- PGMEC - Universidade Federal Fluminense

Transcrição

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
-
Z
-
x
-
coordenada de cromaticidade CIE 1931
y
-
z
-
u’
-
v’
-
-
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
Lista de Figuras
xx
5.36
Espectro das subclasses das bananas, fonte F05, fundo preto....................... 155
5.37
5.38
5.39
5.40
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
C.3
C.4
C.5
C.6
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
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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
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.
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.
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
preta, que é a referência de 0%.
PhotoResearch PR 650
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.
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.
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
0º:45ºa
4nm
Branca
varia com o
nm
100%
2,02%
radiância
ou de
mensurando
espectral
Cor
4.
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
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.
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.
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.
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
(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.
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.
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.
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.
coordenadas de cromaticidade (x,y) e Y% para cada placa padrão:
foi calculado através da razão entre a radiância da amostra
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.
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.
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.
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.
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.
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
Identificação
Observações
PhotoResearch PR 650
O Espectrocolorímetro captura os
dados a partir do software
SpectraWin que gera a distribuição
espectral em forma de tabelas e
gráficos.
NPL
DR 01
branca, que é a referência de 100%.
NPL
CL 03
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.
Placa padrão branca
Placa padrão preta brilhosa
Placas colorimétricas brilhosas
Termohigrômetro
Gonifotômetro
11
A unidade lx = lm • m-2.
4.
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.
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.
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.
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
(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.
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.
coordenadas de cromaticidade (x,y) e Y% e a incerteza da medição:
descrita no item 3.2, a partir do conjunto de fórmulas 3.3.
4.
117
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.
coordenadas de cromaticidade (x,y) e Y% e a incerteza da medição:
4.
118
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.
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.
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.
item 3.6.1 e 3.6.2.
4.
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.
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.
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.
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
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
141
Fruta/
Iluminação
Mamão
verde
Mamão
maduro
Manga
verde
Manga
madura
Dicróica
Fluorescente
Incandescente
Led
Vapor Metálico
Pressão Sódio
5.
142
Fruta/
Iluminação
Maracujá
verde
Maracujá
maduro
Dicróica
Fluorescente
Incandescente
Led
Vapor Metálico
Pressão Sódio
5.
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.
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.
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.
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.
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.
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.
149
Tab. 5.9: Coordenadas de cromaticidade dos diferentes fundos em E.V.A.
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.
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.
151
Tab. 5.10: Resultado das placas vermelha, verde e azul medidos no Laraf.
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.
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.
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.
154
Fig. 5.33: Espectro das subclasses das bananas sob a fonte F02 esobre fundo preto.
5.
155
5.
156
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.
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.
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.
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.
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.
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.
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
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
 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
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
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
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
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
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
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
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
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
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
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
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
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.
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
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
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)
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)
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)
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)
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
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)
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)
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
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)
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
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.
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
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
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.
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
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
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.
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.
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
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,
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
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.
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.
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.
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.
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.
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.
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.
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.
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
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
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.
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
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.
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
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)
of Computer Systems
Science
and
Engineering
4:2
(2009), 130-134
melão
RGB paraYCbCr
cor
banana
-
Diversas
caracteristicas
de sabor
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.
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
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.
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
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
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
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
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
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]

- PGMEC - Universidade Federal Fluminense

Transcrição

Documentos relacionados

Letra B Ficha 2

FT Beaujolais Nouveau 2013 Pastilles portugues

Dicas para lanches saudáveis a meio da manhã e a meio da tarde

A criança faz as refeições com a família

Evolução dos Preços Médios em 2016

Esta Semana - Instituto dos Pupilos do Exército

Próxima Semana - Instituto dos Pupilos do Exército

quadro resumo da lei geral da meia entrada – rio grande do sul

R$ 49,00 Terça • Boeuf bourguignon • Sobrecoxa na cerveja com

Cardápio Final de Ano 2013