadas de todos os lados e para isto uma câmera com espelhos são utilizados para obter uma imagem global. Experimentos com batatas vermelhas e amarelas foram realizadas mostrando que o sistema empregado é robusto para a classificação. Ahmad em 2001 conduziu um estudo para determinar o efeito da temperatura, etileno e suas interações na velocidade de amadurecimento e qualidade da banana. A interação entre o etileno e a temperatura mostraram que o etileno tem um efeito maior no amadurecimento em temperaturas entre 14CIE Lab cor 18 ºC do que em 20ºC. A temperatura de 20ºC aparenta ser a temperatura ótima de amadurecimento da banana, apresentando um bom desenvolvimento da cor e sabor. Para amadurecimento em baixas temperaturas (14-16 ºC) a banana necessidade se exposta a etileno para manutenção de suas qualidades. Como em outras frutas, a aparência do tomate é um dos importantes parâmetros para estimar a qualidade interna e para isto algumas características devem ser analisadas, tais como o tamanho, a forma tridimensional, a cor e a uniformidade da cor, além tamanho, a da observação de possíveis defeitos. Todos estes RGB image, IRGB(i, forma aspectos foram estudados por Jahns (2001) j ), é convertido para tridimensional, utilizando lógica fuzzy, demonstrando a importância o padrão CIE:XYZ a cor e a da visão computacional na inspeção deste fruto. image uniformidade da Jahns apresentou este trabalho para classificação de cor tomates visando atender principalmente os requisitos definidos na regulamentação americana quanto a qualidade do tomate. De acordo com Jahns, a classificação de qualidade é realizada pelos consumidores a partir de seus sentidos, inclusive o Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Referência 226 Revista Produto Tipo Sistema de cor Características estudadas Resumo/Conclusão tato e o olfato e a aparência visual é a principal fonte de informação e pode ser realizada através da análise de imagens a partir de atributos como tamanho, cor, forma, defeitos, etc. Entretanto, estes atributos são freqüentemente correlacionados com parâmetros nutricionais. A partir desses atributos de qualidade, um exemplo de classificação de tomate é proposto a partir de lógica fuzzy, considerando a percepção humana quanto a característica do fruto. Identification and Visen, N. S., segmentation of Shashidhar, N. J. Agric. Eng. Res., 11 2001 occluding groups of J. Agric. Eng. Res. S., Paliwal, J. 79 (2001), 159–166 grain kernels in a grain and Jayas, D.S. sample image grão Desenvolveu um algoritmo para análise da forma dos grãos de trigo, adotando a forma de uma elipse, onde a curvatura do grão era estimada a partir de fórmulas desenvolvidas por ele trigo e milho Chen C. R., Color and Texture Lebensm. Wiss. U. Lebensm. Wiss. U. 12 Ramaswamy H. 2002 Change Kinetics in Technol., 35 (2002), fruta Technol S. Ripening Bananas 415–419. banana CIE Lab Acompanhamento do processo de Ditchfield C., 13 2002 amadurecimento da Tadini C. C. banana nanicão (Musa cavendish Lamb.) banana pH, acidez, Brix XVIII Congresso Brasileiro de Ciência e Tecnologia de Alimentos XVIII Congresso Brasileiro de Ciência fruta e Tecnologia de Alimentos Chen em 2002 desenvolveu um estudo sobre a cinética de mudança da cor e da textura no amadurecimento da banana como função da cor e firmeza da temperatura de armazenamento (10, 16, 22, 28 ºC). polpa A medida da cor foi avaliada em termos de valores de CIE Lab e diferença de cor E, representando a desvio entre os estágios de amadurecimento. Em 2002, Ditchfield apresentou um estudo sobre o amadurecimento da banana avaliando as mudanças apresentadas durante o processo de amadurecimento, sendo medidos os seguintes parâmetros nos ensaios realizados: firmeza da banana, pH, °Brix e acidez. O estudo constatou que o melhor parâmetro para determinar o estágio de maturação da banana é a firmeza da banana. A razão °Brix/acidez também fornece um bom parâmetro para o estágio de maturação da banana e o pH e a acidez titulável não são bons parâmetros pois apresentam valores semelhantes nos estágios iniciais e finais de maturação. Cabe ressaltar que Ditchfield (2002) considera uma outra classificação para as fases de amadurecimento da banana, diferente da escala de maturação de Von Loesecke. No trabalho é citada a seguinte classificação: etapa1= fruta verde, etapa 2=Fruta verde com traços amarelos, etapa 3 = Fruta mais verde que amarela, etapa 4= Fruta mais amarela que verde, etapa 5 =Fruta amarela com extremidade verde, etapa 6= Fruta amarela, etapa 7 Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Computer vision Li Q., Wang M., based system for apple 14 2002 Gu W. surface defect detection Referência Revista Produto Tipo Sistema de cor Características estudadas and Computers in Electronics 36 Agriculture and in fruta Machine Vision Biosystems Blasco J.,Aleixos System for Automatic Biosystems 15 2003 Engineering 85 (4) N., Molto E. Quality Grading of Engineering (2003), 415–423 Fruit fruta maçã, pera e RGB laranja tamanho e cor fruta maçã cor 16 Madieta E. Computers Electronics Agriculture (2002) 215-223 227 Apple color measurements. Some ActaHort 599 (2003), 2003 ActaHort metrological 337-342 approaches maçã - Lch - Resumo/Conclusão =Fruta amarela com pequenas manchas pardas e etapa 8 =Fruta amarela com grandes manchas pardas. Em 2002 Li desenvolveu um novo sistema experimental automatizado para detector defeitos da superfície da maçã baseado na tecnologia de imagem. O sistema tem a vantagem de ser capaz de inspecionar simultaneamente quatro lados de cada maçã na linha de processamento. O método foi desenvolvido para remover o fundo da imagem, segmentar os defeitos e identificar algumas áreas na maçã. Os resultados mostraram que o sistema é prático e acessível, e que o algoritmo proposto de detecção dos defeitos é efetivo. desenvolveu uma técnica de visão computacional para estimar a qualidade de laranjas, peras e maças, e avaliar a eficiência dessas técnicas quanto aos atributos: tamanho, cor, etc. O procedimento de segmentação usado, baseado na análise discriminante Baysiana, permitiu que as frutas fossem precisamente distinguidas do background. Assim a determinação do tamanho foi resolvida. As estimativas da cor das frutas pelo sistema foram bem correlacionadas com o valor do índice colorimétrico que são normalmente usados como padrões. A classificação do sistema foi testada em linha com maçãs obtendo um bom desempenho quando as frutas foram classificadas em batelada. A precisão e repetitividade do sistema foram similares aquelas exigidas nos padrões de classificação. De acordo com Madieta (2003) é necessário conhecer o intervalo de variação da cor da casca da maçã par decidir o melhor modo de medi-la, dependendo do objetivo de cada medida. De acordo com o tipo de distribuição a maçã pode ser classificada como homogênea, heterogênea ou bicolorida. Apresenta medidas metrológicas para classificar o tipo de coloração da maça, a partir do desvio padrão das medidas efetuadas em diversos pontos da fruta. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Referência 228 Revista Polder, G., van Tomato sorting using der Heijden, G. independent Real-Time Imag., 9 17 2003 Real-Time Imag W. A. M. and component analysis on (2003), 253–259 Young, I. T. spectral images Um sistema de Ramalho G. L. inspeção visual 18 B., Medeiros F. 2003 automática aplicado à N. S. classificação e seleção de laranjas Anais do IV Congresso Brasileiro da Sociedade Brasileira de Informática Aplicada à Agropecuária e à Agroindústria, 2003. Produto Tipo Sistema de cor fruta tomate RGB Anais do IV Congresso Brasileiro da Sociedade Brasileira de fruta Informática Aplicada à Agropecuária e à Agroindústria, 2003. laranja forma, rugosidade Características estudadas Resumo/Conclusão Como em outras frutas, a aparência do tomate é um dos importantes parâmetros para estimar a qualidade interna e para isto algumas características devem ser analisadas, tais como o tamanho, a forma tamanho, a tridimensional, a cor e a uniformidade da cor, além forma da observação de possíveis defeitos. Polder (2003) tridimensional, analisou estas características em tempo real, a cor e a mostrando que dois componentes principais da uniformidade da distribuição espectral da imagem do cor amadurecimento do tomate correspondem a diminuição da clorofila e aumento do caroteno, demonstrando que a distribuição de cor é suficiente para acompanhar o amadurecimento. Ramalho propôs um algoritmo de processamento de imagens aplicado à extração automática de características de frutas a partir de imagens digitais em níveis de cinza. A metodologia proposta avalia de forma não destrutiva a qualidade das frutas usando suas características visuais, utilizando as características de tamanho, forma, cor e rugosidade extraídas da análise de imagens monocromáticas. A cor da laranja foi estimada a partir da análise do histograma de níveis de cinza de uma região cor, retangular, calculando-se a intensidade média dos tons de cinza nessa região. De acordo com Ramalho uma laranja verde-amarelada tem intensidade média de cinza (Im) no terço médio do histograma, para laranjas verdes o valor de Im tende para o terço inferior e para laranjas amarelas tende para o terço superior. Estes algoritmos foram testados em um sistema experimental automático de inspeção visual de laranjas visando a incorporação deste em um sistema de classificação e seleção automática de frutas. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Referência 229 Revista Produto Simposio Brasileiro Classificação de Simposio Brasileiro Simões, A. S., de Automação 19 2003 laranjas baseada em de Automação fruta Costa, A. H. R. Inteligente, 2003, pp padrões visuais Inteligente, 2003 77-81 20 Determination of crop Comput. Electron. Søgaard, H. T. rows by image Comput. 2003 Agric., 38 (2003), and Olsen, H. J. analysis without Agric. 141–158 segmentation Amri Kobayashi Nagatomi 21 Tallada J.,Gejima Nagata M. 22 A., T., S., Bulletin of the Color analysis of Faculty of carrots and lemons by Agriculture, 2004 using University of Y., spectrophotometer Miyazaki, 50 (2004), 1-2, 49-44 Electron. Bulletin of Faculty Agriculture, University Miyazaki Comparison of colour Horticultura Camelo A. F. L. Horticultura 2004 indexes for tomato Brasileira, Brasilia, and Gomez P. A. Brasileira ripening 22, (2004), 534-537 the of of plantações Tipo Características estudadas Resumo/Conclusão laranja - cor O presente trabalho propõe umsistema automático completo para tarefa da classificação delaranjas baseado no padrão brasileiro de cores (CEAGESP,2000) e investiga a aplicabilidade da quantização vetorial paraa tarefa da comparação de padrões. A aplicação prática destametodologia é fortemente estimulada pelos resultados obtidos,que tem como característica inerente a robustez à variação dascondições de iluminação do ambiente. Plantas verdes - - Definiu um indicador para o grau de verde (greenness) para identificar as plantas, GI=2G-R-B, que a principio só é aplicado em plantas verdes fruta e limão legume cenoura fruta Sistema de cor tomate e Lab RGB, HSI e CIE Lab - O estudo da cor de limões também foi realizado para estimar a qualidade do fruto. Amri em 2004 realizou uma pesquisa para determinar a distribuição da cor de cenouras, limões verdes e amarelos para estimativa da qualidade. As medidas da cor dessa frutas foram feitas por um sistema de coordenadas de pontos sobre a superfície, e um espectrofotômetro Minolta (CM-508i) foi usado para media as coordenadas do sistema CIE Lab com o iluminante D65 do como iluminante padrão e o intervalo do visível (400 nm-700 nm). Para a análise da cor usando o coeficiente de variação (CV) como um indicador da homogeneidade da cor, cenouras e limões amarelos tiveram um CV dos valores a e b menores que o limão verde. Comparou índices de cor do amadurecimento do tomate usando diferentes espaços de cor. Valores de L*, a* e b* correspondentes a frutos que haviam sido previamente classificados em seis estádios de maturação de acordo com a escala USDA, foram empregados para calcular os valores de hue, croma, índice de cor, diferença de cor com o vermelho puro, relação a*/b* e (a*/b*)2. A variação de cor durante a maturação provocou variações significativas em L*, a* e b*. Neste trabalho o índice de cor, diferença de cor e relação a*/b* tiveram, essencialmente, a mesma expressão, com as categorias de cor significativamente diferentes em termos da Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Referência 230 Revista Application of image Journal of Food Mendoza F., analysis for Journal 23 2004 Science, 69(9) Aguilera J. M. classification of Science (2004), 471–477 ripening bananas Nagata M., Estimation of tomato Tallada J.,Ishino 24 2004 ripening stages using F., Gejima Y., three color models Kai S. Bulletin of the faculty of Agriculture, University of Miyazaki, 50 (2004), 1-2, 65-71 of Bulletin of faculty Agriculture, University Miyazaki Produto Food Tipo Características estudadas fruta banana RGB, CIE XYZ, CIE cor Lab fruta manga RGB para HSI e CIE cor Lab the of of Sistema de cor Resumo/Conclusão percepção humana, entretanto, o valor de hue mostrou uma variação mais ampla de valores. O croma não foi um bom parâmetro para expressar os diferentes estádios de maturação, entretanto, seria um bom indicador de aceitação por parte dos consumidores quando os frutos se encontrassem totalmente maduros. A relação (a*/b*)2 apresentou as mesmas limitações que o croma. Os valores de hue, índice de cor, diferença de cor e relação a*/b* podem ser utilizados indistintamente como índices quando os frutos amadurecem na planta. Para Camelo seria interessante um estudo para determinar qual é o melhor índice quando a maturação ocorre sob condições inadequadas de temperatura e iluminação. Mendonza implementou um sistema para identificar os estágios de amadurecimento da banana baseado em cor. Nove parâmetros forma analisados (valores de L, a e b; percentual de área marrom, número de pontos marrom, área de pontos marrom, homogeneidade, contraste, correlação e entropia da textura da imagem) extraídos das imagens das bananas que foram usadas na classificação. Os resultados mostram que a simples técnica de classificação é boa para identificar os estágios de amadurecimento da banana, obtendo 98% de exatidão na classificação de 49 bananas em sete estágios de amadurecimento. De acordo com Mendonza, a técnica de visão computacional se mostra promissora no uso para classificação dos estágios de amadurecimento da banana. Nagata em 2004 realizou uma pesquisa comparando a efetividade de três modelos de cor na estimativa de amadurecimento do tomate usando parâmetros da imagem, tal como histograma e analise discriminante linear como um modelo estatístico de classificação. Imagens digitais foram adquiridas de nove tomates de cada classe de amadurecimento com um total de 45 amostras. Em cada classe, cinco amostras foram usadas para o desenvolvimento enquanto quatro amostras para a verificação do modelo. As imagens foram processadas em histogramas usando RGB, Apêndice B – Tabela comparativa das referências Nº Autores Ano Título 231 Referência Revista Estimation of number and diameter of apple Stajnko, D., Comput. Electron. fruits in an orchard Comput. 25 Lakota, M. and 2004 Agric., 42 (2004), during the growing Agric. Hocevar, M. 31–42 season by thermal imaging Electron. Produto Tipo Sistema de cor fruta maçã RGB Colour change in Tepić A. N., pepper (capsicum APTEFF, 35(2004), 26 2004 APTEFF Vujičić B. L. annuum) during 1-280, 59-64 storage pimenta páprica ASTA 20 method Performance of a Bennedsen, B. S. system for apple Biosyst. Eng, 27 and Peterson, D. 2005 surface defect (2005), 419–431 L. identification in near infrared images fruta maçã - 90 Biosyst. Eng Características estudadas Resumo/Conclusão HSV e CIE Lab. A analise discriminante linear usando software de analise estatística foi usada para determinar o modelo de classificação multivariável. Todos os modelos classificaram entre 80 a 100% das amostras, porém não tiveram um bom desempenho para amostras variadas. A média da taxa de classificação foi de 62,5% para o HSV e 60% para o CIELab e foram muito melhores que o RGB com 35%. um novo método para estimar o número de maçãs e seu respectivo diâmetro em pomares foi desenvolvido e testado. Uma câmera térmica capturou as imagens das macieiras cinco vezes durante o período de safra. As imagens foram processadas usando vários algoritmos e o coeficiente de correlação R2 foi estabelecido de 0,83 a 0,88 quantidade de entre a medida manual da fruta e o estimado pelo frutas e tamanha algoritmo. Stajnko adotou novo índice para separar as características pela análise da cor chamado de índice de diferença normalizada (NDI=(g-r)/(g+r). O NDI tem valores entre -1 a 1 pois é computado para todos os valores de pixel da imagem. Entretanto para imagens cinza, um intervalo de 0 a 255 foi requerido. Estudo para avaliar a qualidade do pó de pimenta, avaliando a influencia da exposição a luz e a temperatura ambiente na qualidade do produto final, avaliando a cor ASTA do produto. Tepic investigou cor a relação entre a medida da superfície da pimenta e correlacionou com a cor final do pó, relacionando com a padronização ASTA. Para isto usou o espaço CIE Lab e buscou uma correlação dos valores medidos com o padrão de cor ASTA da páprica. Bennedsen desenvolveu um sistema experimental de visão computacional para identificar defeitos e machucados da superfície de maçãs, apresentando uma nova metodologia para localizar e identificar a área escura da imagem tratada na escala cinza. O método é baseado na rotação na maçã em frente a câmera, adquirindo múltiplas imagens, possibilitando desta forma analisar a mudança da área escura na imagem, identificando assim os Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Referência 232 Revista Produto Tipo Sistema de cor Características estudadas Resumo/Conclusão defeitos. Com esta técnica de rotação da maçã foi possível melhorar o método de identificação de defeitos em 90%. Bennedsen, B. Identifying defects in Comput. Electron. Comput. 28 S., Peterson, D. 2005 images of rotating Agric., 48 (2005), Agric L., Tabb, A. apples 92–102 Electron. Comparison of three methods for Journal of Food Du, C.J., Sun, classification of pizza Journal of 29 2005 Engineering, 66 D.W. topping using different Engineering (2005a)., 277-287 colour space transformations Food fruta alimentos maçã - pizza RGB e NRGB (RGB normalizado), HSV (hue, saturação e valor), I1I2I3 (OHTA), CIE Lab e YCbCr - Bennedsen desenvolveu um sistema experimental de visão computacional para identificar defeitos e machucados da superfície de maçãs, apresentando uma nova metodologia para localizar e identificar a área escura da imagem tratada na escala cinza. O método é baseado na rotação na maçã em frente a câmera, adquirindo múltiplas imagens, possibilitando desta forma analisar a mudança da área escura na imagem, identificando assim os defeitos. Com esta técnica de rotação da maçã foi possível melhorar o método de identificação de defeitos em 90%. Um importante trabalho foi o realizado por Du e Sun em 2005, onde cinco transformações do RGB foram realizadas para verificar o melhor desempenho de outros sistemas de cor na classificação de pizza. Os seguintes sistemas foram avalizados: NRGB (RGB normalizado), HSV (hue, saturação e valor), I1I2I3, CIE Lab e YCbCr. Usando essas cinco transformações do espaço de cores, o desempenho de três SVM (vetor suporte) classificadores (linear, polinomial e RBF) na classificação de pizza foram comparados com duas classificações clássicas, isso é, o classificador C4.5 e um RBF_NN(função base radial de rede neural). O classificador C4.5 obteve a melhor classificação com exatidão de 93,3% com o CIE Lab ou I1I2I3, e o RBF_NN obteve a melhor exatidão (86,7%) com o YCbCr, HSV ou CIE Lab. Para os classificadores SVM, o classificador polinomial teve a melhor exatidão na classificação, com 96,7% com o espaço de cor HSV, enquanto que a função RBF obteve 90% com o YCbCr, CIE Lab e HSV. Du e Sun concluíram que os classificadores SVM e o SVM polinomial combinado com o espaço HSV provaram ser uma boa aproximação para o uso em visão computacional para classificação de pizza. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título 233 Referência Development of a Kleynen, O., multispectral vision J. Food Eng. 30 Leemans, V., 2005 system for the (2005), 41–49 Destain, M.-F. detection of defects on apples Revista 69 Tipo Sistema de cor Características estudadas fruta maçã Lab defeitos fruta maçã RGB e HSI - Throop, J.A., Quality evaluation of Aneshansley, apples based on Postharvest Biology Postharvest Biology 32 D.J., 2005 surface defects of an and Technology 36 fruta and Technology Anger,W.C., automated inspection (2005) 281–290 Peterson, D.L. system maçã - - 31 J. Food Eng. Produto Modelling of apple Stajnko, D. and fruit growth by Agric. Consp. Sci., 2005 Agric. Consp. Sci Emelik, Z. application of image 70 (2005), 59–64 analysis Resumo/Conclusão Kleyne desenvolveu um método para selecionar maçãs baseado na presença de defeitos. Um sistema de visão multiespectral, incluindo quatro bandas de comprimento de onda no visível/IVP foi desenvolvido, e as imagens das frutas foram adquiridas. Os defeitos foram agrupados em quatro categorias e sua segmentação consistiu em classificação por pixel baseada na teoria baseana. Testes foram feitos para verificar o desempenho do método e nenhum erro no rejeito da fruta pelo defeito ocorreu e alta taxa de classificação foi obtida para maçãs com defeitos classificados como sérios, porém a exatidão do sistema para alguns defeitos não atendeu a exigência da legislação européia Stajnko investigou a possibilidade de empregar o processamento de imagem em RGB no crescimento de maças em pomares durante o período de safra. Como a deteção da fruta dependia significativamente do tamanho e da cor em cada estágio de crescimento, o coeficiente de correlação variou ente 0,71 a 0,89, apresentando uma exatidão de aproximadamente 94%. Throop em 2005 desenvolveu um sistema experimental de visão computacional para a etapa de classificação de maçãs de forma a atender os padrões americanos, incluindo um sistema de posicionamento das maçãs, uma câmera para captura das imagens, um sistema de iluminação e algoritmos de processamento para segmentar aos defeitos da superfície em tempo. O diâmetro e altura de cada maçã foi medida para estimar o volume da maça e estas dimensões junto com o posicionamento da maçã na imagem permitiram a identificação do defeito. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Yimyam, P., Chalidabhongse, Physical properties 33 T., Sirisomboon, 2005 analysis of mango P., &Boonmung, using computer vision S. Referência In Proceedings of International Conference on Control, Automation and Systems (ICCAS’05), Korea, June 2-5, 2005 234 Revista Produto International Conference on Control, Automation fruta and Systems (ICCAS’05), Korea, June 2-5, 2005 Banana starch: Zhang P., production, Carbohydrate Whistler R. L., Carbohydrate 34 2005 physicochemical Polymers 59 (2005) BeMiller J. N., Polymers properties, and 443–458 Hamaker B. R. digestibility—a review Discrimination and Abdullah, M. Z., classification of freshSaleh, J. M., Journal of Food cut starfruits Journal of 35 Fathinul-Syahir, 2006 Engineering 76 (Averrhoacarambola Engineering A. S., Mohd(2006) 506–523 L.) using automated Azemi, B. M. N. machine vision system Food Tipo Sistema de cor manga RGB para HSI fruta banana Diversas características fruta carambola RGB para HSI Características estudadas Resumo/Conclusão Yimyam em 2005 descreveu uma técnica de processamento de imagem que podia detector, segmentar e analisar propriedades físicas da manga, tal como tamanho, forma, área superficial e cor a partir da imagem. Primeiro as imagens das mangas foram adquiridas por uma câmera digital, analisadas e segmentadas. A segmentação foi feita construindo um modelo hue das amostras de manga e algumas tamanho, forma, técnicas morfológicas e de filtragem foram aplicadas área superficial para limpar o ruído. Da imagem segmentada e limpa, e cor a área da manga foi computada e a forma foi analisada usando alguns modelos de estrutura. A cor também foi analisada e indexada no banco de dados para classificação futura. Sessenta mangas de três tamanhos diferentes foram classificadas pelo sistema experimental e por humanos. O resultado mostra que a técnica é uma boa alternativa e prático para separação de manga, comparando com a separação manual. Zhang em 2005 apresentou um resumo dos estudos e resultados obtidos para a composição estrutural da banana, suas principais propriedades químicas. Zhang também apresenta sugestões para pesquisas utilizando a banana verde. Desenvolveu um software para detectar características de qualidade da carambola por sistema de inspeção automática usando a tecnologia de visão computacional. As características consideradas foram cor e forma. O uso de classificadores artificiais tal como análise de discriminação linear e rede neural foram usados no cor e forma espaço de cor HSI como ferramenta para detectar a maturidade das frutas como verde, médio, maduro e passado. O espectro das frutas maduras e não maduras foram caracterizados usando todas as características de cor no intervalo de hue de 10 a 74. O experimento analisou 200 frutas revelando que a analise discriminante linear foi mais precisa na classificação com 93% de classificação correta. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Referência 235 Revista Produto Tipo Sistema de cor Características estudadas Assessment of Lana M. M., changes in optical Postharvest Biology Tijskens L. M. Postharvest Biology 36 2006 properties of fresh-cut and Technology, 41 fruta M., Theije A, and Technology tomato using video (2006), 296-306 van Kooten O. image analysis tomate RGB e CIE Lab - Lana M. M., Modelling RGB Postharvest Biology Tijskens L. M. colour aspects and Postharvest Biology 2006 and Technology, 40 fruta M., van Kooten translucency of freshand Technology (2006), 15-25 O. cut tomatoes tomate RGB - 37 Resumo/Conclusão Analisando os resultados pode-se perceber que um aumento na translucência pode ser verificado pela diminuição da quantidade de pixels vermelhos quando a amostra foi medida contra o fundo preto. Mudanças da cor devido a maturação pode ser medida pela diminuição dos pixels verde ou pelo aumento proporcional dos pixels vermelhos (R/(R+G+B), quando a amostra foi colocada sob um fundo brando. Continuando seus estudos, Lana converteu os valores de RGB em CIE Lab e analisando os resultados percebeu-se que um aumento da translucência correspondia a uma diminuição da claridade e mudanças na cor devido a maturação resultou em um aumento do valor a. Lana aplicou esta técnica para acompanhar os efeitos dos estágios de maturidade do tomate e os efeitos da temperatura. Os dados foram expressos como uma média de intensidades por pixel do R, G e B para os fundos branco e preto, separadamente. Um modelo foi desenvolvido e apresentado que descreve a mudança nos valores RGB dos tomates depois de estocados. No modelo o efeito observado foi considerado ser resultado de dois processos, mudança da cor devido a produção de degradação dos pigmentos e desenvolvimento da translucência. Os dados obtidos foram usados para desenvolver um modelo que estima a resposta em RGB das variáveis tempo, temperatura, estágio de maturação e cor do fundo. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Referência 236 Revista Produto Classificação de Louro, A. H. F., tomates utilizando 38 Mendonça, M. 2006 redes neurais M., Gonzaga, A. artificiais II Workshop de Visão Computacional, 2006, São Carlos, SP WVC'2006 - II Workshop de Visão fruta Computacional, 2006, São Carlos, SP Calibrated colour Mendoza F., measurements of 39 Dejmek P., 2006 agricultural products Aguilera J. M. using image analysis Postharvest Biology and Technology, Postharvest Biology 41(3) (2006), 285– and Technology 295 Automated Chokun Sirisathitkul Y., Walailak J Sci& Orange Maturity Walailak 40 Thumpen N., 2006 Tech; 3(2) (2006): Sorting by Color Tech Puangtong W. 195-205 Grading J Sci& fruta Tipo tomate laranjas Sistema de cor RGB RGB para HSI Características estudadas Resumo/Conclusão O objetivo deste trabalho foi constatar a possibilidade de se classificar tomates utilizando redes neurais artificiais e avaliar seu desempenho comparando as suas respostas com a opinião de um especialista. Técnicas de processamento de imagens pixels médios e redes neurais foram aplicadas para classificar (Rm, Gm, Bm) tomates em quatro classes diferentes baseadas em coordenadas seu tamanho e cor. Primeiro, imagens de 102 cromáticas r, g, tomates pertencentes ao grupo saladete foram b digitalizadas através de um webcam. Segundo, características de cor e forma forma extraídas de cada imagem e terceiro, essas características foram apresentadas a uma combinação de duas redes neuras. cor Estudos de caracterização das fases do amadurecimento da laranja também têm sido realizados. Uma técnica de processamento de imagem foi desenvolvida por Sirisathitkul (2006) para desenvolver um guia para classificação da maturidade da laranja. O objetivo dessa pesquisa foi avaliar o amadurecimento da fruta pela classificação da cor. O processo foi dividido em duas principais etapas, treinamento e teste. No treinamento, imagens de 90 laranjas de três diferentes ângulos foram coletadas por uma câmera digital sob uma iluminação normal com lâmpada branca fluorescente. Então, a imagem original RGB colorida da laranja foi transformada em imagem HSI, e então o hue foi usado como forma de regra de decisão. Um classificar foi implementado usando essa regra de decisão. Na fase teste, o grau de maturidade de 50 laranjas foi testado. A classificação da maturidade da laranja foi feita usando o classificador obtido e os resultados experimentais mostraram que o método de classificação de laranjas pode ser uma alternativa, pois obteve um sucesso de 98% de acerto. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Referência 237 Revista Automatic defect segmentation of Postharvest Biol. Unay, D. and Postharvest 41 2006 ‘Jonagold’ apples on Technol., 42 (2006), Gosselin, B. Technol multi-spectral images: 271–279 a comparative study Computer vision detection of peel Blasco, J., Journal of Food defects in citrus by Journal of 42 Aleixos, N., & 2007 Engineering, 81(3) means of a region Engineering Molto , E. (2007), 535–543 oriented segmentation algorithm Citrus sorting by Blasco, identification of the J.,Aleixos, N., J. Food Eng., 83 43 2007 most common defects J. Food Eng Gomez, J. (2007), 384–393 using multispectral andMolto , E. computer vision Produto Biol. Food Tipo fruta maçã fruta Frutas cítricas (laranja, limão) fruta Frutas cítricas (laranja, limão) Sistema de cor Características estudadas Resumo/Conclusão O autor comparou diversas técnicas de segmentação na análise de defeitos da maçã, sendo o classificador supervisionado mais exato que o não supervisionado e a segmentação foi mais precisa quando realizada Diversos na vizinhança da pixel. Resultados desse trabalho defeitos mostrou que muitos metodos de classificação e thesholding foram promissores para serem usados na segmentação de defeitos de superfície em máquinas de inspeção visual de maça de alta velocidade. Com algoritmo de segmentação com região orientada o contraste entre áreas diferentes na imagem tornam-se mais importante que o pixel colorido individual, resolvendo assim problemas de variedade das cores naturais das frutas. Esse manchas, trabalho propõe um algoritmo de segmentação por injúrias, defeitos região orientada para detetar um defeito comum na casca de frutas cítricas. Esse método permite a segmentação de pequenos defeitos. O algoritmo foi testado em diferentes tipos de laranja e mandarins com defeitos e o algoritmo foi capaz de acertar 95% dos defeitos analisados. Blasco (2007) direcionou sua pesquisa no uso da radiação infravermelha, ultravioleta e fluorescente nos sistemas de visão computacional para identificação de defeitos comuns em frutas cítricas, empregando algoritmos que combinam essas diferentes informações espectrais (incluindo a região visível) para classificar a fruta de acordo com o tipo RGB, XYZ, HSI, manchas, de defeito. O resultado obtido mostra que a La*b* and Lu*v* injúrias, defeitos contribuição da informação da região não-visível pode prover a deteção e identificação de alguns defeitos. Comparado com os resultados de imagens coloridas, a exatidão da deteção de antracnose (doença causada por fungos) aumentou 86% com o emprego de imagens do infravermelho, e a exatidão de mofo verde aumento de 65% a 94% usando imagens fluorescentes. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Referência 238 Revista Hyperspectral Gomez, J., detection of citrus Blasco, J., Electron. Lett., 43 44 2007 damage with a Electron. Lett. Molto, E. e (2007), 1082–1084 Mahalanobis kernel Camps-Valls, G. classifier Produto fruta Tipo Frutas cítricas (laranja, limão) Sistema de cor - Características estudadas - Changes in colour and texture and their Salvador A., relationship with Postharvest Biology Postharvest Biology 45 Sanz T., Fiszman 2007 eating quality during and Technology 43 fruta and Technology S. M., 2007 storage of two (2007) 319–325 different dessert bananas banana CIE Lab e hue e diversas croma Stem and calyx Unay, D. and recognition on J. Food Eng., 78 46 2007 J. Food Eng. Gosselin, B. ‘Jonagold’ apples by (2007), 597–605 pattern recognition fruta maçã - Defeitos superficie Combination of Xing, J., Saeys, chemometric tools and Comput. Electron. Comput. 47 W. and de 2007 image processing for Agric, 56 (2007), 1– Agric Baerdemaeker, J. bruise detection on 13 apples fruta maçã - Defeitos superficie Electron. Resumo/Conclusão O realizado por Gomes em 2007 refere-se à recente tecnologia que permite a análise de uma imagem de diferentes comprimentos de onda e o resultado espectral pode ser usado para ajudar a identificar conhecidos tipos de defeitos. Salvador em 2007 desenvolveu um trabalho para estudar os aspectos da qualidade de dois grupos diferentes de variedade de banana, normalmente consumidas na Espanha (M. cavendish e M. paradisíaca). O estudo analisou a evolução de parâmetros da qualidade e sua relação com a mudança da cor e textura durante o amadurecimento ocorrido a 20 ◦C. Durante o estudo a mudança na cor e textura da casca da banana foi gradual para a banana M. Cavendish e apresentou diversidade na banana M. paradisíaca, que permaneceu verde durante oito dias e então mudou rapidamente a cor para amarela até o 12º dia. A análise da cor foi realizada com um colorímetro Hunter Labscan II usando o sistema CIE Lab, sendo os parâmetros de hue e croma também avaliados. O estudo mostra que o amadurecimento da banana ocorre de forma diferente para diferentes grupos desta fruta. Neste artigo um novo método para reconhecer o cabo e fundo da maça é proposto. O método começa com a remoção do fundo e a segmentação por threshold. Aspectos da textura e forma foram extraídos para cada objeto segmentado e foram introduzidas no algoritmo de classificação, apresentando bom desempenho comparado com a literatura. Neste artigo um experimento usando um sistema de imagens hiperespectrais para deteção de machucados nas superfícies da maça. As ferramentas de PCA e PLSDA foram usados pra extrair e resumir as informações espectrais dos métodos segmentando a região de interesse, possibilitando a classificação. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Referência 239 Revista Gabor feature based Zhu, B., Jiang, apple quality J. Food Eng., 81 48 L., Luo, Y. and 2007 inspection using J. Food Eng (2007), 741–749 Tao, Y. kernel principal component analysis Produto fruta Tipo maçã Zou, X. B., Apple color grading Patt. Recogn. Lett, 49 Zhao, J. W. and 2007 based on organization 28 (2007), 2046– Patt. Recogn. Lett Li, Y. X. feature parameters 2053 fruta Bakker, T., Wouters, H., van Asselt, K., A vision based row Comput. Electron. Comput. 50 Bontsema, J., 2008 detection system for Agric., 60 (2008), Agric. Tang, L., Mu¨ sugar beet 87–95 ller, J. and van Straten, G plantações beterraba Blasco, Short communication. J.,CuberoAutomatic inspection García, S., of the pomegranate 51 Alegre-Sosa, S., 2008 (Punicagranatum L.) Gómez-Sanchís, arils quality by means J., López-Rubira, of computer vision V.,Moltó, E. Electron. Spanish Journal of Spanish Journal of Agricultural Agricultural fruta Engineering 6 (1) Engineering (2008), 12–16 Journal of Applied Cabrera, R. R, Ann analysis in a Journal of Applied Research and 52 Juarez, I. L., 2008 vision approach for Research and legumes Technology, Vol. 6 Sheng-Jen, H. potato inspection Technology No. 2 (2008)106-119 maçã Sistema de cor - RGB e HSI RGB romã RGB batata HSI Características estudadas - Resumo/Conclusão Um sistema automatizado para selecionar boas maçãs foi pesquisado na geometria derivada das imagens da maçã. Este artigo apresenta um sistema de classificação de maçãs a partir da cor em quatro classes de acordo presença de com a classificação chinesa. O sistema, que consiste defeitos, em uma câmera colorida CCD, foi projetado para tamanho, forma capturar imagens a cada rotação de 90º da fruta, e cor sendo extraído 17 parâmetros de cor de cada imagem da maçã, possibilitando a correta classificação, não funcionando para algumas classes. Testou o indicador GI=2G-R-B de Sogaard junto com outras duas versões normalizadas, onde o divisor normalizado foi [R+G+B], constatando ser seguro usar este indicador normalizado quando se tem mudanças no nível de iluminação. É interessante notar que por ser [r+g+b=1] a versão normalizada do indicador de grau verde GI definida por Søgaard passa a ser [gi=2g-r-b=3g-1], significando que g é uma boa variável para este tipo de aplicação sendo mais confiável do que usar a variável G sozinha Blasco também realizou um estudo no desenvolvimento do protótipo para seleção dos caroços da romã, para avaliar qual seria a melhor cor da esteira onde seria realizada a aquisição a imagem para posterior seleção. Neste estudo ele analisou qual cor de esteira iria ser mais adequada na extração cores da imagem e classificação, utilizando esteiras nas cores branca, azul, verde escuro, verde claro e cinza. A cor azul apresentou melhor desempenho devido apresentar maior B em oposição as cores dos caroços a serem classificados que variavam do branco ao vermelho, apresentando alto R. Batatas são analisadas de todos os lados e para isto uma câmera com espelhos são utilizados para obter uma imagem global. Experimentos com batatas vermelhas e amarelas foram realizadas mostrando que o sistema empregado é robusto para a classificação. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título 240 Referência Classification of cereal grains using wavelet, Choudhary, R., morphological, colour, Biosyst. Eng., 53 Paliwal, J. and 2008 and textural features (2008), 330–337 Jayas, D. S. of non-touching kernel images Revista 99 Tipo grão trigo sementes sementes Automatic correction Gomez-Sanchis, of the effects of the J.,Molto , E., light source on Camps-Valls, G., spherical objects. An J. Food Eng., 85 55 2008 J. Food Eng Gomez-Chova, application to the (2008), 191–200 L., Aleixos, N. analysis of andBlasco, J. hyperspectral images of citrus fruits. fruta Frutas cítricas (laranja, limão) Jackman P., Sun Prediction of beef D. W., Du C., eating quality from Meat Science 80 56 2008 Meat Science Allen P., colour, marbling and (2008) 1273–1281 Downey G. wavelet texture feature alimento carne 54 Biosyst. Eng Produto Computer image Comput. Electron. Dana, W. and analysis of seed shape Comput. 2008 Agric., 61 (2008), Ivo, W. and seed color for flax Agric. 126–135. cultivar description Electron. Sistema de cor Características estudadas Resumo/Conclusão Realizou um estudo de classificação de grãos analisando os aspectos morfológicos, ondulações, cor e textura a partir de imagens.Um total de 51 aspectos morfológicos, 93 aspectos de cores, 56 de morfológia, textura e 135 de ondulações foram extraídos de cada RGB, HSI e CIE Lab ondulações, cor grão e uma classificação estatística foi usada para a e textura classificação usando os aspectos individuais e suas combinações para encontrar o melhor conjunto e bom resultados foram obtidos, maioria acima de 98%. A visão computacional foi empregada para analisar formas e cores de sementes com o objetivo de encontrar parâmetros que fornecem melhor classificação de toxidade. A análise de cor foi Lab calculado a partir cor e forma realizada empregando o sistema CIELab juntamente do RGB com a análise da forma de 53 variedades de sementes, concluindo que as cores são mais importantes que a forma para a análise de toxidade de sementes. Gomez-Sanchez aborda que alguns problemas surgidos na inspeção de imagem de alguns produtos são devido a forma esférica, como é o caso de laranjas, peras, tomates, maçãs, etc. A metodologia apresentada usa um sistema de visão computacional hiperespectral baseada em filtros de cristal líquido harmonioso que minimiza o efeito produzido pela curvatura de fruta sobre a intensidade da radiação capturada pela câmera. O experimento mostra que aplicando este método o nível de cinza do pixel é homogeneizado a uma mesma classe, independente da região de origem na superfície da fruta , reduzindo também o desvio padrão no qual facilita a posterior classificação - defeitos Examinar a superfície do bife para avaliação da qualidade Apêndice B – Tabela comparativa das referências Nº 57 Autores Jarimopas Jaisin N. Ano B., 2008 Título 241 Referência Revista An experimental Journal of Food machine vision system Journal of Engineering 89 for sorting sweet Engineering (2008) 291–297 tamarind Produto Food fruta Tipo tamarindo Colour vision system Kang S.P., East evaluation of Postharvest Biology Postharvest Biology 58 A.R., Trujillo 2008 bicolourfruit:A case and Technology 49 fruta and Technology F.J. study with ‘B74’ (2008) 77–85 mango manga Evaluation of different Kavdir, I. and pattern recognition Biosyst. Eng., 59 2008 Guyer, D. E. techniques for apple (2008), 211–219 sorting fruta maçã frutas - 99 Biosyst. Eng Robust color space Lee, D.J., conversion and color Journal of Food Archibald J. K., Journal of 60 2008 distribution analysis Engineering 88 Chang Y. C., Engineering techniques for date (2008) 364–372 Greco C. R. maturity evaluation Food Sistema de cor Características estudadas Resumo/Conclusão Jarimopas desenvolveu um experimento com um sistema de visão computacional para tamarindos baseado em técnicas de processamento de imagem. Os parâmetros relevantes avaliados foram forma, forma, tamanho, tamanho e defeitos. A classificação realizada pelo defeitos sistema de visão computacional teve uma eficiência média de 89,8% para uma capacidade de seleção de 1517 tamarindos/h, e uma razão de contaminação de 10,2%, que está dentro dos padrões de exportação exigidos pela Tailândia. Kang (2008) investigou o uso de um sistema de medida digital colorida para obter os valores de hue, croma, a e b da cor de frutas heterogeneamente coloridas, adotando como exemplo a manga. O objetivo do estudo foi determinar o efeito da curvatura da fruta sobre as medidas do Lab em um grande intervalo de cor, quantificar o efeito da curvatura no calculo do hue e do croma e demonstrar RGB para CIE LAB e como os dados de hue capturados podem prover cor hue e croma valores quantitativos da descrição do perfil de cor e mudanças de cor em frutas heterogeneamente coloridas. Como resultado foi confirmado que da medida dos valores de a e b da cores na superfície curva, 55% e 69% dos valores foram dentro do range da medida para a mesma superfície plana. Esse desvio das medidas da descrição do hue e croma resultaram em uma média de erro de 2 a 2,5 respectivamente. Kavdir desenvolveu um sistema para análise de maçãs a partir de alguns parâmetros, tais como, o matiz (cor), defeitos da forma, circunferência, firmeza, peso, pontos vermelhos na superfície e Lab defeitos superficiais. Foi analisado o desempenho da combinação destes parâmetros para determinar a melhor opção de classificação, empregando redes neurais. Lee propôs em 2008 uma nova conversão de espaço de cor e uma nova técnica de análise de distribuição de índice de cor para avaliar automaticamente os novo modelo linear dados de maturidade do fruto. Em contraste com as técnicas complexas de classificação de cor apresentada, o método proposto por Lee torna fácil Apêndice B – Tabela comparativa das referências Nº 61 Autores Ano Título Referência 242 Revista Produto Lino A. C. L., Image processing Bragantia, Campinas, Sanches techniques for lemons 2008 v.67 (2008), n.3, Bragantia, Campinas fruta J.,Fabbro I. M. and tomatoes p.785-789 D. classification Comparison of Manickavasagan, illuminations to Comput. Electron. Comput. 62 A., Sathya, G. 2008 identify wheat classes Agric., 63 (2008), Agric. and Jayas using monochrome 237–244 images Effect of Stages of Moneruzzaman Maturity and Ripening K.M., Hossain Conditions on the 63 2008 A.B.M.S., Sani Physical W., Saifuddin M. Characteristics of Tomato Electron. grão American Journal of American Journal of Biochemistry and Biochemistry and fruta Biotechnology 4 (4): Biotechnology 329-335, 2008 Quevedo R., Determination of Mendoza F., senescent spotting in Journal of Food Aguilera J. M., banana (Musa Journal of 64 2008 Engineering 84 Chanona J., cavendish) using Engineering (2008) 509–515 Gutierrez-Lopez fractal texture Fourier G. image Food fruta Tipo tamate limão Sistema de cor e Características estudadas RBG pra HSI - trigo - - tomate - - banana - textura Resumo/Conclusão ao operador humano especificar e ajustar o conjunto de cores a serem analisadas. Em 2008 Lino apresentou um trabalho com o objetivo de classificar a forma, volume e cor em frutas, sendo aplicados em tomates e limões. De acordo com Lino a implementação tecnológica dos sofisticados sistemas de classificação de frutas se torna de difícil acesso para pequenos e médios produtores, devido ao alto custo de softwares, equipamentos, além dos custos operacionais. Com base nessas considerações Lino estudou a adaptação de um novo software, com código-fonte aberto para habilitar o sistema de classificação reconhecendo forma, volume, cor e possivelmente danos. Realizaram um estudo para determinar a melhor iluminação a ser utilizada em análise de grãos. Lâmpadas incandescentes, fluorescentes de anel e tubo (ring and tube) foram testadas e a última foi a que obteve a melhor exatidão na classificação. Moneruzzaman em 2008 desenvolveu um estudo sobre os efeitos dos diferentes estágios de maturação e condições de amadurecimento do tomate nas características físicas durante o processo de amadurecimento. Diferentes condições de estágios de maturação e amadurecimento e suas combinações mostraram uma variação significante nas diferentes características físicas do tomate. Em 2008, Quevedo apresentou um trabalho onde usou a analise de textura de imagens como indicador do aparecimento dos pontos marrons de envelhecimento da banana (estágio 7 da escala de von Loesecke. No experimento as bananas forma armazenadas durante 10 dias à 20ºC e as imagens da superfície foram adquiridas por um sistema de visão computacional. O resultado do trabalho mostra que textura analisada com análise de Fourier aumento com o envelhecimento e pode ser usada como um indicador do processo de desenvolvimento de pontos marrons na superfície da banana. Apêndice B – Tabela comparativa das referências Nº Autores Rashidi 65 Seyfi K. Ano M., Título Referência 243 Revista Produto Determination of World Applied Kiwifruit volume World Applied 2008 Sciences Journal 2 fruta using image Sciences Journal (2) (2008):184-190 processing Riquelme, M. T., Olive classification Barreiro, P., according to external J. Food Eng., 87 66 2008 J. Food Eng Ruiz-Altisent, damage using image (2008), 371–379 M. e Valero, C. analysis Nondestructive Rutkowski P., determination of 67 Michalczuk B., 2008 ‘golden delicious’ Konopacki P. apple quality and harvest maturity Avaliação da escala de Santos J. L. V., cor da casca do Martins D. R., 68 2008 mamão (caricapapaya Vitorazi L., l.) por análise de Resende E. D. imagem frutas Journal of Fruit and Journal of Fruit and Ornamental Plant Ornamental Plant fruta Research Vol. 16, Research 2008: 39-52 XX Congresso Brasileiro de Fruticultura, 54th Annual Meeting of the Interamerican Society for Tropical Horticulture, Vitória, ES, 2008. XX Congresso Brasileiro de Fruticultura, 54th Annual Meeting of fruta the Interamerican Society for Tropical Horticulture Tipo kiwi Sistema de cor RGB Características estudadas volume Resumo/Conclusão Processo com tecnologia de imagem para analisar o volume do kiwi azeitona RGB values were transformed into HSV e Lab using an algorithm of Matlab Realizou um estudo sobre deteção de defeitos originados de diferentes causas e a análise a cor e da forma foi realizada a partir de imagens para classificar os individuais tipos de defeitos e também as azeitonas sem defeitos. O sistema de cor empregado foi o RGB e HSV e os testes no laboratório apresentaram uma média de 75% de correta classificação, porém foi percebido que para diferentes tipos de azeitona o acerto pode diminuir para até 38%. Este trabalho, assim como muitos outros de inspeção na área alimentícia apresenta a limitação de que um número insuficiente de amostras foi avaliado na classificação de defeitos para permitir um treinamento confiável do classificador usado. maçã - - Medida da clorofila e firmeza da fruta cor Santos apresentou um estudo que a partir da aquisição de imagens fotográficas foi desenvolvido um protocolo de análise dos padrões de coloração da casca (RGB) para avaliar o processo de amadurecimento do mamão. A avaliação da cor foi realizada selecionando os parâmetros de RGB com maiores valores de área representativos das tonalidades verdes e amarelas da superfície da casca. O processo de amadurecimento do mamão, caracterizado pela mudança da coloração da casca, foi determinado pela análise de imagem fotográfica dos frutos obtida para diferentes estádios de maturação. mamão papaya RGB Apêndice B – Tabela comparativa das referências Nº Autores Ano Título 244 Referência Revista Produto Silva T. V., Determinação da Resende E. D., escala de coloração da Viana A. P., casca e do rendimento 69 2008 Pereira S. M. F., em suco do maracujáLanamar A. C., amarelo em diferentes Vitorazi L. épocas de colheita Rev. Bras. Frutic., Jaboticabal - SP, v. Rev. Bras. Frutic., fruta 30 (2008), n. 4, p. Jaboticabal - SP 880-884. Desenvolvimento de Tezuka,E. S., um modelo de visão 70 Herrmann, P. S. 2008 computacional para P., Cruviel, P. E. inferência da qualidade de frutas XI Encontro de Modelagem Computacional, 2008, Volta Redonda, RJ XI EMC - XI Encontro de Modelagem fruta Computacional, 2008, Volta Redonda, RJ Amarasinghe D. Surface colour Proceedings of the 71 I.,Sonnadara D. 2009 variation of Papaya Technical Sessions, U. J. fruits with maturity 25 (2009) 21-28 fruta Tipo Sistema de cor maracuja - banana HSI e RGB mamão papaya RGB e OHTA Características estudadas Resumo/Conclusão Determinar uma escala de coloração da casca para identificar o estádio de maturação do maracujáamarelo e avaliar o rendimento em suco nas diferentes épocas de colheita. A coloração da casca cor foi medida, usando-se o Colorímetro Hunterlab Miniscan Spectrophotometer (MiniScan XE Plus), caracterizada pelo parâmetro b de Hunter, e mudança na coloração da casca foi identificada pela medida da reflectância da casca. Apresenta um modelo computacional para classificação de frutas através da análise de imagens adquiridas por câmera fotográfica. O sistema em desenvolvimento utiliza técnicas de processamento textura, area e de imagens, tais como filtragem, processamento de cor cor baseado no modelo HSI, processamento de área, de textura e classificação que integram o modelo de decisão que se baseia em indicadores de interesse para especificação da qualidade dos produtos analisados. Amarasinghe propõe a determinar uma relação entre a superfície colorida da fruta de uma categoria e a maturidade, desenvolvendo um sistema capaz de separar mamões papaya automaticamente dependendo do nível de amadurecimento. Dois espaços de cores, RGB e OHTA baseados em algoritmos de segmentação foram desenvolvidos cor para detectar regiões de cor amarela no mamão. Uma técnica de normalização foi aplicada para reduzir erros sistemáticos devido a luz da vizinhança. Resultados mostram um aumento não linear na superfície de cor amarela com a idade da fruta. Resultados preliminares mostram que a técnica normalizada pode ajudar a reduzir erros sistemáticos. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Referência 245 Revista Automatic visual Atencio, P., model for Sanchez T., classification and Dyna vol.76 (2009), 72 2009 Dyna Germán, Branch, measurement of no.160, p.317-326 William J. quality of fruit: case Mangiferaindica L Recognition and classification of Blasco, external skin damage Biosystems J.,Aleixos, N., Biosystems 73 2009 in citrus fruits using Engineering 103 Gomez, J. Engineering multispectral data and (2009) 137–145 andMolto , E. morphological features Development of a Blasco, machine for the J.,Cubero, S., automatic sorting of J. Food Eng., 90 74 Gomez-Sanchıs, 2009 pomegranate J. Food Eng. (2009), 27–34 J., Mira, P. (Punicagranatum) arils andMolto E. based on computer vision Produto fruta fruta fruta Tipo Sistema de cor Características estudadas Resumo/Conclusão manga RGB para HSL cor Atencio apresentou um trabalho de inspeção visual baseado no método de classificação de manga. O processo de classificação é feito de acordo com a Norma Técnica Colombiana (Colombian Technical Norm) NTC 5139, pela estimação automática das propriedades físicas da fruta, tal como peso, largura, volume, altura, diâmetro, e nível de maturidade usando componente principal de análise e um modelo de fruta 3D elipsoidal. O nível de maturidade é determinado através de similaridade medida da distribuição de cor entre as frutas e a medida experimental fixada no modelo HSL. Os resultados monstram que o método é computacionalmente eficiente, não evasivo, preciso e de baixo custo. laranja Para luz florescente, 8 fluorescent tubes of black light (18 w each) that emit radiation with a wavelength between 350 and 400 nm, with the peak at 370 nm. Para o NIR 2 incandescente lamps (Philips R125-IR, 250w). HSI melhor because it represents better the small colour variability in the samples (orange of the skin, grey orbrown of some defects and green of stems). Em 2009, Blasco continuou sua pesquisa com laranjas desenvolvendo um sistema para identificar o tipo de defeitos externos em citrus usando visão computacional multiespectral. Os parâmetros morfológicos e espectrais, tal como a cor, área, comprimento, largura e raio foram calculados. Essas informações foram combinadas para identificar e distinguir entre os diferentes tipos de defeitos e para separar a fruta de acordo com a severidade do defeito, obtendo 86% de sucesso na separação de 2000 laranjas. cores No caso da romã, fruto que possui muitas propriedades nutricionais, mas que possui uma casca difícil de ser removida, um sistema comum no seu processamento é a separação entre os pedaços da casca e os caroços sadios para diversas aplicações. Um estudo realizado por Blasco em 2009 consiste na separação dos caroços pela cor usando visão computacional obtendo 90% de exatidão na classificação. Para obter uma boa classificação Blasco utilizou a razão R/G que apresentou melhor desempenho na distinção de diferentes cores dos caroços do que o R, G ou B separados ou agrupados. Uma das justificativas para isto deve-se ao fato de que a razão R/G é intrinsecamente invariável a variações na iluminação. romã RGB Apêndice B – Tabela comparativa das referências Nº Autores 75 Davies, E. R. Ano Título Referência 246 Revista Produto The application of The Imaging Science machine vision to food The Imaging 2009 Journal, 57 (2009), 4, and agriculture: a Science Journal 197-217(21) review Tipo - Sistema de cor - Características estudadas - Development of Effendi Z., JatrophaCurcas Color 76 Ramli R., Ghani 2009 Grading System for J. A., Yaakob Z. Ripeness Evaluation European Journal of Scientific Research, European Journal of semente Vol.30 No.4 (2009), Scientific Research (fruta) pp.662-669 pinhão RGB cor Non-destructive Rizam M. S. B. Watermelon Ripeness S., Yasmin A.R. Determination Using 77 2009 F., Ihsan M. Y. Image Processing and A., Shazana K. Artificial Neural Network (ANN) International Journal of Computer Systems Science and Engineering 4:2 (2009), 130-134 melão RGB paraYCbCr cor banana - Diversas caracteristicas de sabor International Journal of Computer fruta Systems Science and Engineering Vermeir S., Hertog M. L. A. T. M., Instrumental based LWT - Food Science LWT - Food Science 78 Vankerschaver 2009 flavor characterisation and Technology 42 fruta and Technology K., Swennen R., of banana fruit (2009) 1647–1653 Nicolaı B. M., Lammertyn J. Resumo/Conclusão Revisão de publicação desde 2000 até 2008 Effendi (2009) realizou um estudo com o pinhão (conhecido como pinhão manso). O pinhão tem sido ultimamente muito utilizado para produção de biodiesel e sua qualidade depende do tipo e do tamanho dos defeitos, bem como da cor da casca e do tamanho do fruto. No seu estudo Effendi apresentou o desenvolvimento de um sistema de classificação de pinhão usando histogramas de cor para distinguir os níveis de amadurecimento do fruto baseado na intensidade da cor. O sistema empregou a intensidade média da cor para analisar o vermelho, o verde e o azul do sistema RGB do fruto, concluindo a partir de algumas simulações que o sistema é usual para classificação do nível de amadurecimento deste fruto. Rizam apresentou um sistema para medir e determinar o amadurecimento e a qualidade do melão. As imagens do melão foram filtradas usando técnica de processamento de imagem e as informações foram usadas para treinar uma rede neural para determinar com exatidão o amadurecimento do melão. Resultados iniciais mostram uma exatidão de 86,51%. Vermeir em 2009 empregou diferentes técnicas instrumentais para avaliar o perfil do sabor de bananas durante o amadurecimento. Além de técnicas padronizadas para avaliar a qualidade da fruta (firmeza, etc), a cromatografia de massa foi usada para quantificar diferentes componentes voláteis presentes no amadurecimento da banana. Principalmente os componentes responsáveis pela doçura e acidez foram avaliados, sendo monitorados desde a etapa inicial de amadurecimento (etapa 1 – verde) até o amadurecimento completo. Diferenças nos sabores foram encontradas para as bananas que foram amadurecidas naturalmente e aquelas que foram amadurecidas com a exposição a etileno para uma mesma etapa de cor. Apêndice B – Tabela comparativa das referências Nº Autores Ano Título Utilização de imagens digitais para avaliação Werner S. S., da coloração de Coelho S. R. M., 79 2009 banana prata Poncio A. P., submetida a diferentes Ferreira L. tratamentos póscolheita 80 Zou, X. Zhao, J. Barnes Duckett 81 Cielniak Stroud Harper G. On-line detecting size and color of fruit by and 2009 fusing information from images of three color camera systems Referência 247 Revista Produto Seminário de Ciências Agrárias, Seminário de Londrina, v. 30 Ciências Agrárias, fruta (2009), n. 2, p. 381- Londrina 388 Computer and Computing Technologies in Agriculture II, Volume 2 (2009), eds. D. Li, Z. Chunjiang, (Boston: Springer), pp. 1087– 1095 Computer Computing Technologies Agriculture II M., Visual detection of T., Journal of Food blemishes in potatoes Journal of G., 2010 Engineering 98 using minimalist Engineering G., (2010) 339–346 boosted classifiers Tipo banana Sistema de cor Características estudadas RGB para CIE LAB e cor hue e croma Werner apresentou em 2009 um trabalho com o objetivo de avaliar, a partir de imagens digitais, mudança da coloração durante o armazenamento de banana prata submetida a diferentes tratamentos póscolheita. As bananas na primeira etapa de amadurecimento (verde) foi submetida a seis tipos diferentes de tratamento pós-colheita, sendo todas depois armazenadas em condições ambientais por 14 dias, sendo as imagens adquiridas nos dias 1, 7 e 14 de armazenagem. A observação visual da alteração da cor da casca foi realizada diariamente. Os dados obtidos através das imagens digitais confirmaram as observações visuais, indicando relação entre os métodos. RBG pra HSI Apresenta um sistema de classificação de maçãs a partir da cor em quatro classes de acordo com a classificação chinesa, que consiste em uma câmera colorida CCD, foi projetado para capturar imagens a cada rotação de 90º da fruta,possibilitando a correta classificação, não funcionando para algumas classes. - Barnes introduziu em seu trabalho um novo método para detectar defeitos em batatas usando visão computacional. Depois da segmentação da batata do fundo, um classificador por pixel foi treinado par detectar manchas usando extração de características da imagem. Alguns parâmetros foram utilizados baseados em informações estatísticas extraídas da cor e da textura da região vizinha do pixel, e então um algoritmo foi usado para selecionar automaticamente entre as manchas e não-manchas. O resultado mostrou que o método é capaz de classificar e otimizar o desempenho de classificação com baixo custo computacional, apresentando uma exatidão para batatas brancas e vermelhas de 89,6% e 89,5% respectivamente. and in Food fruta legumes maçã batata Resumo/Conclusão manchas Apêndice B – Tabela comparativa das referências Nº Autores Liming 82 Yanchao Z. Ano X., Título Referência 248 Revista In-line detection of Xiao-bo Z., Jieapple defects using 85 wen Z., Yanxiao 2010 three color cameras L., Holmes M. system Tipo Sistema de cor Características estudadas Resumo/Conclusão morango CIE Lab Liming desenvolveu um sistema automatizado para classificar o morango considerando três características, a forma, o tamanho e a cor. A cor do morango adota no método de cor dominante o canal a, onde foi adotado os limites de a ≥ 160 (vermelho tamanho, cor e escuro), 150 ≤ a≤ 160 (vermelho) e a≤ 150 forma (vermelho claro), e o tamanho é descrito pelo maior diâmetro. Resultados mostraram que o erro do sistema de detecção foi menor que 5%, a exatidão a cor foi de 88,8%, e a exatidão da classificação da forma foi de 90% para um tempo médio de classificação de 3 s. International Journal of Computer International Journal Applications, of Computer Volume 1 (2010), Applications No. 4 - - - Resumo geral dos trabalhos realizados na área Trends in Science Technology (2010) 26-43 presunto - - Revisão dos diversos estudos desenvolvidos na área, relacionando as diversas técnicas empregas nesta área. defeitos Xiao em 2010 desenvolveu um sistema par detecção de defeitos da maçã, usando três câmeras coloridas para aquisição da imagem. Neste sistema as maçãs são colocadas em uma esteira rotativa, e se movimentam enquanto a imagem é capturada por cada uma das câmeras, totalizando nove imagens para cada maçã, sendo toda a superfície escaneada. Depois, a imagem da maçã é segmentada do fundo preto pelo método multi-thereshold, e os defeitos são separados. Boa separação é obtida entre as maçãs normais e com defeitos e a vantagem deste método é a possibilidade de identificação de vários tipos de defeitos. Computers and Automated strawberry Computers Electronics in 2010 grading system based Electronics Agriculture 71S on image processing Agriculture (2010) S32–S39. Prospects of computer vision automated Narendra V. G., grading and sorting 83 2010 Hareesh K. S. systems in agricultural and food products for quality evaluation Emerging noncontact imaging, spectroscopic and Valous N. A., colorimetric 84 Mendoza F., Sun 2010 technologies for D. W. quality evaluation and control of hams: a review Produto Food Trends in & Science 21 Technology Computers and Computers Electronics in Electronics Agriculture 70 Agriculture (2010) 129–134. and in fruta Food & alimento and in fruta maçã - APÊNDICE C Resultados Adicionais C.1 Coordenadas de cromaticidade das subclasses da banana usando diferentes fundos e fontes Neste apêndice são apresentados os resultados obtidos para as coordenadas de cromatidade das subclasses da banana usando diferentes fundos e fontes, conforme descrito no capítulo 5, item 5.2.2.4. As maiores incertezas obtidas nas medições foram Uxy=0,0015 e UY%= 1,25 %. As diferenças obtidas nos valores das coordenadas são, na maioria dos casos, maiores que a incerteza da medição, podendo-se afirmar serem devidas às diferentes fontes e fundos utilizados. 249 250 Tab. C.1 – Coordenadas de cromaticidade da subclasse C2, diferentes fundos e fontes. Fonte F01 F02 F03 F04 F05 F06 F07 F08 F09 C2 vermelho Desvio Máximo (preto) 0,4620 0,4639 0,4736 0,0116 0,4739 0,4773 0,4768 0,4687 -0,0006 22,87 25,17 21,93 22,44 21,26 -1,10 0,4656 0,4693 0,4670 0,4691 0,4670 0,4718 0,0062 y 0,4745 0,4744 0,4735 0,4707 0,4734 0,4714 -0,0001 Y% 24,9928 22,57 23,81 21,16 20,96 21,89 -1,18 x 0,4655 0,4683 0,4654 0,4624 0,4674 0,4654 0,0028 y 0,4770 0,4741 0,4755 0,4794 0,4754 0,4729 0,0024 Y% 18,58 21,59 22,11 22,81 23,51 24,72 6,15 x 0,4665 0,4686 0,4682 0,4665 0,4674 0,4711 0,0046 y 0,4766 0,4741 0,4741 0,4755 0,4758 0,4729 -0,0008 Y% 19,78 23,15 24,21 22,50 22,54 22,54 4,43 x 0,4668 0,4673 0,4667 0,4663 0,4648 0,4731 0,0063 y 0,4803 0,4792 0,4774 0,4790 0,4829 0,4752 0,0026 Y% 18,70 21,99 23,01 20,51 18,68 22,47 4,30 x 0,4915 0,4819 0,4634 0,4719 0,4681 0,4680 -0,0096 y 0,4567 0,4589 0,4701 0,4639 0,4696 0,4682 0,0133 Y% 13,0911 26,57 22,95 22,68 21,91 23,53 13,48 x 0,4689 0,4690 0,4658 0,4678 0,4675 0,4762 0,0072 y 0,4662 0,4633 0,4713 0,4678 0,4710 0,4632 0,0051 Y% 23,87 26,73 25,23 21,15 22,46 21,71 2,86 x 0,4676 0,4678 0,4679 0,4679 0,4677 0,4698 0,0022 y 0,4708 0,4704 0,4679 0,4691 0,4694 0,4682 -0,0004 Y% 33,02 33,52 28,90 30,96 30,92 33,21 0,50 x 0,4784 0,4713 0,4703 0,4693 0,4720 0,4761 -0,0023 y 0,4639 0,4677 0,4685 0,4700 0,4687 0,4654 0,0061 Y% 31,01 31,11 29,19 28,73 28,37 0,10 Itens C2 preto C2 cinza C2 branco x 0,4620 0,4633 0,4649 y 0,4779 0,4771 Y% 26,26 x C2 azul C2 verde 29,83 251 Tab. C.2 – Coordenadas de cromaticidade da subclasse C3, diferentes fundos e fontes. Fonte F01 F02 F03 F04 F05 F06 F07 F08 F09 C3 vermelho Desvio Máximo (preto) 0,4810 0,4844 0,4868 0,0110 0,4749 0,4772 0,4730 0,4732 -0,0023 26,84 30,80 29,30 27,78 32,02 5,71 0,4878 0,4678 0,4673 0,4665 0,4674 0,4794 -0,0084 y 0,4719 0,4756 0,4725 0,4739 0,4792 0,4687 0,0074 Y% 33,42 18,17 20,59 16,03 15,79 16,91 -12,83 x 0,4651 0,4678 0,4657 0,4649 0,4660 0,4782 0,0131 y 0,4797 0,4770 0,4757 0,4775 0,4797 0,4703 -0,0001 Y% 16,33 16,65 19,37 16,52 16,78 16,68 3,03 x 0,4670 0,4677 0,4648 0,4658 0,4809 0,0139 y 0,4786 0,4753 0,4768 0,4796 0,4677 0,0010 Y% 15,83 18,95 16,20 15,86 15,31 3,12 x 0,4755 0,4755 0,4743 0,4754 0,4761 0,4806 0,0051 y 0,4695 0,4695 0,4697 0,4680 0,4688 0,4661 0,0003 Y% 21,96 23,18 24,17 22,68 23,17 22,59 2,21 x 0,5090 0,4907 0,4786 0,4978 0,4883 0,4911 -0,0111 y 0,4545 0,4659 0,4727 0,4573 0,4657 0,4649 0,0181 Y% 16,61 28,25 26,35 31,00 35,02 33,60 18,41 x 0,4917 0,4912 0,4940 0,4945 0,4916 0,4962 0,0045 y 0,4612 0,4618 0,4586 0,4592 0,4616 0,4575 0,0006 Y% 25,17 29,11 38,58 37,70 32,27 37,33 13,41 x 0,4758 0,4767 0,4751 0,4694 0,4746 0,4847 0,0090 y 0,4683 0,4660 0,4639 0,4694 0,4694 0,4620 0,0010 Y% 12,61 16,37 20,50 16,04 17,30 19,26 7,89 x 0,4917 0,4825 0,4815 0,4807 0,4822 0,4991 0,0074 y 0,4593 0,4628 0,4612 0,4639 0,4660 0,4533 0,0068 Y% 12,34 16,30 19,77 19,24 15,04 7,56 Itens C3 preto C3 cinza C3 branco x 0,4757 0,4814 0,4821 y 0,4795 0,4740 Y% 26,31 x C3 azul C3 verde 19,90 252 Tab. C.3 – Coordenadas de cromaticidade da subclasse C4, diferentes fundos e fontes. Fonte F01 F02 F03 F04 F05 F06 F07 F08 F09 C4 vermelho Desvio Máximo (preto) 0,4968 0,4980 0,5022 0,0119 0,4518 0,4531 0,4514 0,4493 -0,0040 36,05 35,43 36,64 43,98 41,18 2,73 0,4940 0,4925 0,4927 0,4935 0,4955 0,4966 0,0025 y 0,4538 0,4539 0,4536 0,4531 0,4511 0,4499 0,0000 Y% 37,33 45,34 45,60 39,81 44,51 41,96 8,27 x 0,4962 0,5002 0,5014 0,5009 0,5012 0,5026 0,0064 y 0,4521 0,4493 0,4482 0,4483 0,4489 0,4474 -0,0028 Y% 40,59 46,14 46,93 45,86 45,28 48,03 7,43 x 0,5047 0,5049 0,5058 0,5060 0,5063 0,5087 0,0041 y 0,4459 0,4456 0,4449 0,4443 0,4443 0,4428 -0,0003 Y% 44,79 45,06 49,57 43,61 47,53 48,79 4,78 x 0,4941 0,4958 0,4954 0,4939 0,4956 0,4972 0,0030 y 0,4655 0,4636 0,4642 0,4660 0,4649 0,4639 0,0006 Y% 38,64 39,94 39,82 35,99 36,95 38,68 1,30 x 0,5273 0,5089 0,5017 0,5097 0,5270 0,5272 -0,0256 y 0,4345 0,4483 0,4505 0,4451 0,4342 0,4332 0,0161 Y% 16,83 30,42 29,44 28,44 35,61 37,37 20,54 x 0,5093 0,5093 0,5075 0,5125 0,5148 0,5151 0,0059 y 0,4440 0,4447 0,4448 0,4413 0,4406 0,4405 0,0008 Y% 28,43 30,23 34,18 24,72 32,45 30,67 5,75 x 0,4839 0,4845 0,4852 0,4832 0,4855 0,4895 0,0055 y 0,4606 0,4599 0,4588 0,4591 0,4605 0,4563 -0,0001 Y% 40,99 42,16 43,93 41,34 36,72 41,64 2,95 x 0,4935 0,4898 0,4902 0,5000 0,4956 0,5052 0,0117 y 0,4541 0,4567 0,4552 0,4494 0,4542 0,4470 0,0026 Y% 39,82 42,47 41,88 38,25 27,94 2,65 Itens C4 preto C4 cinza C4 branco x 0,4903 0,4986 0,5008 y 0,4571 0,4515 Y% 41,25 x C4 azul C4 verde 39,21 253 Tab. C.4 – Coordenadas de cromaticidade da subclasse C5, diferentes fundos e fontes. Fonte F01 F02 F03 F04 F05 F06 F07 F08 F09 C5 vermelho Desvio Máximo (preto) 0,5099 0,5129 0,5146 0,0036 0,4365 0,4398 0,4376 0,4369 -0,0014 59,22 58,55 57,37 58,55 58,28 2,53 0,5050 0,5065 0,5053 0,5066 0,5069 0,5105 0,0054 y 0,4551 0,4565 0,4560 0,4579 0,4569 0,4547 0,0028 Y% 39,54 40,26 40,61 37,78 41,33 39,68 1,79 x 0,5095 0,5128 0,5137 0,5145 0,5189 0,5192 0,0097 y 0,4546 0,4520 0,4509 0,4511 0,4479 0,4477 -0,0026 Y% 40,93 42,56 45,93 43,08 52,02 50,79 11,10 x 0,5159 0,5178 0,5179 0,5211 0,5187 0,5206 0,0051 y 0,4490 0,4484 0,4479 0,4455 0,4478 0,4469 -0,0006 Y% 42,27 45,65 46,68 53,16 44,02 45,95 10,89 x 0,5090 0,5105 0,5104 0,5113 0,5119 0,5145 0,0055 y 0,4518 0,4501 0,4506 0,4497 0,4494 0,4476 -0,0012 Y% 45,59 42,95 47,53 45,84 43,88 44,77 1,94 x 0,5403 0,5351 0,5181 0,5228 0,5190 0,5262 -0,0222 y 0,4321 0,4303 0,4415 0,4399 0,4421 0,4382 0,0099 Y% 26,96 55,21 49,14 48,07 51,01 48,19 28,25 x 0,5219 0,5205 0,5192 0,5217 0,5229 0,5269 0,0050 y 0,4389 0,4399 0,4424 0,4401 0,4378 0,4371 0,0035 Y% 32,48 51,26 52,77 42,32 51,69 48,77 20,29 x 0,5176 0,5179 0,5190 0,5169 0,5176 0,5206 0,0030 y 0,4418 0,4415 0,4400 0,4409 0,4417 0,4393 0,0000 Y% 47,46 46,75 52,14 49,02 47,14 48,26 4,68 x 0,5213 0,5258 0,5224 0,5226 0,5262 0,5306 0,0093 y 0,4390 0,4347 0,4371 0,4369 0,4355 0,4328 -0,0019 Y% 45,31 51,16 49,81 46,88 50,14 5,85 Itens C5 preto C5 cinza C5 branco x 0,5110 0,5124 0,5139 y 0,4412 0,4384 Y% 56,70 x C5 azul C5 verde 46,16 254 Tab. C.5 – Coordenadas de cromaticidade da subclasse C6, diferentes fundos e fontes. Fonte F01 F02 F03 F04 F05 F06 F07 F08 F09 C6 vermelho Desvio Máximo (preto) 0,5196 0,5220 0,5271 0,0052 0,4348 0,4390 0,4367 0,4326 0,0025 40,19 44,45 51,00 52,71 52,94 4,63 0,5075 0,5069 0,5064 0,5098 0,5092 0,5064 0,0023 y 0,4356 0,4362 0,4350 0,4350 0,4353 0,4345 0,0006 Y% 64,35 63,65 64,02 63,65 63,66 63,42 -0,33 x 0,5087 0,5063 0,5095 0,5086 0,5081 0,5085 0,0008 y 0,4354 0,4370 0,4362 0,4355 0,4357 0,4360 0,0015 Y% 63,72 61,92 62,91 62,66 63,17 63,30 -0,42 x 0,5088 0,5094 0,5076 0,5091 0,5092 0,5097 0,0009 y 0,4353 0,4360 0,4350 0,4355 0,4355 0,4346 0,0007 Y% 60,83 62,89 63,65 62,24 62,04 61,82 2,82 x 0,5275 0,5274 0,5276 0,5273 0,5274 0,5286 0,0011 y 0,4398 0,4401 0,4398 0,4399 0,4399 0,4393 0,0003 Y% 54,36 53,58 54,91 54,14 54,00 53,23 0,55 x 0,5220 0,5498 0,5170 0,5213 0,5201 0,5203 -0,0050 y 0,4344 0,4200 0,4378 0,4360 0,4371 0,4377 0,0034 Y% 58,77 36,18 58,04 59,83 57,87 60,11 1,34 x 0,5192 0,5179 0,5197 0,5203 0,5184 0,5208 0,0015 y 0,4362 0,4361 0,4363 0,4352 0,4373 0,4350 0,0011 Y% 60,64 59,67 58,06 59,41 58,67 59,93 -0,71 x 0,5216 0,5210 0,5201 0,5187 0,5197 0,5287 0,0071 y 0,4372 0,4372 0,4366 0,4374 0,4376 0,4299 0,0004 Y% 36,94 36,92 47,86 30,23 36,92 38,96 10,92 x 0,5319 0,5266 0,5245 0,5216 0,5349 0,5293 0,0029 y 0,4300 0,4355 0,4383 0,4376 0,4334 0,4310 0,0084 Y% 45,56 34,22 45,35 36,93 36,97 3,81 Itens C6 cinza C6 preto C6 branco x 0,5218 0,5206 0,5209 y 0,4365 0,4386 Y% 48,31 x C6 azul C6 verde 49,36 255 Tab. C.6 – Coordenadas de cromaticidade da subclasse C7, diferentes fundos e fontes. Fonte F01 F02 F03 F04 F05 F06 F07 F08 F09 C7 vermelho Desvio Máximo (preto) 0,5115 0,5145 0,5153 0,0018 0,4298 0,4339 0,4308 0,4317 0,0022 50,75 43,64 53,61 53,84 22,06 0,5227 0,5231 0,5236 0,5235 0,5348 0,0121 y 0,4378 0,4357 0,4369 0,4372 0,4304 -0,0006 Y% 30,61 34,15 24,46 23,96 28,74 3,54 x 0,5239 0,5260 0,5271 0,5248 0,5257 0,5334 0,0095 y 0,4388 0,4370 0,4371 0,4376 0,4384 0,4322 -0,0004 Y% 24,59 28,13 37,69 31,85 30,90 32,33 13,10 x 0,5255 0,5247 0,5252 0,5244 0,5248 0,5348 0,0093 y 0,4369 0,4365 0,4374 0,4365 0,4378 0,4291 0,0008 Y% 26,62 30,07 36,09 27,51 26,07 30,03 9,47 x 0,5189 0,5193 0,5189 0,5186 0,5190 0,5196 0,0007 y 0,4321 0,4325 0,4319 0,4334 0,4336 0,4330 0,0015 Y% 48,26 49,26 48,33 50,19 50,35 2,09 x 0,5494 0,5439 0,5415 0,5318 0,5371 -0,5494 y 0,4149 0,4129 0,4171 0,4217 0,4155 0,0068 Y% 15,67 30,11 33,14 28,78 24,13 17,47 x 0,5254 0,5249 0,5012 0,5242 0,5236 0,5269 0,0015 y 0,4191 0,4207 0,4175 0,4190 0,4231 0,4219 0,0040 Y% 23,83 24,04 25,39 22,75 25,50 27,19 3,36 x 0,5294 0,5300 0,5294 0,5295 0,5294 0,5317 0,0023 y 0,4382 0,4381 0,4377 0,4372 0,4381 0,4361 -0,0001 Y% 49,72 50,87 52,80 48,48 49,73 48,84 3,08 x 0,5376 0,5376 0,5318 0,5371 0,5313 0,5330 -0,0063 y 0,4326 0,4321 0,4363 0,4330 0,4369 0,4358 0,0043 Y% 48,90 52,90 49,65 48,06 48,19 4,00 Itens C7 preto C7 cinza C7 branco x 0,5138 0,5124 0,5156 y 0,4317 0,4313 Y% 31,96 54,02 x C7 azul C7 verde 49,73 50,06 256 Juliana Freitas Santos Gomes Contato: [email protected] [email protected]