ads:
Douglas Silveira Machado
Sistema de Inspeção Visual Automática
Aplicado ao Controle de Qualidade de Ovos
em Linhas de Produção
Dissertação apresentada ao Curso de
Mestrado em Modelagem Matemática
Computacional do Centro Federal de
Educação Tecnológica de Minas Gerais,
como requisito parcial à obtenção do título
de Mestre em Modelagem Matemática
Computacional.
Orientador:
Prof. Flávio Luis Cardeal Pádua
Centro Federal de Educação Tecnológica de Minas Gerais
Co-orientador:
Prof. José Luiz Acebal Fernandes
Centro Federal de Educação Tecnológica de Minas Gerais
MESTRADO EM MODELAGEM MATEMÁTICA E COMPUTACIONAL
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS
DIRETORIA DE PESQUISA E PÓS-GRADUAÇÃO
Belo Horizonte – MG
Setembro de 2009
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
Resumo
Este trabalho aborda o problema de controle automático de qualidade de ovos de
galinhas em linhas de produção, por meio do uso de técnicas de processamento e
análise de imagens. Nos últimos anos, o aumento crescente da produção de ovos em
linhas industriais, as quais frequentemente alcançam valores superiores a 100.000
ovos por hora, têm dificultado cada vez mais o uso de operadores humanos para as
tarefas de identificação e triagem visual de defeitos. Neste cenário, buscando-se ga-
rantir e, sobretudo, aumentar a eficácia e a eficiência do processo de controle de qua-
lidade dos ovos processados, novas soluções tecnológicas têm sido desenvolvidas.
Diferentemente da grande maioria das soluções encontradas na literatura e aplica-
das comercialmente, as quais frequentemente se baseiam em técnicas mecânicas ou
mesmo princípios de espectroscopia que permitem “visualizar” os ovos internamente,
este trabalho propõe o uso de um sistema de inspeção visual automático baseado
exclusivamente na análise de sequências de imagens dos ovos na linha de produção.
A abordagem desenvolvida consiste em aplicar algoritmos de Visão Computacional
para detecção, rastreamento, contagem e classificação dos ovos nas sequências de
imagens quanto a quatro tipos mais frequentes de defeitos externos: sujeiras, trincas,
manchas de sangue e vazamentos de gema, bem como um tipo de defeito interno:
pontos de sangue. A abordagem proposta foi validada com sucesso em um protótipo
de uma linha de produção, alcançando taxas de 100% de acerto na contagem dos
ovos, 75.6% de detecção de sujeiras, 73.3% de detecção de trincas, 78.5% de detec-
ção de manchas de sangue, 62.5% de detecção de vazamentos de gema e 50% de
detecção de pontos de sangue.
PALAVRAS-CHAVE: Controle de Qualidade de Ovos de Galinha, Visão Computacio-
nal, Redes Neurais Artificiais, Inspeção Visual Automática.
ads:
Abstract
This work addresses the problem of automatic control of egg quality in egg processing
plant, by using image analysis techniques. In recent years, the increasing through-
put of modern egg grading machines, which frequently grade up to 100.000 eggs per
hour, has become the visual inspection of eggs by humans a critical bottleneck in the
egg sorting chain. In this scenario, to assure a high and consistent egg quality, novel
sensor-based technologies have been developed. Unlike most existing methods, which
are frequently based on the use of mechanical techniques or spectroscopic principles
(e.g., near-infrared, mid-infrared and fluorescence spectroscopies), this work proposes
an automatic visual inspection system based on computer vision algorithms to detect,
track, count and classify eggs in image sequences captured by stationary cameras
installed in the industrial production line. The vision system was designed to classify
different levels of very common eggshell defects (gross cracks, hairline cracks, cage
marks and stained eggs) as well as blood spots inside the eggs. The system was
successfully validated in a prototype of an industrial production line, achieving an egg
counting accuracy of 100% and a classification accuracy of eggshell defects as high
as 78.5%.
KEY–WORDS: Egg Quality Control, Computer Vision, Automatic Visual Inspection.
Agradecimentos
Gostaria de agradecer a todos os que, de alguma maneira, contribuíram para a
realização desse trabalho, em especial:
A minha mãe Miriam Silvera Machado, meu pai Geraldo Bento Machado, minha
namorada Tais Braga e meus irmãos pela paciência, apoio, disposição e compreensão
na construção desse trabalho.
Aos meus amigos pelo apoio, ajuda e compreensão nessa etapa importante da
minha vida.
Ao Prof. Flávio Luis Cardeal de Pádua pela confiança, dedicação, apoio, paciência,
disposição e amizade na orientação deste trabalho.
A empresa a qual sou empregado, Strata Engenharia, e que em todos momen-
tos foi compreensível com minha ausência para realizar pesquisas referentes a esse
trabalho.
A empresa Aviário Santo Antônio e todos seus empregados, em especial o Dr. Be-
nedito Lemos de Oliveira, pela visita concedida aos processos industriais e a amizade
construída.
A empresa DRV (Desenvolvimento e Representação Virtual) pela compreensão e
empréstimo da esteira de ovos utilizada nos experimentos.
A Deus.
Lista de Figuras
1 Granja ASA - Aviário Santo Antônio (ASA, 2009). . . . . . . . . . . . . p. 17
2 Sistema de inspeção visual automático aplicado ao controle de quali-
dade de ovos em linhas de produção. . . . . . . . . . . . . . . . . . . p. 18
3 Imagens de 09 (nove) ovos tratados nos experimentos. (a)-(b) Ovos
Sujos. (c) Ovo com mancha de sangue. (d)-(e) Ovos Trincados.(f) Ovo
Quebrado. (g) Ovoscopia: ovo com ponto sangue. (h) Ovoscopia: ovo
bom. (i) Ovo bom. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 20
4 Granja ASA (ASA, 2009). . . . . . . . . . . . . . . . . . . . . . . . . . . p. 22
5 Visal Geral Produção Ovos. . . . . . . . . . . . . . . . . . . . . . . . . p. 23
6 Equipamentos utilizados nos experimentos. . . . . . . . . . . . . . . . p. 25
7 Câmara de ovoscopia com vácuo (LAWRENCE et al., 2008). . . . . . . . p. 28
8 Ovo trincado submetido à câmera de vácuo (LAWRENCE et al., 2008). . p. 29
9 Processo de reconhecimento de ovos trincados dentro da câmera de
vácuo (LAWRENCE et al., 2008). . . . . . . . . . . . . . . . . . . . . . . p. 30
10 Diagrama esquemático do Sistema de Detecção de Trincas (UN; RUISHE,
2005). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 31
11 Sinais de resposta da superfície do ovo à estímulos de vibração no
domínio do tempo e sua transformação para o domínio das frequên-
cias (UN; RUISHE, 2005). . . . . . . . . . . . . . . . . . . . . . . . . . . p. 32
12 Detecção de trincas em ovos: (1) Objeto para realizar impacto no ovo;
(2) Roldana que gira o ovo; (3) O microfone de captura de vibração
(KETELAERE; COUCKE; BAERDEMAEKER, 2000). . . . . . . . . . . . . . . p. 32
13 Detecção de ponto de sangue (SYAHRIR; SURYANTI; AIN, 2007). . . . . p. 34
14 Caixa de experimentos do sistema desenvolvido em (MERTENS et al.,
2005). Esquerda: Câmera no topo da caixa cúbica. Direita: Visão
interna da caixa cúbica. . . . . . . . . . . . . . . . . . . . . . . . . . . p. 36
15 Exemplos de diferentes tipos de sujeiras: Imagem original colorida e
após submetida ao processo de pré-processamento (MARIA et al., 2000). p. 40
16 Pré-processamento da imagem do ovo
123
(MARIA et al., 2000). . . . . . p. 41
17 Processo de decomposição da imagem (MARIA et al., 2000). . . . . . . p. 42
18 Resultados da aplicação do método de limiariazação. . . . . . . . . . p. 48
19 Exemplo de histograma de uma imagem na escala de cinza. . . . . . p. 49
20 Ilustração do operador T sobre a vizinhança de um ponto da imagem
(GONZALEZ; WOODS, 2007). . . . . . . . . . . . . . . . . . . . . . . . . p. 50
21 Típicos arranjos de operadores para processamento espacial (GON-
ZALEZ; WOODS, 1992). . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 50
22 Operador 3x3 aplicado sobre a vizinhança de um ponto da imagem
(GONZALEZ; WOODS, 2007). . . . . . . . . . . . . . . . . . . . . . . . . p. 51
23 Processo de detecção de bordas por Canny. . . . . . . . . . . . . . . p. 52
24 Exemplo de curva Gaussiana com variância σ = 0, 1592 (a) e sua
derivada (b) ambas em 1D. . . . . . . . . . . . . . . . . . . . . . . . . p. 53
25 Detecção de bordas utilizando método de Canny. . . . . . . . . . . . . p. 54
26 Imagens binárias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 55
27 Decomposição celular. . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 56
28 Objetos e buracos representados como ciclos. Aqui A e B são 0-ciclos
e C e C’ são 1-ciclos. . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 57
29 A visita de um único pixel requer nove passos: visita dos quatro vér-
tices e quatro arestas que compõe esse mesmo, além da eliminação
do 1-ciclo criado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 58
30 Representação dos estágios dos ciclos em uma visita de um único pixel. p. 58
31 A representação em grafo dos nove passos requeridos para visitar um
único pixel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 59
32 Topologia e Rotulação de Pontos Conectados. . . . . . . . . . . . . . p. 59
33 Exemplo de subtração de fundo: par de imagens de entrada e imagem
de saída. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 62
34 Resultado da operação do filtro de pixelização em uma imagem. . . . p. 63
35 Principais formas de elementos estruturantes na morfologia matemá-
tica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 64
36 Princípio de funcionamento de operadores morfológicos (GONZALEZ;
WOODS, 2002). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 65
37 Neurônio biológico e a direção da propagação de sinais pelo neurônio
(SILVA, 2001). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 67
38 Representação funcional de um neurônio artificial (SILVA, 2001). . . . p. 67
39 Organização em camadas de uma rede neural. . . . . . . . . . . . . . p. 68
40 Diagrama de blocos do sistema desenvolvido de inspeção visual au-
tomática de ovos de galinhas em linhas de produção. . . . . . . . . . p. 71
41 Imagens obtidas pelo sistema de inspeção desenvolvido. . . . . . . . p. 73
42 Posicionamento das câmeras no sistema de inspeção visual automá-
tico desenvolvido. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 73
43 Etapa de detecção de defeitos externos. . . . . . . . . . . . . . . . . . p. 76
44 Módulo de identificação dos ovos - Detecção de defeitos externos. . . p. 77
45 Resultado da etapa de segmentação dos ovos para a inspeção de
defeitos externos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 78
46 Submódulo de Detecção de Defeitos, Baseado em Segmentação de
Regiões. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 81
47 Submódulo de Detecção de Defeitos, Baseado em Detecção de Bordas. p. 82
48 Resultado da etapa de segmentação dos defeitos externos - Submó-
dulo baseado na segmentação de regiões. . . . . . . . . . . . . . . . p. 83
49 Resultado da etapa de segmentação dos defeitos externos - Submó-
dulo baseado na detecção de bordas. . . . . . . . . . . . . . . . . . . p. 85
50 Etapa de detecção de defeitos internos. . . . . . . . . . . . . . . . . . p. 86
51 Módulo de identificação dos ovos - Detecção defeitos internos. . . . . p. 87
52 Resultado da etapa de segmentação dos ovos para a inspeção de
defeitos internos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 89
53 Etapa de detecção de defeitos internos - Submódulo de Detecção de
Defeitos, Baseado em Segmentação de Regiões. . . . . . . . . . . . . p. 90
54 Resultado da etapa de segmentação dos defeitos internos - Módulo
de detecção de regiões. . . . . . . . . . . . . . . . . . . . . . . . . . . p. 91
55 Carregador de ovos Moba (MOBA, 2006). . . . . . . . . . . . . . . . . p. 92
56 Resultado experimental - Detecção de ovos sujos. . . . . . . . . . . . p. 96
57 Resultado experimental - Detecção de ovo com mancha de sangue. . p. 97
58 Resultado experimental - Detecção de ovos quebrados e sistema de
rastreamento invariável à sujeira de gema e clara na esteira. . . . . . p. 97
59 Resultado experimental - Detecção de trincas. . . . . . . . . . . . . . p. 99
60 Resultado experimental - Detecção de pontos de sangue. . . . . . . . p. 100
61 Ovo com duas gemas (MINK HOLLW FARM, 2005). . . . . . . . . . . . . p. 107
62 Mancha de sangue (MINK HOLLW FARM, 2005). . . . . . . . . . . . . . . p. 109
63 Ovo com pedaço de carne (MINK HOLLW FARM, 2005). . . . . . . . . . p. 110
64 Clara com problema de liquefação (COUTTS et al., 2007). . . . . . . . . p. 110
65 Coloração anormal da gema (MINK HOLLW FARM, 2005). . . . . . . . . p. 111
66 Câmara de ar (MINK HOLLW FARM, 2005). . . . . . . . . . . . . . . . . . p. 111
67 Contaminação bacteriana e por fungos (COUTTS et al., 2007). . . . . . p. 112
68 Contaminação de vermes (COUTTS et al., 2007). . . . . . . . . . . . . . p. 112
69 Ovo com má formação (COUTTS et al., 2007). . . . . . . . . . . . . . . p. 113
70 Ovo retido (COUTTS et al., 2007). . . . . . . . . . . . . . . . . . . . . . . p. 114
71 Casca de ovo áspera (COUTTS et al., 2007). . . . . . . . . . . . . . . . p. 114
72 Ovo com casca mole (COUTTS et al., 2007). . . . . . . . . . . . . . . . p. 115
73 Ovoscopia de ovo com fissura linha (COUTTS et al., 2007). . . . . . . . p. 116
74 Ovo com fissura estrela (COUTTS et al., 2007). . . . . . . . . . . . . . . p. 116
75 Ovo com buraco (COUTTS et al., 2007). . . . . . . . . . . . . . . . . . . p. 116
76 Ovos quebrados (COUTTS et al., 2007). . . . . . . . . . . . . . . . . . . p. 117
77 Ovos sujos (COUTTS et al., 2007). . . . . . . . . . . . . . . . . . . . . . p. 117
78 Classificador de ovos Moba (MOBA, 2006). . . . . . . . . . . . . . . . . p. 120
79 Carregador de ovos Moba (MOBA, 2006). . . . . . . . . . . . . . . . . p. 121
80 Higienização dos ovos (MOBA, 2006). . . . . . . . . . . . . . . . . . . . p. 121
81 Detector de trinca em ovos Moba (MOBA, 2006). . . . . . . . . . . . . p. 122
82 Ovoscopia semi-automática Moba (MOBA, 2006). . . . . . . . . . . . . p. 122
83 Detecção Moba (MOBA, 2006). . . . . . . . . . . . . . . . . . . . . . . p. 123
84 Classificação de ovos sujos (MOBA, 2006). . . . . . . . . . . . . . . . . p. 124
85 Detecção de defeitos (MOBA, 2006). . . . . . . . . . . . . . . . . . . . p. 124
86 Ovos quebrados (MOBA, 2006). . . . . . . . . . . . . . . . . . . . . . . p. 125
Lista de Tabelas
1 Passos detecção manchas (MERTENS et al., 2005). . . . . . . . . . . . p. 38
2 Resultados dos treinos, testes e validações das diferentes redes neu-
rais artificiais utilizadas nos experimentos (PATEL; MCCLENDON; GOO-
DRUM, 1998). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 43
3 Parâmetros de execução do experimento 1. . . . . . . . . . . . . . . . p. 94
4 Quadro comparativo - Etapa de Detecção de Defeitos Externos, Ba-
seada na Técnica de Segmentação de Regiões. . . . . . . . . . . . . p. 96
5 Parâmetros de execução do experimento 2. . . . . . . . . . . . . . . . p. 98
6 Quadro comparativo - Etapa de Detecção de Pequenas Fissuras. . . . p. 98
7 Parâmetros de execução do experimento 3. . . . . . . . . . . . . . . . p. 100
8 Quadro comparativo - Etapa de Detecção de Pontos de Sangue. . . . p. 100
9 Conteúdo de nutrientes em um ovo de 59g. . . . . . . . . . . . . . . . p. 108
10 Tabela comparativa Moba X Inspeção manual (MOBA, 2006). . . . . . p. 123
Lista de Algoritmos
1 Algoritmo Topologia e Rotulação de Pontos Conectados . . . . . . . . p. 60
2 Procedimento para detecção de defeitos em ovos . . . . . . . . . . . p. 75
3 Procedimento para identificação de retângulo circunscrito à um dado
conjunto de pontos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 79
4 Procedimento para identificação dos ovos na imagem . . . . . . . . . p. 80
5 Procedimento para segmentação dos possíveis pontos de trinca no ovo p. 84
Lista de Abreviaturas e Siglas
LSI Laboratório de Sistemas Inteligentes
GPSI Grupo de Pesquisas em Sistemas Inteligentes
USDA United States Department of Agriculture
FPS Frames per Second
UV Radiação Eletromagnética de UltraVioleta
HSI Hue Saturation Intensity
NIR Near Infrared
MAPA Ministério da Agricultura Pecuária e Abastecimento
CIPOA Coordenadoria de Inspeção de Produtos de Origem Animal
Sumário
1 Introdução p. 16
1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 19
1.2 Abordagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 22
1.3 Objetivos: Gerais e Específicos . . . . . . . . . . . . . . . . . . . . . . p. 23
1.4 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 24
1.5 Organização do texto . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 25
2 Trabalhos Relacionados p. 27
2.1 Considerações Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 44
3 Fundamentação Teórica p. 45
3.1 Aquisição de Imagens Digitais . . . . . . . . . . . . . . . . . . . . . . p. 45
3.2 Segmentação de Imagem . . . . . . . . . . . . . . . . . . . . . . . . . p. 46
3.2.1 Limiarização . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 47
3.2.2 Detecção Baseada em Bordas . . . . . . . . . . . . . . . . . . p. 49
3.3 Topologia e Rotulação de Pontos Conectados . . . . . . . . . . . . . . p. 55
3.3.1 Célula de decomposição . . . . . . . . . . . . . . . . . . . . . p. 55
3.3.2 Utilizando ciclos para particionar uma imagem . . . . . . . . . p. 56
3.3.3 Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 57
3.4 Detecção de Movimento . . . . . . . . . . . . . . . . . . . . . . . . . . p. 59
3.4.1 Subtração de Fundo . . . . . . . . . . . . . . . . . . . . . . . . p. 61
3.4.1.1 Subtração de Fundo Adaptativo . . . . . . . . . . . . p. 61
3.5 Filtro de Pixelização . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 63
3.6 Morfologia Matemática . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 63
3.6.1 Elemento Estruturante . . . . . . . . . . . . . . . . . . . . . . . p. 64
3.6.2 Operações Básicas de Morfologia Matemática . . . . . . . . . p. 64
3.7 Extração de Características . . . . . . . . . . . . . . . . . . . . . . . . p. 65
3.8 Redes Neurais Artificiais . . . . . . . . . . . . . . . . . . . . . . . . . . p. 66
4 Sistema de Inspeção p. 71
4.1 Aquisição de Imagens . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 72
4.2 Detecção de Defeitos Externos . . . . . . . . . . . . . . . . . . . . . . p. 74
4.2.1 Módulo de Identificação dos Ovos . . . . . . . . . . . . . . . . p. 74
4.2.1.1 Segmentação dos Ovos . . . . . . . . . . . . . . . . . p. 75
4.2.1.2 Identificação dos Ovos . . . . . . . . . . . . . . . . . p. 75
4.2.2 Módulo de Detecção de Defeitos . . . . . . . . . . . . . . . . . p. 78
4.2.2.1 Submódulo de Detecção de Defeitos, Baseado em
Segmentação de Regiões . . . . . . . . . . . . . . . p. 79
4.2.2.2 Submódulo de Detecção de Defeitos, Baseado em
Detecção de Bordas . . . . . . . . . . . . . . . . . . . p. 83
4.3 Detecção de Defeitos Internos . . . . . . . . . . . . . . . . . . . . . . p. 84
4.3.1 Módulo de Identificação dos Ovos . . . . . . . . . . . . . . . . p. 85
4.3.1.1 Segmentação dos Ovos . . . . . . . . . . . . . . . . . p. 88
4.3.1.2 Identificação dos Ovos . . . . . . . . . . . . . . . . . p. 88
4.3.2 Módulo de Detecção de Defeitos . . . . . . . . . . . . . . . . . p. 88
4.3.2.1 Submódulo de Detecção de Defeitos, Baseado em
Segmentação de Regiões . . . . . . . . . . . . . . . p. 88
4.3.2.2 Classificação . . . . . . . . . . . . . . . . . . . . . . . p. 92
4.4 Triagem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 92
5 Resultados Experimentais p. 93
5.1 Experimento 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 94
5.2 Experimento 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 97
5.3 Experimento 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 98
5.4 Discussão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 99
6 Conclusões e Perspectivas Futuras p. 102
Referências Bibliográficas p. 104
Anexo A -- Ovo de Galinha p. 107
A.1 Composição Nutricional do Ovo . . . . . . . . . . . . . . . . . . . . . . p. 107
A.2 Qualidade Interna e Externa dos Ovos . . . . . . . . . . . . . . . . . . p. 107
A.2.1 Qualidade Interna . . . . . . . . . . . . . . . . . . . . . . . . . p. 107
A.2.2 Qualidade Externa . . . . . . . . . . . . . . . . . . . . . . . . . p. 112
A.3 Especificações para Classificação e Comercialização de Ovos . . . . p. 117
A.4 Sistema Comercial Moba Omnia de Controle de Qualidade de Ovos
de Galinha . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 120
16
1 Introdução
A comercialização de alimentos tem sido cada vez mais regulada e fiscalizada por
parte dos órgãos competentes, evitando-se ao máximo possíveis problemas de conta-
minação de consumidores finais devido ao consumo de alimentos de baixa qualidade.
Desse modo, empresas investem grandes volumes de recursos financeiros em
pesquisas para desenvolver métodos que aumentem a produção com o menor custo
possível, como a automação das tarefas, mas que obedeçam aos padrões de quali-
dade estabelecidos pela legislação reguladora do comércio nos mercados interno e
externo.
Neste cenário, observa-se o uso frequente de procedimentos de controle de qua-
lidade, visto que são fundamentais para reduzir a quantidade de alimentos que che-
gam ao consumidor com qualquer tipo de problema, evitando-se assim gastos desne-
cessários com transporte, armazenamento, e multas devido ao descumprimento dos
padrões legais estabelecidos na comerialização.
Outra maneira de reduzir ainda mais os gastos é automatizar também os proces-
sos de controle de qualidade. Sendo assim, mediante o uso de uma inspeção unifor-
mizada com medidas objetivas que possibilitam o aumento da produção, realiza-se o
controle da qualidade dos produtos e a redução do custo de mão-de-obra.
Os ovos de galinha são um exemplo clássico de produto que enfrenta os mesmos
desafios citados anteriormente. Eles são um importante alimento dentro da dieta hu-
mana, sendo consumidos por pessoas de todas as classes sociais em todo o mundo.
De fato, o ovo de galinha é um dos alimentos mais completos para alimentação
humana (Ver Tabela 9 do Anexo A), pois apresenta na sua composição proteína e
reúne a maior parte dos aminoácidos essenciais para nossa sobrevivência, vitaminas,
minerais e ácidos graxos (TERRA, 1999). Além de todas as vantagens de ser completo
nutricionalmente, ainda é uma fonte de alimento de baixo custo financeiro, podendo
contribuir para melhorar a dieta de famílias carentes.
1 Introdução 17
Figura 1: Granja ASA - Aviário Santo Antônio (ASA, 2009).
Desse modo, o ovo é um produto muito interessante comercialmente, e de fato,
existem muitas empresas (Ver Figura 1) que têm buscado cada vez mais automatizar
seus processos produtivos e adotar novas tecnologias que possibilitem um controle de
qualidade mais efetivo.
Apesar da tendência crescente de automatização, muitas granjas ainda realizam o
controle de qualidade de forma manual (MERTENS et al., 2005), podendo atingir a velo-
cidade de inspeção de até 12 ovos por segundo para cada pessoa, resultando em uma
inspeção duvidosa quanto à sua rigorosidade. Vale salientar que esse problema de
baixo controle de qualidade dos ovos de galinha está presente na realidade brasileira
como pode ser observado no estudo feito em (LEONARDO et al., 2008).
Neste cenário, diversos sistemas computacionais têm sido desenvolvidos para
auxiliar a realização dessas tarefas automaticamente, com o intuito de melhorar a
eficiência de produção e seu controle de qualidade.
Entre os diversos tipos de algoritmos utilizados para problemas de controle de
qualidade de alimentos, pode-se citar os de Visão Computacional e Redes Neurais
Artificiais. Os algoritmos de Visão Computacional são baseados em técnicas de pro-
cessamento e análise de imagens, as quais permitem extrair informações visuais da
cena monitorada por uma ou mais câmeras (TRUCCO; VERRI, 1998). Essas informa-
ções podem, por sua vez, serem aplicadas a modelos de Redes Neurais Artificiais,
os quais auxiliarão no processo de reconhecimento e classificação de padrões (STIVA-
NELLO; GOMES, 2006).
Técnicas de classificação de padrões por meio do uso de algoritmos de Visão
1 Introdução 18
Computacional e Redes Neurais possibilitam a identificação visual de defeitos em ovos
utilizando informações úteis tais como o contorno, cores e texturas dos defeitos.
Diante das potencialidades de tais algoritmos, este trabalho propõe um novo sis-
tema inteligente, baseado em técnicas de Visão Computacional e Redes Neurais Artifi-
ciais para a realização da inspeção visual automática de defeitos em ovos de galinhas
em linhas de produção. Assim sendo, o problema de pesquisa abordado neste tra-
balho pode ser definido como se segue:
Dadas duas sequências de imagens S
1
e S
2
, adquiridas por duas câmeras esta-
cionárias não-calibradas C
1
e C
2
, respectivamente, as quais são instaladas perpendi-
cularmente a uma esteira rolante (Ver Figura 2) em uma linha de produção com ilu-
minação controlada, deseja-se detectar, rastrear, contar e identificar automaticamente
os ovos de galinha presentes na sequência S
1
que contenham quatro tipos comuns
de defeitos externos: sujeiras, manchas de sangue, trincas e vazamentos de gema
e os ovos na sequência S
2
que possuam o defeito interno conhecido como ponto de
sangue.
Um sistema de inspeção visual automática para controle de qualidade de ovos está
sujeito a diversos desafios e deve ser capaz de lidar, pelo menos, com os seguintes
casos:
• Ovos com tamanhos e orientações arbitrários: o tamanho e a orientação de cada
Figura 2: Sistema de inspeção visual automático aplicado ao controle de qualidade de
ovos em linhas de produção.
1.1 Motivação 19
ovo são desconhecidos e podem ser totalmente arbitrários;
• Defeitos com formas, cores e texturas variadas: os tamanhos, formas, cores e
texturas dos defeitos são totalmente arbitrários (Ver Seção A.2 do Anexo A);
• Falhas na segmentação dos ovos nas imagens: devido às dificuldades inerentes
a este processo, a segmentação pode ser incompleta ou até mesmo totalmente
equivocada;
• Processamento em tempo real: o Sistema deve ser capaz de realizar os proces-
samentos em tempo real, de maneira que seja possível o acionamento imediato
de desvios, máquinas ou braços robóticos para a triagem dos diferentes tipos de
defeitos em ovos que passam na esteira em uma granja;
• Baixa qualidade das imagens: a aquisição das imagens pode ser afetada por
ruídos provenientes de diversas fontes, bem como distorções e aberrações no
sistema ótico;
• Variações de luminosidade na cena: variações de luminosidade podem aconte-
cer frequentemente em uma linha de produção.
A técnica proposta neste trabalho opera de maneira eficaz em todos os cenários
acima, com exceção do último ítem, sendo necessário portanto manter controlada a
luminosidade do ambiente.
A Figura 3 ilustra imagens de ovos utilizados neste trabalho. As imagens foram
adquiridas por meio do protótipo de linha de produção apresentado no Capítulo 5.
1.1 Motivação
As exigências da avicultura moderna estão baseadas em três pilares principais:
segurança alimentar, qualidade dos ovos e custos financeiros.
Primeiramente, é reconhecido que as infecções alimentares são um problema de
saúde pública. A salmonelose, uma das zoonoses de maior prevalência nos países
desenvolvidos e em desenvolvimento, é causada por microrganismos do gênero Sal-
monella. Como se trata de enfermidade que é problemática para a saúde pública, seu
gênero bacteriano é um dos mais estudados microbiologicamente (NASCIMENTO et al.,
2000).
1.1 Motivação 20
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
Figura 3: Imagens de 09 (nove) ovos tratados nos experimentos. (a)-(b) Ovos Su-
jos. (c) Ovo com mancha de sangue. (d)-(e) Ovos Trincados.(f) Ovo Quebrado. (g)
Ovoscopia: ovo com ponto sangue. (h) Ovoscopia: ovo bom. (i) Ovo bom.
O ovo de galinha, em especial, é um transmissor de Salmonella, que por sua
vez, encontra-se facilmente em ovos comercializados no Brasil (OLIVEIRA; SILVA, 2000;
SALLES et al., 2008; ANDRADE et al., 2006).
Em segundo, ovos sofrem perda de qualidade ao longo do tempo. Cada um dos
seus componentes principais (casca, clara e gema), sofrem de maneiras diferentes
esse efeito. Pode-se dizer que a qualidade do ovo engloba uma série de aspectos, os
quais podem ser divididos em dois grupos: aspectos de qualidade interna e aspectos
de qualidade externa.
A casca do ovo remete ao aspecto de qualidade externa e sua avaliação é baseada
na limpeza, forma, textura, integridade e rigidez. Por outro lado, a qualidade interna é
baseada na ausência de sangue ou de corpos estranhos no interior do ovo, e também
na garantia de um ovo fresco para o consumo que pode ser observado indiretamente
por meio do tamanho da câmara de ar, coloração, consistência da clara e altura da
clara (índice da clara e índice de gema).
1.1 Motivação 21
Para minimizar esse problema de saúde pública, existe no Brasil um conjunto de
leis rígidas de higienização e procedimentos para criação de aves, classificação dos
ovos, considerações gerais quanto às instalações, considerações gerais quanto aos
equipamentos e procedimentos de inspeção.
1 2 3 4
Os procedimentos de inspeção dos ovos, em particular, são críticos, pois são fa-
tores importantes na qualidade do produto entregue ao consumidor final. O controle
de qualidade em uma dada granja permite a adoção de medidas ou ações pontuais
que vão desde o controle preventivo de modificação da alimentação das aves, culmi-
nando em ovos com cascas mais saudáveis, ou mesmo, a alteração do processo de
coleta dos ovos devido às altas quantidades de ovos sujos ou danificados.
É importante ressaltar que, além dos benefícios diretos, o controle de qualidade
viabiliza a aquisição de informações valiosas quanto à produtividade de cada lote de
criação de aves, que por sua vez, podem diferenciar-se pelos diferentes locais de
criação, raça, alimentação e idade.
A Figura 4(a) ilustra o processo de triagem dos ovos com defeito externo feito
dentro da empresa Asa-Aviário Santo Antônio Ltda., localizada no município de Nepo-
muceno em Minas Gerais. A figura 4(b), por sua vez, ilustra o processo de triagem de
defeitos internos, utilizando-se ovoscopia, feito também dentro desta mesma empresa.
A ovoscopia consiste em observar o interior do ovo através de uma fonte de luz
em ambiente escuro. Entretanto, esse procedimento ajuda também a verificar se há
defeitos da casca, como rachaduras, rugosidade, despigmentação, bem como a quali-
dade interna do ovo (câmara de ar anormal, mancha de sangue, duplicidade de gema,
presença de elementos estranhos).
Devido à dificuldade natural de se inspecionar os ovos de forma manual, a automa-
tização pode produzir agilidade e qualidade no processamento de triagem dos ovos,
padronização na classificação, busca pela perfeição na execução das especificações,
e além de tudo, fácil adaptação aos padrões de controle de qualidade da empresa,
sem necessidade de treinamento dos funcionários e espera por fase de adaptação
dos mesmos.
Por fim, é vital para uma empresa encontrar meios de reduzir custos, sem sacrifi-
1
Decreto N
o
56.585, de 20 de Julho de 1965 (Ver Seção A.3 do Anexo A).
2
Portaria N
o
1 de 21 de Fevereiro DE 1990.
3
Regulamento da Inspeção Industrial e Sanitária de Produtos de Origem Animal - RIISPOA -
Dec.30691-52 de 29 de Março de 1952.
4
Resolução n
o
05/CIPOA - MAPA de 5 de Julho de 1991.
1.2 Abordagem 22
car a qualidade dos serviços prestados, como por exemplo, na produção de ovos de
galinhas utilizar processos automatizados para inspecionar a qualidade dos mesmos.
Especificamente em relação ao controle de qualidade dos ovos em uma granja,
torna-se necessária a triagem dos ovos defeituosos, determinando diferentes trata-
mentos para cada tipo de problema encontrado. É neste contexto que o presente
trabalho propõe a construção de um sistema de inspeção visual automática aplicado
ao controle de qualidade de ovos de galinhas em linhas de produção, a qual seja de
baixo custo financeiro e ofereça um alto nível de confiabilidade, visto que no mercado
internacional há equipamentos dessa natureza, contudo, de alto custo e dificuldades
óbvias de importação e manutenção.
1.2 Abordagem
As tarefas de controle de qualidade de ovos em linhas de produção, as quais
hoje são frequentemente realizadas manualmente, ou com a aquisição de um dos
onerosos sistemas comerciais existentes no mercado, podem ser automatizadas por
meio da utilização de algoritmos de Visão Computacional e técnicas de classificação
de padrões baseadas no uso de Redes Neurais Artificiais.
O diagrama da Figura 5 apresenta uma visão geral das principais etapas seguidas
por uma linha de produção de ovos: (1) coleta de ovos, (2) transporte dos ovos para
a esteira de triagem, (3) eliminação dos ovos com defeitos externos, (4) eliminação
dos ovos com defeitos internos, (5) pesagem, (6) embalagem dos ovos separados por
(a) Setor de triagem de defei-
tos externos.
(b) Setor de triagem de defei-
tos internos.
Figura 4: Granja ASA (ASA, 2009).
1.3 Objetivos: Gerais e Específicos 23
Figura 5: Visal Geral Produção Ovos.
classes de pesos pré-determinados pela legislação.
Todas as etapas anteriores podem ser automatizadas e o presente trabalho é fo-
cado no desenvolvimento de uma ferramenta de automatização das etapas de detec-
ção de defeitos externos: ovos sujos, manchados de sangue, trincados e com vaza-
mentos de gema, bem como da etapa de detecção do defeito interno ponto de sangue.
A detecção é feita com base em um conjunto de características que possam des-
crever e representar cada defeito distintamente. Após essa etapa, um modelo consti-
tuido por Redes Neurais Artificiais utiliza essa informação para proceder a classifica-
ção dos possíveis defeitos encontrados.
1.3 Objetivos: Gerais e Específicos
Este trabalho teve como objetivo geral projetar e desenvolver um sistema de ins-
peção visual automática, aplicado ao controle de qualidade de ovos em linhas de
produção, que seja, eficaz, eficiente e de baixo custo comercial. Para tanto, foram
1.4 Contribuições 24
perseguidos os seguintes objetivos específicos:
• Construção de um sistema em conformidade com as etapas de controle de qua-
lidade existentes nas principais granjas do país;
• Construção de uma base de dados que permitisse a validação do sistema de
inspeção automática de ovos;
• Implementação preliminar em Matlab do protótipo do sistema de inspeção. Nesta
etapa foram feitas de maneira ágil as implementações necessárias de todos os
módulos do software, tais como o módulo de extração de defeitos e o módulo
responsável pela classificação dos mesmos;
• Realização de experimentos com o protótipo em Matlab e a base de dados ob-
tida, buscando-se definir a exatidão, a escabilidade e a aplicabilidade do sistema
projetado;
• Construção do sistema de inspeção na linguagem C#, com otimização em etapas
críticas de processamento, de forma à aumentar a velocidade de inspeção;
• Realização de experimentos com o sistema de inspeção construído em um protó-
tipo de uma linha de produção (Ver Figura 6) de modo a avaliar sua performance
em um computador de preço acessível, simulando sua utilização em uma em-
presa de um possível cliente.
1.4 Contribuições
Este trabalho tem como contribuição a construção de um sistema de inspeção vi-
sual automática, aplicado ao controle de qualidade de ovos em linhas de produção,
baseado em Visão Computacional e Redes Neurais Artificiais para tarefas de identi-
ficação e classificação automática dos defeitos encontrados nos ovos. Além disso, o
sistema desenvolvido é capaz de contar os ovos produzidos em uma linha de produ-
ção, bem como gerar relatórios completos acerca do ovos inspecionados.
Diferentemente da maioria das técnicas atuais, as quais frequentemente se apóiam
no uso de métodos manuais para se fazer a inspeção da qualidade de ovos ou siste-
mas eletro-mecânicos de alto custo financeiro, este trabalho proporciona o uso de um
sistema computacional automático de baixo custo financeiro e boa precisão.
1.5 Organização do texto 25
A tecnologia utilizada no presente trabalho desenvolvido confere rapidez na inspe-
ção dos ovos, alta capacidade e precisão na classificação dos ovos. Proporcionando
uma melhoria significativa na qualidade do produto final, com a flexibilidade de ajuste
do grau de defeito detectado, muito importante para o direcionamento das diferentes
qualidades de ovos selecionados.
1.5 Organização do texto
Este trabalho está organizado como se segue. O Capítulo 1 apresenta uma intro-
dução ao problema, com a motivação, definição e contribuições geradas. O Capítulo
(a) Visão superior. (b) Visão frontal.
(c) Luzes inferiores ligadas para realizar
etapa de ovoscopia.
Figura 6: Equipamentos utilizados nos experimentos.
1.5 Organização do texto 26
2 apresenta o estado da arte no que se refere a sistemas de inspeções automáticos
para controle de qualidade de ovos de galinhas em linhas de produção. O Capítulo 3
apresenta a fundamentação teórica deste trabalho, abordando os principais conceitos
utilizados para desenvolver o sistema de inspeção. O Capítulo 4 apresenta a metodo-
logia proposta. Os resultados preliminares obtidos com a metodologia proposta são
mostrados no Capítulo 5. Por fim, no Capítulo 6 são apresentadas as conclusões e
indicações de trabalhos futuros. O Anexo A apresenta uma breve descrição dos prin-
cipais defeitos internos e externos encontrados em ovos de galinha, assim como suas
possíveis causas e frequências de ocorrência em uma linha de produção. O mesmo
anexo também possui o decreto de lei que regulamenta as especificações para clas-
sificação e comercialização de ovos de galinha no país, por fim, apresenta uma breve
descrição das características do sistema comercial Moba, lider mundial na área de
controle de qualidade de ovos de galinha.
27
2 Trabalhos Relacionados
Este capítulo apresenta alguns dos principais trabalhos relacionados com o desen-
volvimento de soluções tecnológicas para o controle de qualidade de ovos de galinhas
em linhas de produção.
Em (TRABELSI et al., 2007), os autores estudam a relação das propriedades dielétri-
cas das claras e gemas de ovos à temperatura de 24
◦
C, por meio de rádio frequência
de comprimentos de onda entre 10MHz e 1800MHz, a fim de controlar as mudan-
ças em um período de 5 semanas na qualidade interna dos ovos, submetidos a um
armazenamento a 15
◦
C.
Fatores de qualidade como a Unidade Haugh, o índice de gema (IG), a umidade e
peso dos ovos também foram medidos durante o mesmo período.
Em geral, todos esses parâmetros diminuíram com o tempo. A umidade da clara,
apesar de um aumento inicial, diminuiu após a terceira semana. A tendência oposta
foi observada para a umidade da gema.
Apesar dos ótimos resultados observados, no relacionamento entre as proprie-
dades dielétricas e as unidades medidas dos 227 ovos no experimento, o autor não
apresentou um modelamento matemático dos dados obtidos, o que seria muito impor-
tante juntamente com uma posterior validação do modelo em uma situação real.
Em (KAROUI et al., 2005), os autores apresentam o estado da arte em controle
automático da frescura de ovos de galinhas em linhas de produção. A fim de assegurar
uma elevada e consistente qualidade dos ovos, são apresentados diversos trabalhos
baseados em diferentes tipos de sensores.
A técnica de infravermelho, por exemplo, se mostra promissora na família de testes
não-destrutivos para determinação da qualidade interna de ovos de galinha. Mesmo
que esses métodos não eliminem a necessidade de testes químicos detalhados, essas
técnicas podem ajudar no direcionamento dos testes realizados.
2 Trabalhos Relacionados 28
Figura 7: Câmara de ovoscopia com vácuo (LAWRENCE et al., 2008).
Em (LAWRENCE et al., 2008), os autores trataram do problema de detecção de trin-
cas em ovos brancos, a partir de uma imagem de ovoscopia (Ver Seção 1.1) dos mes-
mos. Para tal, utilizou-se uma câmera de alta resolução e um recipiente com vácuo no
qual os ovos são colocados (Ver Figura 7).
Imagens monocromáticas de alta resolução foram coletadas com pressão negativa
dentro do recipiente. A pressão negativa foi uma estratégia usada para abrir momen-
taneamente quaisquer fissuras existentes sem indução de quaisquer novas fissuras
em um ovo intacto (Ver Figura 8).
Para realizar a detecção de trincas nos ovos (Ver Figura 9), os autores aplicaram
os seguintes passos. Inicialmente, foram obtidas imagens monocromáticas do ovo
submetido à pressão atmosférica e à pressão negativa, respectivamente. Essas duas
imagens foram então divididas (o operador de divisão ocorre apenas entre os pixels
de mesma posição na imagem) para criar a imagem razão. Em seguida, o operador
morfológico de erosão foi aplicado à mesma e, depois, um limiar é utilizado para en-
contrar as linhas de fissura na casca do ovo. Por fim, um filtro de média é aplicado à
imagem, com a finalidade de eliminar pontos isolados que não caracterizam trincas.
Utilizando essa metodologia, um total de 80 ovos trincados e 80 intactos foram
utilizados como teste e apenas um ovo trincado não foi detectado. Este fato ocorreu,
uma vez que, a trinca localizava-se perto do hemisfério do ovo, e essa região não era
visível à câmera.
Assim, o sistema teve um resultado expressivo de 98.75% de identificação de
ovos trincados e 100% de acerto na identificação dos ovos intactos. Contudo, esse
sistema se mostrou incapaz de ser aplicado comercialmente, uma vez que seria lento
o processo de submeter todos ovos a uma câmera à vácuo.
2 Trabalhos Relacionados 29
Por sua vez, em (UN; RUISHE, 2005), os autores tratam do problema de detecção
de trincas em ovos, a partir da análise de frequências de vibração.
A técnica consiste em estimular que a superfície do ovo realize pequenas vibra-
ções, em resposta à colisão da mesma com um pequeno pêndulo (Ver Figura 10). Em
regiões intactas do ovo, observou-se que o movimento é praticamente elástico, e do
contrário, na vizinhança de uma trinca, a elasticidade é seriamente comprometida.
A região de impacto é chamada ponto de detecção. Devido ao fato da qualidade do
sinal capturado depender da distância do ponto de detecção da trinca efetivamente,
buscou-se repetir esse teste ao longo de toda superfície do ovo de maneira que a
qualidade do sinal não fosse comprometida.
Para capturar o sinal de vibração, o autor utilizou um sensor piezoelétrico, o qual
é um cristal que, quando submetido a uma pressão, gera um campo elétrico. Esse
mesmo sensor em contato com a superfície do ovo que tenha recebido o impacto
do pêndulo, efetua movimento de vibração e em seguida gera um campo elétrico em
resposta ao evento. Um outro sensor captura o sinal elétrico emitido e envia seu sinal
amplificado para o computador, que processará esses dados.
Na Figura 11(a) podemos observar a diferença entre o sinal de vibração dos ovos
trincados e os ovos intactos. A mesma diferença pôde ser observada na figura 11(b),
que foi obtida da transformação do sinal de vibração exibido na imagem 11(a) para o
domínio de frequências, utilizando a Transformada de Fourier (NUNES; PRADO, 1999-
2002; ZHANG; LU, 2001).
Especificamente, considere as equações abaixo:
(a) Imagem monocromática do ovo
submetido à pressão atmosférica.
(b) Imagem monocromática do ovo
submetido à pressão negativa.
Figura 8: Ovo trincado submetido à câmera de vácuo (LAWRENCE et al., 2008).
2 Trabalhos Relacionados 30
(a) Imagem do ovo submetido
à pressão atmosférica.
(b) Imagem do ovo submetido
à pressão negativa.
(c) Imagem monocromática
normalizada da razão da
imagem do ovo submetido
à pressão atmosférica pela
imagem do ovo submetido à
pressão negativa.
(d) Resultado limiarizado.
(e) Filtro da média aplicado ao
resultado limiarizado.
Figura 9: Processo de reconhecimento de ovos trincados dentro da câmera de vácuo
(LAWRENCE et al., 2008).
¯
P =
n
i=0
P
i
n + 1
, f
1
= f(P
i,max
) e
¯
P
1
=
¯
P
P
i,max
,
onde P
i
é a magnitude de sinal da i-ésima frequência no domínio;
¯
P é a média da
magnitude de sinal da 0-ésima até n-ésima frequência; f
1
é o valor da frequência que
possui maior magnitude de sinal; P
i,max
é a maior magnitude de sinal observada no
domínio de frequências;
¯
P
1
é a normalização da média da magnitude da 0-ésima até
a n-ésima frequência.
2 Trabalhos Relacionados 31
Baseado nesses resultados, o autor determinou que se o ponto de detecção de
vibração for no hemisfério do ovo, e
¯
P
1
for menor que 0.18, ou se o ponto de detecção
de vibração for no equador do ovo e
¯
P
1
for menor que 0.135, o ovo é considerado
intacto. O emprego dessa metodologia com uma base de imagens com 300 ovos
intactos e 200 com trincas, obteve a taxa de acerto de 92% de detecção.
Os resultados de identificação de trincas se mostraram muito bons, porém essa
técnica é sensível à distância da trinca ao ponto de aplicação de impacto. Portanto, é
necessário realizar um número suficiente de testes ao longo da superfície do ovo, de
forma que a área total do ovo seja coberta de forma satisfatória.
Em (KETELAERE; COUCKE; BAERDEMAEKER, 2000), da mesma forma que o estudo
anterior, é proposta uma técnica na qual trincas são detectadas em ovos por meio da
análise das frequências de ressonâncias dominantes da vibração da estrutura do ovo,
após receber impacto de um pequeno pêndulo (Ver Figura 12).
A similaridade entre as respostas de vibrações medidas ao longo da superfície
de um ovo intacto possui uma característica interessante. Devido à simetria axial
de um ovo com uma casca intacta, a frequência de resposta é muito semelhante e
independente do local de excitação ao longo do equador do ovo.
Para realizar a detecção de trincas nos ovos, os autores aplicaram os seguintes
passos. Inicialmente, atingiu-se o ovo quatro vezes com um pequeno pêndulo, sin-
cronizando cada colisão com a velocidade de rotação do mesmo, de forma que são
realizadas medições equidistantes ao longo do equador do ovo.
Em seguida, um microfone sensível realiza a conversão do sinal acústico para o
sinal digital, o qual é enviado ao computador, que com uso de um software, converte
o sinal recebido para o espaço das frequências, utilizando a Transformada Rápida de
Fourier.
Figura 10: Diagrama esquemático do Sistema de Detecção de Trincas (UN; RUISHE,
2005).
2 Trabalhos Relacionados 32
(a) Sinal de amplitude de vibração ao longo do
tempo.
(b) Espectro de frequências de resposta.
Figura 11: Sinais de resposta da superfície do ovo à estímulos de vibração no domínio
do tempo e sua transformação para o domínio das frequências (UN; RUISHE, 2005).
Por fim, se o valor de correlação das frequências de ressonância encontradas nos
diferentes pontos de medição ao longo da superfície do ovo for menor que um limiar,
o ovo é classificado como trincado, de outra forma, é classificado como intacto.
Utilizando-se essa metodologia foi possível selecionar os ovos que possuíam al-
gum tipo de trinca na casca, onde conseguiu-se 90% de identificação dos mesmos e
um erro menor do que 0.5% de falsos positivos.
Os resultados de identificação de trincas se mostraram muito bons, porém essa
técnica é sensível à distância da trinca ao ponto de aplicação de impacto. Portanto, é
Figura 12: Detecção de trincas em ovos: (1) Objeto para realizar impacto no ovo; (2)
Roldana que gira o ovo; (3) O microfone de captura de vibração (KETELAERE; COUCKE;
BAERDEMAEKER, 2000).
2 Trabalhos Relacionados 33
necessário realizar um número suficiente de testes ao longo da casca, de forma que
a área total do ovo seja coberta de forma satisfatória.
Outro trabalho (SYAHRIR; SURYANTI; AIN, 2007) que aborda um tema também impor-
tante, trata da detecção de pontos de sangue internamente em ovos brancos por meio
de imagens coloridas, obtidas por um processo de ovoscopia dos ovos.
Primeiramente, o ovo é segmentado da cena e sua área é estimada. Logo em
seguida, filtros de cores são aplicados à imagem, de modo que os pontos de sangue
sejam realçados. Em seguida, a imagem é convertida para a escala de cinza e é
aplicado o filtro de média, de forma a realçar os defeitos e eliminar ruídos na imagem.
Uma binarização então é realizada, com o uso de um limiar pré-definido obtendo uma
imagem das possíveis regiões de sangue (Ver Figura 13). São considerados pontos
de sangue apenas regiões com área superior a um dado percentual relativo à área do
ovo.
O autor realizou os testes sobre uma base de 30 imagens de ovos com pontos de
sangue e obteve 83% de acerto e outras 10 imagens de ovos bons obtendo 100% de
detecção. Apesar do ótimo resultado o sistema mostrou-se sensível à variação de luz
na cena durante o processo de aquisição de imagens.
Em (NAKANO; MOTONAGA, 2003), os autores abordam a detecção de ponto de
sangue em ovo branco, com o uso de espectroscopia de infravermelho (NIR).
Por meio de pesquisas, descobriu-se que a hemoglobina absorve melhor ondas
eletromagnéticas dentro de faixas de comprimento específicas. Então para realizar
o experimento utilizou-se uma caixa escura, na qual, o ovo foi posicionado vertical-
mente e exposto à ondas eletromagnéticas com comprimentos de onda entre 300nm
e 1100nm.
Após a coleta dos valores de absorção do ovo dentro da caixa escura, para cada
comprimento de onda eletromagnética, chegou-se à conclusão que a melhor faixa de
absorção de onda é entre 503nm e 598nm. Com isso, utilizando-se o método de
Regressão dos Quadrados Mínimos Parciais (PLS-Regressão) para realizar a classifi-
cação dos ovos (100 ovos normais e 94 com pontos de sangue), obteve-se 100% de
acerto para classificação de ovos sem pontos de sangue, e 96.8% do contrário.
Portanto, o método é muito eficaz na determinação de ovos com pontos de sangue,
porém os testes foram realizados apenas sobre ovos de casca branca, deixando em
aberto sua eficácia sobre ovos com pigmentações diferentes.
2 Trabalhos Relacionados 34
(a) Imagem de ovos-
copia do ovo com
ponto de sangue.
(b) Imagem em escala
de cinza.
(c) Imagem em escala
de cinza submetida a
filtro de média.
(d) Imagem binari-
zada.
(e) Identificação do
ponto de sangue
dentro do ovo.
Figura 13: Detecção de ponto de sangue (SYAHRIR; SURYANTI; AIN, 2007).
Em (NAKANO; MIZUTANI; OHTSUKA, 2000), os autores propõem um método de ins-
peção de pontos de sangue internamente em ovos marrons. O método de ovoscopia
para esses ovos apresenta dificuldades, pois geralmente devido à coloração dos ovos,
os defeitos internos tornam-se muito difíceis de serem detectados.
Esse fato ocorre devido à luz refletida pela superfície do ovo no método de ovos-
copia ser semelhante à do sangue no interior do mesmo. Portanto, o trabalho desen-
2 Trabalhos Relacionados 35
volvido propõe a solução deste problema por meio da visualização do ovo com o uso
de filtros de cores que capturam faixas de luzes que não são visíveis ao olho humano.
Para se estudar a detecção de pontos de sangue em ovos marrons, os autores
aplicaram os seguintes passos:
1. O ponto de sangue foi obtido de modo artificial. Pequenas quantidades de
sangue foram injetadas por meio de seringa dentro do ovo normal;
2. O ovo foi colocado sobre uma mesa onde um pequeno buraco foi criado. Uma
lâmpada foi colocada abaixo da mesa, de modo que o mesmo fosse iluminado
pelo buraco;
3. A imagem do ovo foi capturada por uma câmera multiespectral, capaz de captu-
rar luz visível, infravermelha, ultravioleta e raio-X, situada acima do ovo;
4. Quatro imagens foram obtidas, especificamente, uma imagem obtida na faixa de
620mm a 630mm para o comprimento de onda, uma imagem na faixa de 640mm
a 650mm, uma imagem na faixa de 680mm, uma imagem na faixa de 760mm;
5. Uma rede neural foi treinada com as imagens obtidas anteriormente para deter-
minar a existência de pontos de sangue no ovos.
Como resultado, com uma base de dados de 89 ovos marrons normais e 64 ovos
marrons com ponto de sangue, a detecção de ovos normais foi de 98.9% e 96.9%
para ovos com ponto de sangue, demonstrando uma eficácia grande para esse tipo
de problema. Porém, os testes foram realizados sobre ovos que tiveram o sangue
inserido em seu interior de modo artificial, sendo necessário validar o modelo em uma
situação real.
Em contrapartida, em (MERTENS et al., 2005), os autores apresentam um sistema
de visão computacional que diferencia e quantifica a presença de diferentes tipos de
manchas de sujeira na superfície de ovos marrons: manchas escuras(fezes), manchas
brancas (ácido úrico), manchas de sangue e manchas de gema.
Para realizar os experimentos utilizou-se uma caixa cúbica 0.8 X 0.8 X 0.8 m, com
paredes brancas e 4 lâmpadas fluorescentes em cada parede interna da caixa, com
exceção da inferior (Ver Figura 14).
O suporte do ovo e a parede inferior da caixa foram pintadas de azul, a fim de
simplificar o processo de segmentação do ovo da cena. Foi também utilizado uma
2 Trabalhos Relacionados 36
câmera digital posicionada na parede superior interna da caixa para capturar imagens
da cena.
Para o desenvolvimento do sistema de classificação foram necessários dois grandes
passos. Primeiro, a segmentação do ovo para definir a região de interesse para a de-
tecção das manchas de sujeira, e segundo, a detecção e classificação das mesmas.
Para a realização da segmentação, foram seguidos os seguintes passos:
1. A imagem capturada da cena foi convertida para a escala de cinza, retirando-se
seu valor de saturação. Desta forma, foi determinada uma maior discrepância
entre os valores de cinza da superfície do ovo e do fundo da cena;
2. Um filtro de mediana foi aplicado para suavizar a imagem;
3. A imagem foi binarizada, gerando uma imagem com ovos brancos e possíveis
regiões de sujeira e todo o restante da cena com coloração preta;
4. A fim de preencher os buracos negros nos ovos brancos (causados pelas regiões
de possíveis sujeiras), operadores morfológicos de fechamento e abertura foram
aplicados na imagem;
5. Por último, uma soma do número total de pixels correspondentes à área de cada
ovo foi realizada.
Por outro lado, para a detecção de manchas foram seguidos os seguintes passos:
Figura 14: Caixa de experimentos do sistema desenvolvido em (MERTENS et al., 2005).
Esquerda: Câmera no topo da caixa cúbica. Direita: Visão interna da caixa cúbica.
2 Trabalhos Relacionados 37
1. Para o caso de detecção de manchas de sangue, aplicou-se a operação lógica
XOR entre a imagem original e o canal de cor vermelho, de modo a realçar a
cor vermelha, presente na mancha de sangue, e removê-la do resto da superfí-
cie do ovo, deixando-a esverdeada. Posteriormente, subtraiu-se a cor verde da
mesma, resultando em uma imagem de ovos azuis, manchas vermelhas e fundo
da imagem rosado;
2. A imagem foi transformada para a escala de cinza, utilizando-se o canal de cor
que determina a maior discrepância entre os valores de cinza da superfície do
ovo e da região de mancha;
3. Os valores de brilho e contraste foram alterados, de modo a realçar as regiões de
sujeira sobre a superfície do ovo. Essa modificação foi realizada pela equaliza-
ção do histograma de cor da imagem e no caso de detecção de mancha branca,
por uma correção gama;
4. A imagem foi binarizada, de modo que as regiões de sujeiras ficassem com a
coloração branca e todo o restante da imagem com a coloração preta;
5. Em seguida, as regiões de sujeira que não sobrepõem a imagem dos ovos obti-
dos na etapa de segmentação foram descartadas;
6. Aplicou-se o filtro de erosão, de modo à excluir pontos de sujeira isolados;
7. Na última etapa, uma soma do número total de pixels correspondentes às áreas
de sujeiras foram realizadas.
A Tabela 1 exibe um resumo geral da diferenciação do procedimento executado
pela segmentação dos diferentes tipos de manchas: mancha branca, escura, sangue
e gema.
Uma vez segmentada a região de mancha, considera-se o ovo sujo caso o per-
centual da quantidade de pixels da região de sujeira em relação à região representada
pela superfície do ovo seja superior à 0.05%.
Os experimentos foram realizados com ovos marrons, com a seguinte distruição de
tipos de ovos: 41 com manchas escuras, 29 com manchas brancas, 12 com manchas
escuras e brancas, 11 com manchas de sangue, 7 com manchas de gema e 100 ovos
bons.
2 Trabalhos Relacionados 38
Para a detecção de manchas escuras foi obtido 89.19% de acerto e 10.81% foram
classificados como manchas de sangue. Nos casos de manchas brancas, manchas de
gema, manchas brancas e escuras obteve-se 100% de reconhecimento. Para o caso
de manchas de sangue, obteve-se 66.66% de acerto e 33.33% dos casos classificados
como manchas escuras. Por fim, ovos bons foram detectados em 98% das vezes, com
2% dos casos classificados como ovos com manchas brancas.
Os resultados obtidos na classificação das manchas foi satisfatório, apesar de ser
necessário o melhoramento no processo de distinção entre manchas de sangue e
manchas escuras.
Em (MARIA et al., 2000), os autores apresentam um sistema de visão artificial dedi-
cado à rejeição automática de ovos sujos.
Neste trabalho, os autores abordam a automatização do processo de inspeção
visual de ovos, baseada em Algoritmos Genéticos, levando em consideração a dispo-
sição espacial dos pixels considerados pertencentes à regiões de sujeira nos ovos.
A quantificação da distribuição espacial dos pixels de sujeira é importante, devido
à distinção de dois tipos de ovos:
1. Ovos que apresentam sujeira em uma área reduzida, que seriam classificados
como sujos;
2. Ovos com igual número de pixels considerados de sujeira espalhados por toda a
casca de ovo, onde os mesmos deveriam ser classificados como limpos.
O algoritmo de inspeção visual automática, proposto pelos autores pode ser di-
vidido nos seguintes passos. Primeiramente aplicou-se um pré-processamento na
Tabela 1: Passos detecção manchas (MERTENS et al., 2005).
Etapa Mancha Mancha Mancha Mancha
branca escura sangue gema
Imagem original
Pré- Operador lógico: (imagem original)
processamento - - XOR (canal cor vermelho) -
Subtração canal de cor: verde
Conversão Conversão Conversão Conversão Diminuição valor
imagem utilizando canal utilizando canal utilizando canal de saturação
escala cinza de cor azul de cor vermelha de cor vermelha
Imagem escala cinza
Brilho Equalização histograma Equalização Equalização histograma Equalização
Contraste intervalo 31 a 248 histograma intervalo 77 a 181 histograma
correção gama = 2 intervalo 0 a 185 intervalo 27 a 210
Limiar 150 145 150 80
binarização
Imagem binária
Erosão 0 a 5 pixels 0 a 5 pixels 0 a 5 pixels 0 a 5 pixels
2 Trabalhos Relacionados 39
imagem, de modo à realçar defeitos na imagem. O objetivo foi obter uma imagem
binária onde pixels brancos representam a sujeira (Ver Figura 15).
Uma sequência de filtros de cor é utilizada para tratar a imagem, tornando-a um
mapa binário de sujeira. O processo é decomposto em cinco passos exemplificados
na Figura 16.
Posteriormente, essa imagem é processada em sete níveis, que estão relaciona-
dos com a área da imagem (Ver Figura 17). O primeiro nível classifica a imagem
global, considerando a quantidade de pixels que representam áreas de sujeira (pixel
sujo) sobre toda a casca do ovo. Se a quantidade desses pixels for menor que o li-
miar do nível um, a imagem será dividida em duas sub-regiões de mesmo tamanho.
Da mesma forma, cada uma dessas duas regiões que possuírem uma quantidade de
pixels sujos menores que o limiar correspondente ao nível dois, serão subdividas em
outras duas regiões, e assim por diante, até o nível máximo sete.
Para cada um dos setes níveis, existe um valor característico de limiar, e se em
todas etapas de divisão da imagem as quantidades de pixels sujos forem menores
que os limiares de cada nível correspondente, o ovo será considerado como próprio
para consumo, do contrário, será classificado como sujo.
Para a determinação do valor de cada um dos sete limiares é utilizado um Algo-
ritmo Genético, o qual funciona como um método não-determinístico que visa encon-
trar o conjunto de limiares que melhor realizam a classificação de uma dada base de
dados conhecida.
A grande vantagem do uso do algoritmo genético é que se pode inicializar a evo-
lução com uma população que contenha indivíduos que representem os valores de
limiares encontrados manualmente por especialistas da área, ou seja, a melhor solu-
ção encontrada terá, no mínimo, resultados iguais a de um especialista.
Outro ponto importante é a facilidade de adaptação do método para a modifica-
ção das exigências do mercado, bem como mudanças nas leis de especificação para
comercialização de ovos.
Utilizando essa metodologia, a taxa de reconhecimento foi de 80% em uma base
de 100 imagens de ovos sujos, de cores desconhecidas (não foram declaradas pelos
autores), selecionados por um perito neste tipo de classificação.
Em (ALEGRE et al., 2000), os autores apresentam um sistema de visão artificial para
classificação automática em tempo real de ovos defeituosos, utilizando a mesma me-
2 Trabalhos Relacionados 40
(a) Ovo sujo (b) Imagem (a) pré-processada
(c) Ovo sujo (d) Imagem (c) pré-processada
(e) Ovo sujo (f) Imagem (e) pré-processada
(g) Ovo sujo (h) Imagem (g) pré-processada
Figura 15: Exemplos de diferentes tipos de sujeiras: Imagem original colorida e após
submetida ao processo de pré-processamento (MARIA et al., 2000).
todologia discutida anteriormente, com exceção que o presente trabalho utiliza apenas
um nível na etapa de processamento e classificação.
2 Trabalhos Relacionados 41
(a) Imagem colorida original; (b) Imagem I
V d
;
(c) Ovo segmentado do resto da
imagem;
(d) Imagem
I
V m
−I
A
I
V m
+I
A
;
(e) Imagem obtida de (d) sub-
traída do valor médio de seus
pixels;
(f) Imagem binária obtida da ima-
gem (e).
Figura 16: Pré-processamento da imagem do ovo
123
(MARIA et al., 2000).
Os testes foram realizados em um computador Pentium 233 Mhz e com imagens
de resolução 752X582 pixels. O sistema atingiu o processamento de 7 quadros por
segundo aproximadamente.
Com uma base de 50 ovos bons e 50 com defeitos variados (pena de galinha,
mancha sangue, sujeira e trinca), a taxa de acerto foi de 82% e 92%, respectivamente.
Apesar do bom resultado, o sistema é incapaz de diferenciar os defeitos encontrados,
impossibilitando seus tratamentos específicos.
2 Trabalhos Relacionados 42
123
.
Em (PATEL; MCCLENDON; GOODRUM, 1998), os autores apresentam um sistema de
detecção automática de manchas de sangue, sujeira e trincas em ovos respeitando as
normas de classificação definidas pelo Departamento Norte-Americano de Agricultura
(United States Department of Agriculture - USDA).
Esse sistema utiliza análise de imagens e Redes Neurais Artificiais especializadas
na classificação de cada tipo de defeito.
Apesar de serem as redes neurais artificiais especializadas em cada tipo de de-
feito, os autores obtiveram resultados pouco precisos quando essas foram treinadas
com amostras isoladas de cada tipo de defeito e com ovos provenientes apenas de
uma base de dados. Para melhorar os resultados dos treinamentos, testes e vali-
dações, foram incluídos ovos com variados tipos de defeitos, de modo aleatório, e
provenientes de diferentes bases de dados.
Para o treinamento da rede neural artificial destinada à detecção de mancha de
sangue, um conjunto de 360 ovos foram utilizados. Selecionaram-se aleatoriamente
180 ovos com manchas de sangue e 60 ovos de cada um dos conjuntos de ovos trin-
1
I
V d
= Imagem em tom de cinza, contruída a partir do canal de cor verde da imagem original
2
I
V m
= Imagem em tom de cinza, contruída a partir do canal de cor vermelho da imagem original
3
I
A
= Imagem em tom de cinza, contruída a partir do canal de cor azul da imagem original
Figura 17: Processo de decomposição da imagem (MARIA et al., 2000).
2 Trabalhos Relacionados 43
Tabela 2: Resultados dos treinos, testes e validações das diferentes redes neurais
artificiais utilizadas nos experimentos (PATEL; MCCLENDON; GOODRUM, 1998).
Rede neural Treino da rede
1
Teste da rede
1
Validação da rede
1
Rede neural de
detecção de 99.4 (2) 92.2 (9) 92.8 (9)
mancha de sangue
Rede neural de
detecção de 94.7 (9) 86.7 (12) 87.8 (14)
trinca
Rede neural de
detecção de 98.1 (0) 85.0 (10) 85.0 (13)
sujeira
1
% acerto (quantidade casos falsos positivos)
cados, sujos e ovos limpos. Para seu teste foram utilizados um conjunto de 180 ovos
não utilizados anteriormente no treinamento, provenientes de 90 ovos selecionados
aleatoriamente com manchas de sangue e outros 30 ovos de cada um dos conjuntos
de ovos trincados, sujos e ovos limpos, respectivamente. Por fim, para a validação da
rede um conjunto de 180 ovos foram selecionados de modo similar.
As tarefas de treinamento, teste e validação de conjuntos de dados incluíram uma
quantidade igual de ovos selecionados de diferentes granjas, para minimizar o efeito
da diferenciação visual dos ovos produzidos por diferentes localidades.
Para os treinamentos, testes e validações das redes neurais destinadas à detecção
de trinca e sujeira, um processo similar foi utilizado. Deste modo, as redes neurais
se mostraram robustas e eficientes na classificação dos diferentes tipos de defeitos,
mesmo com a utilização de ovos provenientes de diferentes granjas (Ver Tabela 2).
O modelo de rede neural para a detecção de manchas de sangue no ovo teve
uma exatidão de 92.8%. Contudo, o modelo de rede para a detecção de sujeira teve
uma exatidão de 85.0% e, por fim, para trincas 87.8%. Os testes foram realizados
com 200 amostras de cada defeito e foram suficientes para produzir resultados que
ultrapassaram os requisitos mínimos de classificação exigidos pela USDA.
Apesar dos bom resultados encontrados, o sistema não realiza qualquer trata-
mento sobre possíveis ruídos nas imagens ou mesmo variação de cor devido à ilumi-
nação, sendo susceptível à esses problemas.
Na Seção A.4 é apresentado o sistema comercial Moba que realiza inspeção au-
tomática de qualidade de ovos de galinhas em linhas de produção e na Tabela 10 do
anexo A, observa-se sua taxa de acerto para os principais defeitos encontrados em
ovos produzidos em uma granja.
2.1 Considerações Finais 44
2.1 Considerações Finais
Os trabalhos relacionados apresentados neste capítulo realizam a inspeção au-
tomática da qualidade de ovos de galinha de diversos modos, cada qual com seu
custo e benefício. Em (TRABELSI et al., 2007) e (KAROUI et al., 2005) os autores tratam
especificamente do problema de detecção da frescura dos ovos, problema que não é
tratado de modo direto pelo sistema que foi desenvolvido nesse trabalho, mas que foi
interessante seu estudo para a compreensão do processo completo de inspeção de
qualidade, comumente utilizado na indústria de produção de ovos.
Por sua vez, em (LAWRENCE et al., 2008), (UN; RUISHE, 2005) e (KETELAERE; COUCKE;
BAERDEMAEKER, 2000) os autores tratam do problema de detecção automática de trin-
cas nos ovos. Apesar de o primeiro autor utilizar uma abordagem de análise visual das
imagens, tal como esse trabalho, e os outros utilizarem uma metodologia de análise
da ressonância acústica dos ovos, após receberem um impacto de um pêndulo sólido,
ambos obtiveram bons resultados de detecção, contudo, não foi possível realizar uma
comparação dos resultados obtidos com esse trabalho, devido à falta de detalhamento
das características das trincas que foram estudadas.
Em contrapartida, em (SYAHRIR; SURYANTI; AIN, 2007), (NAKANO; MOTONAGA, 2003)
e (NAKANO; MIZUTANI; OHTSUKA, 2000) os autores tratam do problema de detecção
de ponto de sangue no interior dos ovos. No primeiro trabalho, similarmente a esse
trabalho, o mesmo utiliza uma técnica de análise visual da imagem de ovoscopia dos
ovos, obtida por filtros de cores visíveis ao olho humano. Contudo, os dois últimos
trabalhos propõem a solução deste problema por meio da visualização do ovo com
o uso de filtros de cores que capturam faixas de luzes que não são visíveis ao olho
humano, apresentando resultados melhores quando comparados à ténica anterior.
Por fim, em (MERTENS et al., 2005), (MARIA et al., 2000) e (ALEGRE et al., 2000) os
autores tratam do problema de detecção de sujeiras e manchas na superfície dos ovos.
Os resultados obtidos pelo primeiro trabalho são comparáveis aos obtidos por esse
trabalho, com taxas de detecção em torno de 80% de sujeiras de fezes na superfície
dos ovos, contudo, nos dois últimos não foi possível realizar uma comparação dos
resultados obtidos devido ao não detalhamento dos experimentos realizados.
45
3 Fundamentação Teórica
O processamento e a análise de imagens representam atualmente tarefas de
grande relevância em diversas aplicações científicas. Técnicas de processamento
de imagens são baseadas em métodos matemáticos que permitem descrever quan-
titativamente diferentes tipos de imagens. Essas técnicas variam, significativamente,
segundo a sua complexidade e o objetivo da aplicação. Em cada imagem, é possível
efetuar medidas de superfície, perímetros, comprimentos, área, espessura, posição, e
deduzir grandezas estatísticas automaticamente.
Dentro desse universo de possibilidades de técnicas de processamento de ima-
gens, este capítulo tem o propósito de descrever os principais conceitos que funda-
mentam o desenvolvimento do sistema de controle automático de qualidade de ovos
de galinhas em linhas de produção, por meio do uso de técnicas de processamento
e análise de imagens, proposto neste trabalho. Aqui, serão expostas informações a
respeito de métodos de segmentação, detecção de movimento, rotulação de objetos,
extratores de atributos de imagens, e por fim, de técnicas de classificação de atributos.
3.1 Aquisição de Imagens Digitais
Adquirir uma imagem digital envolve processos de transformação da imagem cap-
turada pelos sensores em números digitais que são posteriormente processados por
um computador. Os dois tipos de imagem normalmente utilizados em visão computa-
cional, são:
• Imagens de intensidade : são as imagens fotográficas comuns, onde valores
discretos de intensidade de luz são obtidos por meio de câmeras de vídeo.
• Imagens de profundidade : codificam apenas formas e as distâncias de ob-
jetos, características estas obtidas por meio de conjuntos de câmeras (visão
3.2 Segmentação de Imagem 46
estéreo), sensores especiais como sonares e scanners a laser.
Imagens de intensidade medem a quantidade de luz que atinge um dispositivo foto-
sensível. Por sua vez, imagens de profundidade são obtidas diretamente da estrutura
3-D espacial de uma cena, monitorada por meio de uma variedade de técnicas.
É importante ressaltar que qualquer imagem digital, independentemente do tipo,
é uma matriz bidimensional de números. A entrada para uma câmera de vídeo é,
como se sabe, a luz que chega através do conjunto óptico a seu plano de imagem.
Em uma câmera CCD, verifica-se a existência de uma matriz CCD com dimensões
n x m contendo um grid de sensores fotosensíveis à intensidade da luz. Cada foto-
sensor pode ser considerado como uma pequena caixa preta retangular que converte
energia da luz em tensão. A saída da matriz de CCD é usualmente um sinal elétrico
contínuo (o sinal de vídeo). Pode-se recuperar este sinal gerado, ou seja, recuperar
a imagem de vídeo, fazendo a varredura dos fotosensores na matriz de CCD em uma
dada ordem e lendo suas tensões que foram convertidas para um valor digital. O sinal
de vídeo é enviado para um dispositivo eletrônico chamado digitalizador de imagem
de vídeo, onde é digitalizado e transformado em uma matriz bidimensional, contendo
M x N valores inteiros. Neste ponto, as imagens podem ser convenientemente re-
presentadas por uma matriz E(M,N), cujos elememtos são chamadas de pixels (um
acrônimo para picture elements), onde N e M são dois inteiros expressando as di-
mensões da imagem. Finalmente a matriz E é transferida para um computador para o
processamento das imagens.
A respeito da matriz E pode-se afirmar que E(i,j) denota o valor do pixel (i,j)(i-
ésima linha e j-ésima coluna)(brilho da imagem), codificando a intensidade gravada
pelo fotosensor da matriz de CCD medida em um determinado ponto.
3.2 Segmentação de Imagem
Segmentar em processamento digital de imagens significa subdividir uma imagem
em suas partes ou objetos constituintes (GONZALEZ; WOODS, 2007). A segmentação
de objetos feita automaticamente tem sido baseada primariamente em técnicas de
reconhecimento de similaridade ou de diferenças mensuráveis na imagem.
Segundo (GONZALEZ; WOODS, 2007), uma imagem monocromática pode ser defi-
nida como uma função de duas dimensões, f(x,y), onde x e y são coordenadas es-
3.2 Segmentação de Imagem 47
paciais (do plano) e a amplitude de f calculada nas coordenadas (x,y) é chamada de
intensidade ou nível de cinza do ponto na imagem.
As técnicas empregadas pelos algoritmos de segmentação são geralmente ba-
seadas em duas propriedades básicas: descontinuidade e similaridade. Na descon-
tinuidade, a abordagem consiste em particionar uma imagem tomando por base as
mudanças abruptas da intensidade do ponto (pixel). As principais áreas de interesse
desta categoria são: detecção de pontos isolados, de linhas e de bordas da imagem.
Na similaridade, a abordagem é baseada em limiarização e crescimento de regiões
(GONZALEZ; WOODS, 2007).
3.2.1 Limiarização
A limiarização (thresholding) é uma das técnicas mais simples e frequentemente
utilizadas para auxiliar no processo de segmentação de uma imagem. No caso de
imagens em tons de cinza, analisa-se a similaridade dos níveis de cinza da imagem
extraindo-se os objetos de interesse por meio da seleção de um limiar T que separa
os agrupamentos de níveis de cinza, (GONZALEZ; WOODS, 2007).
Uma imagem limiarizada g(x, y) é definida como:
g(x, y) =
1 se f(x, y) > T
0 se f(x, y) ≤ T ,
onde f(x, y) corresponde ao nível de cinza do pixel, T é um valor de tom de cinza
predefinido denominado limiar. Os pixels rotulados com 1 correspondem aos objetos
e os pixels rotulados com 0 correspondem ao fundo, (GONZALEZ; WOODS, 2007). O
resultado desse método depende da escolha do limiar, como pode ser observado nas
Figuras 18(b) e 18(c).
A segmentação é realizada varrendo-se a imagem pixel por pixel, e rotulando-se
cada pixel como sendo do objeto ou do fundo, dependendo se o nível de cinza ou
intensidade luminosa daquele pixel for maior ou menor que T . A mais simples de
todas as técnicas de limiarização é a do particionamento do histograma da imagem
por um limiar único T , no entanto é possível a utilização de múltiplos limiares.
O histograma de uma imagem é um conjunto de números cujo significado é o
número de pixels, que apresentam cada nível de intensidade luminosa na imagem.
Através da visualização do histograma de uma imagem, obtém-se uma indicação de
3.2 Segmentação de Imagem 48
sua qualidade quanto ao nível de contraste e quanto ao seu brilho médio (se a imagem
é predominantemente clara ou escura).
Cada elemento desse conjunto é calculado como:
p(r
k
) =
n
k
MN
,
onde: p(r
k
) = probabilidade do nível de intensidade luminosa r
k
na imagem;
k = 0, 1, 2, ..., L-1, onde L é o número de níveis de cinza da imagem;
n
k
= número de pixels cujo nível de intensidade luminosa corresponde a k;
MN = número total de pixels na imagem.
Uma dificuldade na limiarização de uma imagem é a determinação do valor de
T , ou seja, do ponto de melhor separação dos pixels da imagem. Na análise de
histogramas, determina-se T na região de “vale” mais próxima ao meio de escala dos
níveis de cinza, como mostra a Figura 19.
(a) Imagem original.
(b) Imagem binária - Limiar 127. (c) Imagem binária - Limiar 204.
Figura 18: Resultados da aplicação do método de limiariazação.
3.2 Segmentação de Imagem 49
3.2.2 Detecção Baseada em Bordas
O processamento no domínio espacial refere-se a procedimentos que operam di-
retamente sobre os pixels de uma imagem, na forma como estão arranjados espacial-
mente. Uma operação de processamento espacial é denotada pela Equação 3.1:
g(x, y) = T [f(x, y)] , (3.1)
onde f(x,y) representa a imagem de entrada, g(x,y) representa a imagem de saída
processada, e T é um operador em f, definido para atuar sobre a vizinhança do ponto
(x,y), como ilustrado na Figura 20.
O operador T pode atuar em diferentes tamanhos de vizinhança no ponto (x,y).
Típicos arranjos de operadores quadrangulares são mostrados na Figura 21. A menor
e mais simples vizinhança em torno do ponto (x,y) é o próprio ponto (operador 1x1).
Quando T tem este tamanho de vizinhança ele é chamado de “função de transforma-
ção de intensidade”, pois opera diretamente no valor de intensidade do ponto (x,y) da
imagem f, gerando um novo valor de intensidade para o mesmo ponto na imagem g.
As demais configurações de operadores (3x3, 5x5, 7x7) são utilizadas especial-
mente em operações de filtragem de imagens, e são mais conhecidas na literatura
de processamento de imagens como máscaras, kernels ou filtros propriamente ditos.
Uma operação de filtragem linear para uma máscara de tamanho 3x3 poderia ser de-
(a) Imagem utilizada no experimento (b) Histograma de níveis de cinza
Figura 19: Exemplo de histograma de uma imagem na escala de cinza.
3.2 Segmentação de Imagem 50
Figura 20: Ilustração do operador T sobre a vizinhança de um ponto da imagem (GON-
ZALEZ; WOODS, 2007).
finida da forma mostrada na Equação 3.2:
R = w(−1, −1)f(x − 1, y − 1) + w(−1, 0)f (x − 1, y) + . . . +
w(0, 0)f(x, y) + . . . + w(1, 0)f(x + 1, y) + w(1, 1)f(x + 1, y + 1) , (3.2)
onde R é o resultado da operação linear aplicada sobre o ponto (x,y) e sua vizi-
nhança na imagem f, gerando o valor de intensidade luminosa para apenas um ponto
(coordenada (x,y)) na imagem g. A operação é ilustrada na Figura 22. Desta forma,
cada ponto da imagem g é gerado levando-se em conta uma operação linear aplicada
a nove pontos da imagem f. A nova e completa imagem g é formada ao aplicar-se o
operador sobre toda a região da imagem f, ou seja, movendo a máscara de filtragem
sobre os pontos da imagem, de maneira semelhante ao que ocorre em operações de
Figura 21: Típicos arranjos de operadores para processamento espacial (GONZALEZ;
WOODS, 1992).
3.2 Segmentação de Imagem 51
convolução de sinais unidimensionais.
Neste contexto, uma borda é o limite entre duas regiões com propriedades relati-
vamente distintas de luminosidade. As bordas na imagem caracterizam os contornos
dos objetos e são bastante úteis para segmentação e identificação de objetos na cena.
Pontos de borda podem ser entendidos como as posições dos pixels com variações
abruptas de níveis de cinza. Existem várias técnicas de detecção baseadas em bor-
das, como por exemplo o operador de Canny.
3.2.2.1 Operador de Canny
De uma maneira geral, é requerido de todo algoritmo de detecção de bordas uma
baixa taxa de erro na sua identificação. Igualmente, espera-se que os pixels das bor-
das sejam localizados com precisão, minimizando a distância entre os pixels encontra-
dos pelo detetor e a borda verdadeira. Um terceiro critério na detecção deveria evitar
a possibilidade da geração de múltiplas bordas para expressar uma borda simples.
Canny (1986) considerou essas três questões no seu trabalho, que poderiam ser as-
sim anunciadas:
Figura 22: Operador 3x3 aplicado sobre a vizinhança de um ponto da imagem (GON-
ZALEZ; WOODS, 2007).
3.2 Segmentação de Imagem 52
1. Boa detecção: o detector de bordas deveria ter baixa probabilidade de falhar na
detecção das bordas e baixa probabilidade de marcar pixels fora das bordas;
2. Localização: a distância entre os pixels da borda encontrados pelo detector de
bordas e a borda verdadeira deveria ser a menor possível;
3. Resposta simples: minimizar o número de bordas. O detector de bordas não
poderia identificar múltiplas bordas onde existe apenas uma.
O filtro de Canny é um filtro de convolução que usa a primeira derivada. Ele sua-
viza o ruído e localiza bordas, combinando um operador diferencial com um filtro Gaus-
siano.
Considere uma borda de uma dimensão como mostrado na Figura 23(a). Se ela
for operada por convolução com a função Gaussiana, o resultado será uma variação
contínua do valor inicial ao final, com uma inclinação máxima no ponto onde existe o
“degrau”, como mostrado na Figura 23(b). Se esta função, agora contínua, for dife-
renciada em relação a x, a inclinação máxima indicará o máximo da nova função em
relação à original. A Figura 23(c) mostra este resultado.
Os pontos de máximos depois da convolução indicarão as bordas na imagem.
Este processo pode ser realizado através do uso de uma função Gaussiana em duas
dimensões, ou uma função 1D na direção de x e depois na direção y. As formas das
máscaras Gaussianas dependem da escolha do desvio padrão, σ, usado, ou seja, o
valor de sigma na equação da função gaussiana.
A função Gaussiana de uma dimensão, é expressa por:
G(x) =
e
−x
2
2σ
2
√
2πσ
2
, (3.3)
de modo, que sua primeira derivada é:
(a) Borda (b) Uniformização de Gauss
(c) Primeira Derivada
Figura 23: Processo de detecção de bordas por Canny.
3.2 Segmentação de Imagem 53
G
(x) = −x
e
−x
2
2σ
2
√
2πσ
3
(3.4)
As formas destas duas expressões, isto é a Gaussiana e sua derivada em 1D, são
mostradas na Figura 24, onde utilizou-se σ = 0, 1592.
A idéia do filtro de Canny para detecção de bordas é usar G
(x). Fazendo a
operação de convolução da imagem com G
(x) obtêm-se uma imagem I, que mostrará
as bordas, mesmo na presença de ruído. A convolução é relativamente simples de ser
computada, mas é custosa computacionalmente, especialmente se for feito cálculo
para duas dimensões:
G(x, y) =
1
2πσ
x
σ
y
e
−x
2
2(σ
x
)
2
−
y
2
2(σ
y
)
2
(3.5)
As Gaussianas 2D dependem da escolha dos desvios padrão nas duas direções,
sendo geralmente usado os mesmos valores de desvio padrão, ou seja, o mesmo
valor de sigma em x e y, σ = σ
x
= σ
y
na equação da função Gaussiana.
Considera-se como um segmento de borda todo valor situado acima de determi-
nado limite superior e rejeita-se todo valor situado abaixo de um limite inferior. Pontos
situados entre os dois limites serão aceitos como de borda se eles estiverem rela-
cionados fortemente com os pixels que possuem valores acima do limite superior. O
custo computacional do detector de bordas de Canny é relativamente alto, e os resul-
tados são geralmente pós-processados para maior clareza. Entretanto, o algoritmo é
bem eficiente no processamento de imagens com ruídos ou com bordas difusas. A
Figura 25 mostra o resultado da aplicação do método de Canny com mascaras 2D.
(a) (b)
Figura 24: Exemplo de curva Gaussiana com variância σ = 0, 1592 (a) e sua derivada
(b) ambas em 1D.
3.2 Segmentação de Imagem 54
Seguem abaixo as principais etapas do algoritmo de Canny, ressaltando que de-
talhes teóricos podem ser encontrados em (CANNY, 1986):
1. Redução de ruído : Submete-se a imagem I ao filtro de convolução Gaussiana,
originando uma versão ligeiramente mais desfocada que a original. Isto conse-
quentemente reduz o efeito de pixels ruidosos na imagem;
2. Cálculo dos gradientes da intensidade da imagem : bordas em uma imagem
podem possuir várias orientações direcionais, assim 4 máscaras são usadas
para detectar bordas horizontais, verticais e diagonais (45 e 135 graus);
3. Os resultados da convolução da imagem original com cada uma destas másca-
ras de detecção de bordas são armazenados. Para cada pixel, marca-se então
o maior resultado de gradiente encontrado nesse ponto, juntamente com seu
sentido direcional;
4. Detecção das bordas da imagem : os gradientes de intensidade mais elevada
são mais prováveis de serem bordas. A idéia de Canny é usar um limiar superior
e outro inferior para realizarem a triagem dos pontos de borda, conhecida como
limiarização com histerese.
A técnica de limiarização com histerese requer dois limiares iniciais, sendo um
superior e outro inferior. Supondo que as bordas devam ser linhas contínuas, mesmo
os pontos da imagem de pouca intensidade devem ser investigados. Para tal, aplica-se
primeiro o limiar elevado (high threshold). Isto marca as bordas que possivelmente são
genuínas. Partindo destas, usa-se a informação direcional para identificar os possíveis
pontos de borda da imagem. Ao seguir a direção do gradiente da intensidade de um
(a) Imagem original. (b) Imagem obtida pelo método de Canny.
Figura 25: Detecção de bordas utilizando método de Canny.
3.3 Topologia e Rotulação de Pontos Conectados 55
ponto, usa-se o limiar inferior (lower threshold), permitindo identificar pontos de borda
mesmo que com valores de intensidade menores.
Uma imagem submetida ao processo de detecção de bordas de Canny, resul-
tará em uma imagem binária, onde todos pontos de borda possuem cor branca, e do
contrário, a cor preta.
3.3 Topologia e Rotulação de Pontos Conectados
Em uma imagem binária, um objeto é definido como um conjunto de pontos se-
melhantes conectados. A partir dessa definição, a análise topológica de uma imagem
binária destina-se a revelar as informações mais básicas sobre esses objetos: quantos
objetos estão presentes na imagem, quais os que possuem buracos em seu interior e
qual o “tamanho” desses buracos.
Considere a Figura 26(a), a qual deseja-se segmentar os objetos pretos do fundo
branco na imagem, bem como na Figura 26(b) deseja-se segmentar objetos brancos
em um fundo preto. Esses problemas são conhecidos como “rotulação de pontos
conectados” (SUZUKI; BE, 1985), e tem muitas soluções diferentes.
Contudo, para maior consistência, nesse trabalho é utilizado apenas a primeira
abordagem acima. Imagens binárias são analisadas como se existissem objetos pre-
tos em um fundo branco. Como resultado, os objetos brancos que tocam a fronteira
da imagem não são contados.
3.3.1 Célula de decomposição
Uma imagem binária é uma combinação de pixels pretos e brancos. Comumente
cada pixel é determinado por sua posição na imagem, assim, é representado por um
(a) Imagem binária (b) Imagem binária negativa
de (a)
Figura 26: Imagens binárias.
3.3 Topologia e Rotulação de Pontos Conectados 56
par de números. Em seguida, é natural representar um objeto simplesmente como
uma lista de pares de números. Contudo, a seguir será utilizada uma abordagem
diferente.
Considere o pixel possuindo a forma de um quadrado, composto de quatro vértices
e quatro arestas. Dessa forma, uma aresta é compartilhada por dois pixels adjacentes,
assim, o conjunto de arestas da imagem descreve a forma como os pixels se relacio-
nam. Da mesma maneira, o conjunto de vértices da imagem descreve a forma como
as arestas se relacionam. Isso é chamado de decomposição celular. É um padrão de
topologia algébrica (Ver Figura 27).
A vantagem dessa definição é que ela nos permite tratar objetos e os buracos
de uma forma uniforme. O resultado é um algoritmo que simultaneamente captura
ambos.
3.3.2 Utilizando ciclos para particionar uma imagem
Em uma imagem binária, os objetos e buracos podem ser representados por ciclos.
Por ciclo, entende-se uma sequência circular de arestas. Existem as 0-ciclos e 1-ciclos
(Ver Figura 28).
O 0-ciclo segue o limite exterior de um objeto e possui direção de ciclo no sentido
horário, de outra maneira, o 1-ciclo segue o limite exterior de um buraco e possui
direção de ciclo no sentido anti-horário.
A construção da análise topológica de uma imagem binária pode ser obtida com
o uso dos ciclos acima, que representam os conjuntos de pixels brancos e pretos que
estão conectados na imagem.
(a) Célula de decomposição. (b) Composição de nove
pixels.
Figura 27: Decomposição celular.
3.3 Topologia e Rotulação de Pontos Conectados 57
3.3.3 Algoritmo
O algoritmo para detecção da topologia de uma imagem binária é incremental
e deve-se visitar todos os pixels pretos da imagem para se construir um grafo que
represente a topologia da mesma.
Como todo pixel contém arestas e vértices, o processo de visitar um pixel começa
com a visita de seus vértices e, em seguida, suas arestas, a menos, que os mesmos
já foram visitados por serem compartilhados por outro pixel também.
A cada visita a um vértice, cria-se a representação de um 0-ciclo neste mesmo
ponto. A cada visita a uma aresta ocorre a mescla ou divisão dos ciclos dos vértices
que compõe a mesma.
Dessa forma, a cada nova visita a uma aresta, caso se forme uma sequência circu-
lar de arestas, além da mescla dos 0-ciclos de seus vértices, cria-se um 1-ciclo nesse
mesmo conjunto de vértices, a menos que esse conjunto de arestas representem as
arestas de um pixel apenas, assim esse 1-ciclo é eliminado.
À medida que os pixels são visitados, ciclos podem surgir ou desaparecer. Ou
seja, a topologia de uma imagem é encontrada iterativamente. Sendo que essas infor-
mações podem ser armazenadas em uma estrutura de grafo, que é construído tam-
bém iterativamente, onde cada nó representa um ciclo. As arestas direcionadas que
conectam os nós representam a mescla e divisão dos ciclos. E cada nó pode possuir
a cor vermelho (0-ciclo) ou verde (1-ciclo).
Considera-se o caso mais simples, visitar um simples pixel em uma imagem biná-
ria. Como representado na Figura 29, são necessários nove passos para tal, corres-
pondentes à visita dos quatro vértices e quatro arestas que compõe esse pixel, além
da eliminação do 1-ciclo criado.
Como representado nas Figuras 30 e 31, tem-se a representação dos estágios dos
Figura 28: Objetos e buracos representados como ciclos. Aqui A e B são 0-ciclos e C
e C’ são 1-ciclos.
3.3 Topologia e Rotulação de Pontos Conectados 58
Figura 29: A visita de um único pixel requer nove passos: visita dos quatro vértices e
quatro arestas que compõe esse mesmo, além da eliminação do 1-ciclo criado.
ciclos 0-ciclos e 1-ciclos criados na visita de um único pixel, e seu grafo representativo,
respectivamente.
Na primeira fase, visita-se os quatro vértices, 1, 2, 3 e 4 correspondentes ao pixel
a ser visitado. É criado um 0-ciclo para cada vértice. Em seguida, a medida que visita-
se as arestas, estes ciclos se fundem. Como a sequência de arestas é circular o ciclo
divide-se em outros dois, um 0-ciclo e 1-ciclo. O último desaparece, pois o conjunto
de arestas correspondem ao pixel corrente, desta forma, o resultado final é um único
(a) (b) (c)
(d) (e) (f)
Figura 30: Representação dos estágios dos ciclos em uma visita de um único pixel.
3.4 Detecção de Movimento 59
Figura 31: A representação em grafo dos nove passos requeridos para visitar um único
pixel.
0-ciclo que envolve o pixel visitado.
Em linhas gerais, o Algoritmo 1 descreve os principais passos necessários para
encontrar a topologia de conjuntos de pontos conectados em uma imagem binária, o
qual seu resultado pode ser observado na Figura 32.
3.4 Detecção de Movimento
Os avanços tecnológicos nas técnicas de segmentação de imagens e o desenvol-
vimento de novas arquiteturas de computadores, possibilitam o processamento e aná-
lise de imagens, com mais eficiência e rapidez. Na sequência de imagens, obtida por
uma câmera de vídeo, é possível localizar objetos em movimento e determinar suas
respectivas velocidades de movimentação. Na segmentação de imagens baseada em
modelos, são exploradas informações prévias acerca de objetos ou da cena através
da imposição de restrições, por exemplo, sobre as fronteiras das regiões a segmentar.
A segmentação de movimento pode ser obtida por diversos métodos, muito em-
(a) Decomposição celular de
uma imagem binária de nove
pixels.
(b) Resultado do algoritmo de
detecção de topologia sob a
decomposição celular (a).
Figura 32: Topologia e Rotulação de Pontos Conectados.
3.4 Detecção de Movimento 60
bora, neste trabalho optou-se pelo uso da técnica espacial de subtração de imagens.
Algoritmo 1 Algoritmo Topologia e Rotulação de Pontos Conectados
Entrada: Imagem Img binária
Saída: Grafo de topologia da imagem binária Img
grafo ← 0
qtP x ← quantidade total de pixels da imagem Img
para i = 1 até qtP x faça
px ← Img[i]
se (px é preto) então
vertices ← conjunto de vértices de px que ainda não foram visitados
qtV ert ← quantidade total de elementos na lista de vértices vertices
arestas ← conjunto de arestas de px que ainda não foram visitadas
qtAre ← quantidade total de elementos na lista de arestas arestas
// Visita vértices
para j = 1 até qtV ert faça
Visita o vértice vertices[j]
Cria um 0-ciclo no vértice vertices[j]
fim para
// Visita arestas
para k = 1 até qtAre faça
arest
K
← arestas[k]
Visita a aresta arest
K
Mescla os ciclos dos vértices da aresta arest
k
grafo ← Mescla os ciclos de arest
k
e suas arestas adjascentes
listCiclosAdj ← lista de ciclos criados anteriormente
qtCiclo ← quantidade de ciclos na lista listCiclosAdj
para c = 1 até qtCiclo faça
ciclo ← listCiclosAdj[c]
se (Se ciclo envolve dois ou mais pixels) então
se (Se ciclo pertence a um conjunto de arestas que formam uma sequên-
cia circular) então
grafo ← Cria um 1-ciclo nessa mesma sequência circular de arestas
fim se
fim se
fim para
fim para
fim se
fim para
retorno grafo
3.4 Detecção de Movimento 61
3.4.1 Subtração de Fundo
A subtração de fundo (MCIVOR, 2000) é uma das técnicas mais utilizadas devido
a sua fácil implementação e seu baixo custo de processamento. O princípio básico
é subtrair cada nova imagem de uma imagem de referência, obtida a partir de um
fundo estático da mesma cena e sem o objeto de interesse. A grande dificuldade
apresentada pela técnica de subtração de fundo é o fato de a mesma não se adaptar
a modificações no fundo da cena, como mudança de iluminação ou objetos arbitrários
que entram em cena e em seguida ficam estáticos. Para contornar esses problemas,
existem técnicas de subtração de fundo mais sofisticadas, como a subtração de fundo
adaptativo.
A imagem segmentada através da subtração de fundo é obtida pela Equação 3.6,
onde B
n
(x) é a intensidade da imagem de referência para o pixel x, T
n
(x) é o limiar
atual atribuído ao pixel x, I
n
(x) é a intensidade do quadro que se deseja segmentar
o objeto e n indexa o quadro a ser segmentado. Para simplificação, em diversos
sistemas as imagens são processadas em níveis de cinza e o limiar T
n
(x) é o mesmo
para todos os pixels da imagem.
|I
n
(x) − B
n
(x)| > T
n
(x) . (3.6)
A imagem resultante obtida da subtração de fundo é binária. Para obtê-la basta
associar os pixels que satisfazem a Equação 3.6 à cor branca, e do contrário, a cor
preta (Ver Figura 33). Desta forma, os objetos em movimento na cena são pontos
brancos na cena sob um fundo estático preto.
3.4.1.1 Subtração de Fundo Adaptativo
A subtração de fundo adaptativo (MCIVOR, 2000) possui a vantagem de se adaptar
a pequenas modificações na imagem de referência, sendo útil em longos períodos de
tempo e ambientes com iluminação natural. Esta técnica é especialmente interessante
em aplicações de inspeção de ovos de galinhas em linhas de produção, onde as mo-
dificações acima referidas ocorrem com grande frequência, por exemplo, quando um
ovo quebra e seu líquido interior suja a esteira.
A imagem segmentada é obtida pela mesma Equação 3.6. A principal diferença
está na modificação da imagem de referência e dos limiares. A imagem de referência
3.4 Detecção de Movimento 62
e o limiar são determinados estatisticamente a partir das sequências de imagens I
k
,
para k < n. O fundo e o limiar são atualizados a cada nova imagem através das
Equações 3.7 e 3.8.
B
n+1
(x) =
αB
n
(x) + (1 − α)I
n
(x) , se x não está em movimento
B
n
(x) , se x está em movimento
(3.7)
T
n+1
(x) =
αT
n
(x) + (1 − α)(y ∗ |I
n
(x) − B
n
(x)|) , se x não está em movimento
T
n
(x) , se x está em movimento,
(3.8)
onde α(0 < α < 1) e y são constantes numéricas que especificam os pesos das
novas e antigas informações, respectivamente. O fundo é atualizado somente para
os pixels que não apresentam movimento, considerando assim, apenas os pixels que
realmente correspondem ao fundo.
(a) Imagem de entrada.
(b) Imagem de entrada. (c) Resultado da subtração de fundo entre as
imagens b) e a).
Figura 33: Exemplo de subtração de fundo: par de imagens de entrada e imagem de
saída.
3.5 Filtro de Pixelização 63
3.5 Filtro de Pixelização
O filtro de pixelização de imagens é comumente utilizado para realizar o rastrea-
mento de objetos em uma cena, de maneira a diminuir a sensibilidade do detector para
pequenos movimentos de deslocamento, aumentando a estabilidade do método.
O efeito é alcançado pelo preenchimento da imagem com retângulos de tamanhos
específicos e com a cor de preenchimento obtida pelo valor da média da cor de to-
dos pontos correspondentes internos ao retângulo (THOMPSON ROBERT W. et al., 2003;
ZHAO; STASKO, 1998). A dimensão dos retângulos é diretamente proporcional ao efeito
de diminuição de resolução (Ver Figura 34).
3.6 Morfologia Matemática
A morfologia é uma área da biologia que estuda a forma e estrutura dos animais
e das plantas. O mesmo termo é usado aqui para caracterizar uma área do pro-
cessamento de imagens, porém, costuma-se usar o termo completo “morfologia ma-
temática” para fazer distinção entre as diferentes áreas. Analogamente, diz-se que a
morfologia matemática é uma ferramenta para extrair características importantes da
estrutura de alguns componentes da imagem.
A morfologia matemática baseia-se fortemente na teoria de conjuntos e em ope-
rações lógicas para definir uma vasta gama de ferramentas úteis ao processamento
de imagens, principalmente imagens binárias, mas extendendo-se também (com al-
gumas adaptações) às imagens de tons de cinza e coloridas.
(a) Imagem original. (b) Imagem modificada.
Figura 34: Resultado da operação do filtro de pixelização em uma imagem.
3.6 Morfologia Matemática 64
3.6.1 Elemento Estruturante
De um modo geral, todos os operadores morfológicos baseiam-se no conceito
da aplicação de um elemento estruturante percorrendo sobre uma imagem, de modo
análogo ao que ocorre com as máscaras de convolução nas operações de filtragem.
As principais estruturas de elementos estruturantes podem ser vistas na Figura 35.
3.6.2 Operações Básicas de Morfologia Matemática
Segue abaixo uma descrição das operações básicas de morfologia matemática:
Dilatação: é a aplicação de um elemento estruturante de forma concêntrica sobre
um conjunto definido de pontos (brancos ou pretos) em uma imagem, de maneira
que o elemento estruturante adicione informação sobre a vizinhança destes pontos.
Ou seja, pode-se imaginar que o elemento estruturante desliza sobre um conjunto de
pontos dilatando sua vizinhança em uma proporção que varia conforme as dimensões
do elemento estruturante. Esta operação é utilizada principalmente para preencher
intervalos e lacunas indesejáveis na imagem.
Erosão: é o inverso da dilatação. A aplicação do elemento estruturante ocorre
analogamente à operação anterior, porém, ao invés de dilatar a vizinhança do ponto
percorrido inserindo informação, o elemento retira informação (gerando erosão nas
áreas percorridas). Esta operação é utilizada principalmente para eliminar detalhes
irrelevantes, como ruídos, e abrir intervalos ou lacunas em regiões de conexão inde-
sejada.
Abertura: é derivada das operações de dilatação e erosão. O operador de aber-
tura aplica uma erosão seguida de uma de dilatação na imagem. Esta sequência
de operações visa eliminar pequenos ruídos na imagem e abrir lacunas em regiões
de fraca conexão entre objetos, através da erosão, e posteriormente tenta restaurar
as dimensões reais de objetos da imagem através da dilatação. Os ruídos e fracas
Figura 35: Principais formas de elementos estruturantes na morfologia matemática.
3.7 Extração de Características 65
conexões eliminados com a erosão não retornam à imagem após a dilatação.
Fechamento: também derivada das operações de dilatação e erosão, trata-se da
operação inversa da abertura, aplicando primeiramente uma dilatação seguida de uma
erosão. Esta sequência de operações visa restaurar conexões fracas entre objetos da
imagem.
A Figura 36 ilustra o princípio de funcionamento destes operadores morfológicos
básicos aplicados em uma imagem binária. A imagem em tonalidade cinza, figura a
imagem resultante do processo de aplicação do operador morfológico sobre a ima-
gem original. A partir destas ferramentas básicas, outros algoritmos morfológicos são
desenvolvidos, como por exemplo, algoritmos para extração de bordas, afinamento,
engrossamento e esqueletonização (GONZALEZ; WOODS, 2002).
3.7 Extração de Características
A extração de características tem como objetivo permitir caracterizar objetos se-
melhantes por valores semelhantes, e objetos distintos por valores distintos (SANTOS;
OLIVEIRA; DUTRA, 2005; SANTOS et al., 2007). A extração de características é utilizada
para a redução da grande quantidade de informações, para que os dados ou objetos
possam ser processados e assim classificados.
Figura 36: Princípio de funcionamento de operadores morfológicos (GONZALEZ;
WOODS, 2002).
3.8 Redes Neurais Artificiais 66
No processo de classificação de imagens onde se tem uma grande quantidade
de características se faz necessária a separação das características irrelevantes das
relevantes de forma a reduzir a quantidade de informações necessárias para a classi-
ficação das imagens.
Segundo (COOK; WOLF, 1998), pode-se agrupar as características em três catego-
rias. A primeira categoria contém as características espectrais que se relacionam com
a energia emitida ou refletida. Na segunda categoria estão as características descri-
tas por meio de sua região ou vizinhança e não apenas do seu valor individual. Na
terceira categoria estão as características espaciais descritos por forma, dimensão e
textura.
A extração de características é um fator importante para diminuir a quantidade
de informações, mas é preciso identificar quais os tipos de características que ca-
racterizam melhor determinados objetos. Esta discriminação geralmente é realizada
medindo o ganho de informação referente a cada característica.
3.8 Redes Neurais Artificiais
Redes Neurais Artificiais (RNA) são mecanismos computacionais bio-inspirados
na estrutura neural, as quais adquirem conhecimento por meio da experiência. Aplica-
das à automatização de processos, elas podem ser utilizadas com sucesso em tarefas
de classificação (HAYKIN, 1998; BRAGA; CARVALHO; LUDERMIR, 2000; SILVA, 2001).
As Redes Neurais Artificiais assemelham-se ao cérebro em dois aspectos princi-
pais (HAYKIN, 1998):
1. O conhecimento é adquirido pela rede com base em seu ambiente por meio de
um processo de aprendizagem;
2. Forças de conexão entre neurônios, conhecidas como pesos sinápticos são usa-
das para armazenar o conhecimento adquirido.
Os neurônios biológicos apresentam-se de várias formas, entretanto, de maneira
geral, possuem os seguintes elementos principais: o corpo celular, as ramificações
de entrada (dendritos), a ramificação de saída (axônio) e as conexões sinápticas que
interligam os neurônios, conectando dendritos a axônios. A Figura 37 apresenta um
3.8 Redes Neurais Artificiais 67
Figura 37: Neurônio biológico e a direção da propagação de sinais pelo neurônio
(SILVA, 2001).
modelo de neurônio biológico com a sequência de propagação dos sinais pela célula
(SILVA, 2001).
Na Figura 38, é apresentada um modelo simples de neurônio artificial proposto
por McCulloch e Pitts (1943). Este modelo trouxe uma grande contribuição para as
discussões sobre a construção dos primeiros computadores digitais.
Matematicamente, o neurônio da Figura 38 pode ser expresso da seguinte forma
(MCCULLOCH; PITTS, 1943; SILVA, 2001):
y = f (k) = f (x
1
w
1
+ x
2
w
2
+ ··· + x
n
w
n
) = f (w
T
x) (3.9)
onde y é a variável de saída do neurônio, k é a variável de ativação do neurônio,
f(.) sua função de ativação, x
i
(i = 1, ··· , n) é o vetor de entradas, e w
i
(i = 1, ··· , n)
é o vetor de pesos do neurônio.
Redes Neurais são sistemas computacionais estruturados, baseados em ligações
de neurônios, comumente conhecidos como elementos de processamento (EP’s).
Esses elementos geralmente são conectados por canais de comunicação associados
Figura 38: Representação funcional de um neurônio artificial (SILVA, 2001).
3.8 Redes Neurais Artificiais 68
a determinados pesos. Os pesos são coeficientes adaptativos da rede que determi-
nam a intensidade dos sinais de entrada, ou seja são medidas de força de conexão.
Os elementos fazem operações apenas sobre dados locais, que são as entradas re-
cebidas pelas suas conexões. O comportamento “inteligente” de uma Rede Neural
Artificial vem das interações entre os EP’s da rede.
As arquiteturas neurais são frequentemente organizadas em camadas, com EP’s
que podem estar conectados aos EP’s da camada posterior (Ver Figura 39). Usual-
mente as camadas são classificadas em três grupos:
1. Camada de Entrada: onde os sinais (padrões) são apresentados à rede;
2. Camadas Intermediárias ou Escondidas: onde é efetuada a maior parte do
processamento, através das conexões ponderadas;
3. Camada de Saída: onde o resultado final é apresentado.
A operação de um EP pode ser entendida da seguinte maneira: (1) sinais são
apresentados à entrada; (2) cada sinal é multiplicado por um peso, que indica a sua
influência na saída da unidade; (3) efetua-se a soma ponderada dos sinais que produz
um nível de atividade; (4) se este nível de atividade exceder a um certo limite a unidade
produz uma determinada resposta de saída.
A maioria dos modelos de redes neurais possui alguma regra de treinamento, onde
os pesos de suas conexões são ajustados de acordo com os padrões apresentados
(sinais). Em outras palavras, elas aprendem através de exemplos. Os sinais podem
Figura 39: Organização em camadas de uma rede neural.
3.8 Redes Neurais Artificiais 69
ser positivos (excitadores) ou negativos (inibidores). Uma entrada positiva promove o
disparo de um EP, enquanto a negativa tende à manter o EP inerte.
A propriedade mais importante das redes neurais é a habilidade de “aprender” e,
com isso, melhorar o seu desempenho. Isso é feito através de um processo interativo
de ajustes aplicado a seus pesos, o treinamento. O aprendizado é efetuado através de
algoritmo de aprendizado que é um conjunto de regras bem definidas para a solução
de um determinado problema. Existem muitos tipos de algoritmos de aprendizado es-
pecíficos para determinados modelos de redes neurais. O aprendizado ocorre quando
a rede neural artificial atinge uma solução generalizada para uma classe de proble-
mas.
As formas de aprendizado podem ser subdivididas em três tipos principais: su-
pervisionado; não supervisionado; e por reforço. No aprendizado supervisionado são
apresentadas à rede um conjunto de padrões de entrada e seus correspondentes
padrões de saída. Durante os processos sucessivos, a rede ajusta os pesos das co-
nexões entre os elementos de processamento, segundo alguma lei de aprendizado (al-
goritmo), até que o erro entre os padrões de entrada e saída esteja abaixo de um valor
mínimo desejado. Dentre os algoritmos de aprendizado supervisionado os mais utili-
zados são Perceptron, Adeline e Madaline e Backpropagation (HECHT-NIELSEN, 1989).
O aprendizado por reforço é similar ao supervisionado com a diferença que um crítico
externo avalia a resposta fornecida pela rede.
No aprendizado não-supervisionado, a rede analisa os conjuntos de entradas apre-
sentadas, determina algumas das propriedades dos conjuntos de dados e aprende a
refletir sobre suas propriedades de saída. Os métodos de aprendizado mais utilizados
são Mapa Auto-Organizável de Kohonen, Redes de Hopfield e Memória Associativa
Bidirecional (HECHT-NIELSEN, 1989).
O primeiro passo do processo de desenvolvimento de redes neurais artificiais
consiste na coleta de dados relativos ao problema e a sua separação em um conjunto
de treinamento e um conjunto de teste. Os dados de treinamento serão utilizados para
o treinamento da rede e dados de teste serão utilizados para verificar seu desempenho
sob condições reais de utilização.
O segundo passo é a definição da configuração da rede, que pode ser dividido em
três etapas:
1. Seleção do paradigma neural apropriado à aplicação;
3.8 Redes Neurais Artificiais 70
2. Determinação da topologia da rede a ser utilizada (número de camadas e nú-
mero de unidades em cada camada);
3. Determinação de parâmetros do algoritmo de treinamento e funções de ativação.
O terceiro passo é o treinamento da rede. Nesta fase, seguindo o algoritmo de
treinamento escolhido, serão ajustados os pesos das conexões. Normalmente, os
valores iniciais dos pesos da rede são números aleatórios uniformemente distribuídos
em um intervalo definido.
O quarto passo é o teste da rede. Durante esta fase o conjunto de teste é utilizado
para determinar a performance da rede com dados que não foram previamente utili-
zados. O desempenho da rede, nesta fase, é uma boa indicação de seu desempenho
real. Finalmente, com a rede treinada e avaliada, ela pode ser integrada a um sistema
do ambiente operacional da aplicação.
Os principais benefícios das Redes Neurais Artificiais são:
1. Generalização, que se refere ao fato de a rede neural produzir saídas adequadas
para entradas que não estavam presentes durante o treinamento;
2. Poder de processamento por meio de sua estrutura paralela;
3. Habilidade de aprender.
71
4 Sistema de Inspeção
Este capítulo apresenta a metodologia proposta, para o desenvolvimento do sis-
tema de inspeção visual automática de defeitos em ovos de galinhas em linhas de
produção. Foram utilizadas técnicas de processamento e análise de imagens e Redes
Neurais Artificiais como ferramentas para resolução do problema proposto. Uma visão
geral de todas etapas propostas e desenvolvidas é apresentada na Figura 40.
Em linhas gerais, um lote de ovos é monitorado por um sistema de captura de
Figura 40: Diagrama de blocos do sistema desenvolvido de inspeção visual automática
de ovos de galinhas em linhas de produção.
4.1 Aquisição de Imagens 72
imagens, o qual obtém sequências de imagens destes mesmos ovos em uma esteira
rolante, em uma linha de produção com iluminação controlada (1). As imagens cap-
turadas são enviadas para o sistema de inspeção desenvolvido, o qual realiza toda a
análise das mesmas.
As imagens dos ovos são submetidas à etapa de detecção de defeitos externos
(sujeira, mancha de sangue, trinca e vazamento de gema) (2) e, logo depois, todos os
ovos com qualquer tipo de defeito são retirados da linha de produção (3). Em seguida,
outro sistema de captura de imagens obtém sequências de imagens dos ovos res-
tantes da linha de produção na mesma esteira rolante, porém, dentro de uma câmara
escura que permite obter imagens de ovoscopia dos ovos (4). As imagens capturadas
são enviadas para o sistema de inspeção desenvolvido e os ovos são submetidos à
etapa de detecção de defeitos internos (ponto de sangue) (5). Similarmente à detec-
ção de defeitos externos, todos ovos com ponto de sangue são retirados da linha de
produção (6).
Visando uma maior facilidade na análise dos resultados obtidos e um maior controle
da linha de produção, as informações extraídas acerca da inspeção dos ovos de ga-
linha podem ser oferecidas aos usuários do sistema de várias formas, desde a apre-
sentação de gráficos de contagem de defeitos, até a exibição de relatórios completos
agrupados por lotes de inspeção. Estes relatórios podem conter detalhes tais como
maneira de coleta dos ovos, idade, raça e alimentação das aves do lote inspecionado,
juntamente com todas as fotos dos ovos defeituosos, facilitando a gerência de toda a
produção de ovos de uma empresa dessa natureza (7).
4.1 Aquisição de Imagens
A primeira etapa do sistema desenvolvido para inspeção visual automática consiste
em capturar as imagens, por meio de uma câmera de vídeo digital instalada ortogonal-
mente à esteira rolante, onde os ovos sofrem movimentos de translação e rotação ao
redor do próprio eixo, de maneira que todos ovos produzidos tenham suas superfícies
inspecionadas.
Com o posicionamento ortogonal da câmera, ou seja, visualizando os ovos superi-
ormente, procura-se evitar problemas de oclusão. A Figura 41 mostra a visão superior
da cena capturada pelo sistema de inspeção desenvolvido.
4.1 Aquisição de Imagens 73
(a) Detecção de defeitos externos (b) Detecção de defeitos internos
Figura 41: Imagens obtidas pelo sistema de inspeção desenvolvido.
Outros fatores também importantes são as velocidades de translação e rotação,
com as quais a esteira opera, além da altura da câmera em relação à mesma, como
representado na Figura 42.
O posicionamento correto da câmera em relação à esteira é muito importante. É
necessário encontrar uma altura em que o campo de visão do dispositivo de captura de
imagens obtenha imagens dos ovos ao longo de um movimento completo de rotação
em torno do próprio eixo. A altura adequada para a câmera deve ser tal que defina um
campo de visão, dentro do qual, cada ovo gire 360
o
, possibilitando-se assim monitorar
toda as superfícies das cascas dos ovos.
Por fim, um fator não menos importante para a aquisição das imagens é a ilumina-
ção do cenário, que na técnica de inspeção desenvolvida, é controlada e constante.
Na etapa de detecção de defeitos externos é necessário o uso de lâmpadas que
iluminem indiretamente os ovos na esteira, de modo à produzir imagens nítidas, contudo,
Figura 42: Posicionamento das câmeras no sistema de inspeção visual automático
desenvolvido.
4.2 Detecção de Defeitos Externos 74
sem nenhum ponto de “estouro” de luz na superfície dos ovos (Ver Figura 41(a)).
O termo “estouro” é usado para definir que em uma área da imagem há falta de
nitidez, devido ao excesso de iluminação. No problema de ovos em especial, fre-
quentemente quando os mesmos são iluminados diretamente sobre suas superfícies,
aparecem pontos de reflexão de luz nas cascas dos ovos, diminuindo a nitidez da
imagem nesses locais.
Por sua vez, na etapa de detecção de defeitos internos, é necessária uma câmara
escura com iluminação inferior aos ovos (Ver Figura 42), como descrito pela técnica
de ovoscopia (Ver Seção 1.1).
Neste caso, a iluminação incide diretamente na câmera, sendo necessário um
ajuste na configuração de parâmetros internos da mesma, como por exemplo, brilho
e constraste, de modo à diminuir o efeito provocado pelos pontos de “estouro” na
imagem dos ovos (Ver Figura 41(b)).
4.2 Detecção de Defeitos Externos
A etapa de detecção de defeitos externos objetiva identificar quatro tipos comuns
de defeitos que ocorrem nas superfícies de ovos de galinha, a saber: sujeiras, man-
chas de sangue, trincas e vazamentos de gema. Uma visão geral dos módulos princi-
pais desta etapa é apresentada na Figura 43 e no Algoritmo 2.
Em linhas gerais, as imagens dos ovos capturadas pelo procedimento descrito na
Seção 4.1 são processadas pelo módulo de identificação dos ovos, cuja finalidade é
identificar e rastrear os mesmos dentro de toda a sequência de imagens capturadas.
Em seguida, no módulo de detecção de defeitos, cada ovo é inspecionado isolada-
mente quanto à existência de sujeiras, manchas de sangue, trincas e vazamentos de
gema. Ao final desta etapa o sistema possui as informações específicas de posição e
de defeitos externos encontrados em cada ovo.
4.2.1 Módulo de Identificação dos Ovos
Essa etapa de identificação dos ovos nas imagens é muito importante, visto que,
agrega ao sistema de inspeção a capacidade de contar e rastrear os ovos ao longo de
toda a sequência de imagens capturadas, além de possibilitar a triagem dos ovos de
4.2 Detecção de Defeitos Externos 75
forma específica, uma vez que se sabe as posições e defeitos de cada ovo ao longo
da sequência de imagens capturadas.
O módulo de identificação dos ovos é descrito em forma de diagramas na Figura
44. Este módulo pode ser dividido em duas etapas: segmentação dos ovos e identifi-
cação dos ovos.
4.2.1.1 Segmentação dos Ovos
Nessa etapa, uma imagem obtida pelo processo descrito na Seção 4.1 (Ver Fi-
guras 45(a) e 44(1)) é convertida para a escala de cinza (Ver Figuras 45(b) e 44(2)).
Em seguida, é aplicado o filtro de pixelização descrito na Seção 3.5 (Ver Figuras 45(c)
e 44(3)), e após isso, é realizada a operação de atualização da imagem de fundo
descrito na Seção 3.4.1.1 (Ver Figuras 45(d) e 44(4)). A partir da imagem resultante
anterior, por fim, é aplicado o filtro de limiarização, descrito na Seção 3.2.1, na imagem
obtida da subtração da imagem atual pela imagem de fundo atualizada (Ver Figuras
45(e), 45(f), 44(5) e 44(6)).
O resultado do procedimento acima é uma imagem com todas as formas dos ovos
na cor branca e o restante da imagem original na cor preta.
4.2.1.2 Identificação dos Ovos
Nessa etapa, uma imagem obtida pela etapa de segmentação dos ovos, é sub-
metida ao processo de detecção de pontos conectados, descrito na Seção 3.3. Como
resultado obtêm-se os pontos que representam o contorno de cada ovo segmentado
Algoritmo 2 Procedimento para detecção de defeitos em ovos
Entrada: Imagem Img dos ovos, obtida pelo sistema de aquisição de imagens
Saída: Lista de defeitos segmentados da imagem Img
Obter lista listOvos dos ovos segmentados e identificados, após execução das eta-
pas descritas no módulo de identificação dos ovos sob a imagem Img
qtOvos ← quantidade total ovos listOvos
para i = 1 até qtOvos faça
ovo ← listOvos[i]
Obter a lista listDefOvo de defeitos, após execução das etapas descritas no mó-
dulo de detecção de defeitos sob a imagem ovo
listDefeitos[i] ← listDef Ovo
fim para
retorno listDefeitos
4.2 Detecção de Defeitos Externos 76
da imagem. Dessa forma, aplica-se o Algoritmo 3 para obtenção dos retângulos cir-
cunscritos à cada um desses (Ver Figura 44(7)).
Nesse momento, para todas as imagens de um vídeo inspecionado, possui-se o
Figura 43: Etapa de detecção de defeitos externos.
4.2 Detecção de Defeitos Externos 77
conhecimento das posições e tamanhos dos retângulos que circunscrevem os ovos,
sendo possível descrever seus movimentos ao longo da sequência de imagens cap-
turadas. Portanto, para realizar o rastreamento dos mesmos ao longo de toda a cena,
basta criar um procedimento que descubra o deslocamento de cada retângulo entre
duas imagens consecutivas, utilizando a menor distância euclidiana entre o centro
geométrico dos dois conjuntos de retângulos obtidos de cada uma dessas, a partir da
etapa de segmentação de ovos.
O Algoritmo 4 descreve o procedimento que é aplicado na sequência de imagens,
de maneira à identificar e rastrear todos os movimentos dos ovos na cena.
Figura 44: Módulo de identificação dos ovos - Detecção de defeitos externos.
4.2 Detecção de Defeitos Externos 78
4.2.2 Módulo de Detecção de Defeitos
Esse módulo de detecção de defeitos é muito importante, pois, ele, de fato, subs-
titui o trabalho humano de inspeção visual de defeitos externos em ovos, permitindo
a automatização dessa tarefa, produzindo agilidade, eficácia na etapa de triagem dos
ovos e padronização na classificação.
O módulo de detecção de defeitos divide-se em dois submódulos: submódulo de
detecção de defeitos, baseado em detecção de regiões e o submódulo de detecção
de defeitos, baseado em detecção de bordas, descritos em forma de diagramas nas
Figuras 46 e 47, respectivamente.
(a) Imagem original. (b) Imagem (a) em escala de cinza.
(c) Imagem (b) pixelizada. (d) Imagem de fundo.
(e) Imagem resultante da subtração de (c)
e (d).
(f) Imagem resultante da limiarização de
(e).
Figura 45: Resultado da etapa de segmentação dos ovos para a inspeção de defeitos
externos.
4.2 Detecção de Defeitos Externos 79
4.2.2.1 Submódulo de Detecção de Defeitos, Baseado em Segmentação de Re-
giões
O propósito geral deste submódulo é detectar as regiões de sujeiras, manchas de
sangue, trincas e vazamentos de gemas em ovos. Neste contexto, a Figura 46 fornece
uma visão geral de todas tarefas envolvidas nesse processo.
Uma vez identificado e segmentado, cada ovo é analisado quanto à presença de
defeitos externos. Todas as regiões dos ovos com defeito são segmentadas, e para
cada uma dessas regiões é construído um vetor das características. Por fim, um
sistema de classificação avalia a informação contida em cada um desses vetores de
características, visando a inspeção da qualidade dos ovos, quanto a existência de
sujeiras, manchas de sangue, trincas e vazamentos de gemas em ovos.
Algoritmo 3 Procedimento para identificação de retângulo circunscrito à um dado
conjunto de pontos
Entrada: Conjunto P ts de pontos de contorno de um ovo
Saída: Retorna o retângulo circunscrito ao conjunto de pontos P ts
qtP t ← quantidade total pontos de P ts
max
X
← 0
min
X
← ∞
max
Y
← 0
min
Y
← ∞
para i = 1 até qtP t faça
pt ← P ts[i]
se (max
X
< pt.X) então
max
X
← pt.X
fim se
se (max
Y
< pt.Y ) então
max
Y
← pt.Y
fim se
se (min
X
> pt.X) então
min
X
← pt.X
fim se
se (min
Y
> pt.Y ) então
min
Y
← pt.Y
fim se
ret ← retângulo representado pelos pontos inferior esquerdo (min
X
, min
Y
) e su-
perior direito (max
X
, max
Y
)
fim para
retorno ret
4.2 Detecção de Defeitos Externos 80
Segmentação dos Defeitos
Nessa tarefa, a imagem colorida de um ovo, que foi identificado e segmentado da
cena pelo módulo de identificação de ovos, é convertida para a escala de cinza (Ver
Figuras 48(b) e 46(2)). Em seguida, é aplicado sob a imagem resultante o filtro de
limiarização descrito na Seção 3.2.1 (Ver Figuras 48(c) e 46(3)). Por fim, a imagem
resultante é submetida ao processo de detecção de pontos conectados, descrito na
Seção 3.3, de maneira a detectar todas regiões de defeito sob a superfície do ovo (Ver
Figuras 48(d) e 46(4)).
Extração de Características
Nessa tarefa, a imagem colorida de uma região de defeito de um dado ovo, que foi
obtida pela tarefa de segmentação dos defeitos é utilizada para a construção do vetor
de características
V descrito abaixo (Ver Figuras 46(5), 46(6) e 46(7)):
V
T
=
M
r
V
r
M
g
V
g
M
b
V
b
,
onde M
r
,M
g
e M
b
são as médias estatísticas das cores dentro de toda a região de
Algoritmo 4 Procedimento para identificação dos ovos na imagem
Entrada: Imagens Img1, Img2 e listas list1, list2 de retângulos que circunscrevem
os ovos das duas imagens, respectivamente
Saída: Descobre os retângulos correspondentes nas imagens Img1 e Img2
qtRet1 ← quantidade total retângulos em list1
qtRet2 ← quantidade total retângulos em list2
para i = 1 até qtRet1 faça
dist ← ∞
ret1 ← list1[i]
para j = 1 até qtRet2 faça
ret2 ← list2[j]
dRet ← distância euclidiana do centro dos retângulos ret1 e ret2
se (dist > dRet) então
dist ← dRet
ret ← ret2
fim se
fim para
se (dist < limiar) então
Escreve: ret1 da imagem Img1 corresponde ao retângulo ret na imagem Img2
senão
Escreve: ret1 é um novo ovo na cena
Obtêm numeração de identificação para ret1
Adiciona ret1 à lista de retângulos list2
fim se
fim para
4.2 Detecção de Defeitos Externos 81
defeito, para os canais de cores vermelho, verde a azul, respectivamente. Por outro
lado, V
r
,V
g
e V
b
são as variâncias estatísticas das cores dentro de toda a região de
defeito, para os canais de cores vermelho, verde a azul, respectivamente.
Classificação
Nessa tarefa, um vetor de características, que foi obtido pelo processo de extra-
Figura 46: Submódulo de Detecção de Defeitos, Baseado em Segmentação de Re-
giões.
4.2 Detecção de Defeitos Externos 82
ção de caracaterísticas, anteriormente descrito (Ver Figuras 46(7) e 46(8)), é utilizado
como entrada para uma rede neural artificial, especificamente, uma Multilayer Percep-
Figura 47: Submódulo de Detecção de Defeitos, Baseado em Detecção de Bordas.
4.2 Detecção de Defeitos Externos 83
tron, composta por uma camada escondida contendo três neurônios e uma camada
de saída com quatro neurônios. A função de ativação utilizada pelos neurônios foi a
sigmoidal bipolar. O algoritmo de treinamento utilizado foi o backpropagation.
4.2.2.2 Submódulo de Detecção de Defeitos, Baseado em Detecção de Bordas
O propósito geral deste módulo é detectar trincas em ovos, especialmente as pe-
quenas fissuras. Neste contexto, a Figura 47 fornece uma visão geral de todas as
etapas envolvidas nesse processo.
Todos os ovos em que não se encontraram nenhum defeito no submódulo de de-
tecção defeitos, baseado em segmentação de regiões, são submetidos à inspeção do
submódulo de detecção de defeitos, baseado em detecção de bordas, cuja finalidade
é detectar pequenas trincas.
(a) Imagem original. (b) Imagem (a) em escala
de cinza.
(c) Imagem (b) limiari-
zada.
(d) Segmentação dos de-
feitos externos da imagem
(c).
Figura 48: Resultado da etapa de segmentação dos defeitos externos - Submódulo
baseado na segmentação de regiões.
4.3 Detecção de Defeitos Internos 84
As bordas são detectadas na imagem do ovo, e classificadas como efetivamente
trincas pelo processo descrito a seguir.
Detecção das Bordas
Nessa etapa a imagem colorida de um ovo, que foi identificado e segmentado da
cena pelo módulo de identificação de ovos, é utilizada como entrada para o Algoritmo
5 de detecção de possíveis pontos de trinca.
A imagem resultante do processo anterior, possui os pontos de trincas com a cor
branco e todo o restante da imagem com a cor preta.
Classificação
Nessa etapa, um vetor contendo os pontos segmentados, que foram obtidos pelo
processo de detecção de bordas, é utilizado para realizar a detecção de trincas. O
critério utilizado para classificar um conjunto de pontos de borda, como efetivamente
trinca, é que a quantidade desses pontos seja superior a um valor limiar pré-definido,
utilizado para eliminar falsas trincas.
4.3 Detecção de Defeitos Internos
A etapa de detecção de defeitos internos objetiva identificar pontos de sangue
existentes dentro dos ovos de galinha. Uma visão geral dos módulos principais desta
etapa é apresentada na Figura 50 e no Algoritmo 2.
Em linhas gerais, as imagens dos ovos, capturadas pelo procedimento descrito na
Seção 4.1, são processadas pelo módulo de identificação dos ovos, cuja finalidade é
identificar e rastrear os mesmos dentro de toda a sequência de imagens capturadas.
Dessa forma, cada ovo é inspecionado isoladamente quanto a existência de pontos de
sangue. Ao fim de todas essas etapas, o sistema possui as informações específicas
Algoritmo 5 Procedimento para segmentação dos possíveis pontos de trinca no ovo
Entrada: Imagem Img colorida do ovo segmentado
Saída: Imagem binária das trincas segmentadas
ImgGray ← Conversão Img para escala de cinza
ImgCanny ← Aplicar filtro de Canny sobre ImgGray
ImgLim ← Limiarização da imagem ImgGray
ImgCont ← Detecção do contorno da imagem ImgLim
ImgRes ← Subtração da imagem ImgCanny por ImgCont
retorno ImgRes
4.3 Detecção de Defeitos Internos 85
de posição e defeitos internos encontrados em cada ovo.
4.3.1 Módulo de Identificação dos Ovos
Essa etapa de identificação dos ovos para detecção de defeitos internos se as-
semelha àquela empregada para detecção de defeitos externos, possibilitando ao
sistema realizar a triagem dos ovos de forma específica, uma vez que sabe-se as
(a) Imagem original. (b) Imagem (a) em escala
de cinza.
(c) Imagem (b) limiari-
zada.
(d) Contorno da imagem
(c).
(e) Filtro de Canny apli-
cado sobre a imagem (b).
(f) Subtração das imagens
(e) e (d).
Figura 49: Resultado da etapa de segmentação dos defeitos externos - Submódulo
baseado na detecção de bordas.
4.3 Detecção de Defeitos Internos 86
posições e defeitos de cada ovo ao longo da sequência de imagens.
O módulo de identificação dos ovos é descrito em forma de diagramas na Figura
51. Este módulo pode ser dividido em duas etapas: segmentação dos ovos e identifi-
Figura 50: Etapa de detecção de defeitos internos.
4.3 Detecção de Defeitos Internos 87
cação dos ovos.
Figura 51: Módulo de identificação dos ovos - Detecção defeitos internos.
4.3 Detecção de Defeitos Internos 88
4.3.1.1 Segmentação dos Ovos
Nessa etapa, uma imagem obtida pelo processo descrito na Seção 4.1 (Ver Figu-
ras 52(a) e 51(1)) é utilizada para construção de uma outra imagem, a partir, apenas,
de suas faixas de valores de cores na escala RGB com valores de 170 até 220 para
o canal de cor vermelho, 80 até 180 para o canal de cor verde e 80 até 160 para o
canal de cor azul (Ver Figuras 52(b) e 51(2)). Estas faixas de valores foram determi-
nadas empiricamente, buscando-se encontrar as melhores faixas para representação
da superfície dos ovos. A imagem construída é convertida para a escala de cinza (Ver
Figuras 52(c) e 51(3)) e, em seguida, é aplicado o filtro de pixelização descrito na Se-
ção 3.5 (Ver Figuras 52(d) e 51(4)). Então aplica-se sobre a imagem resultante o filtro
de dilatação descrito na Seção 3.6.2 (Ver Figuras 52(e) e 51(5)). Finalmente, é apli-
cado o filtro de limiarização, descrito na Seção 3.2.1, na imagem obtida da subtração
da imagem atual pela imagem de fundo atualizada (Ver Figuras 52(g), 52(h), 51(7) e
51(8)).
O objetivo do procedimento acima é encontrar uma imagem com todas as formas
dos ovos na cor branca e o restante da imagem original na cor preta.
4.3.1.2 Identificação dos Ovos
O processo de identificação dos ovos na etapa de detecção de defeitos internos
é idêntico ao processo de identificação dos ovos na etapa de detecção de defeitos
externos (Ver Seção 4.2.1.2) (Ver Figura 51(9)).
4.3.2 Módulo de Detecção de Defeitos
Uma visão geral do procedimento de detecção de defeitos desenvolvido é apre-
sentado em forma de diagrama na Figura 53. Observe que este módulo é bastante
similar àquele usado com o mesmo objetivo para a deteção de defeitos externos.
4.3.2.1 Submódulo de Detecção de Defeitos, Baseado em Segmentação de Re-
giões
O propósito geral deste módulo é detectar o defeito de ponto de sangue em ovos.
Neste contexto, a Figura 53 fornece uma visão geral de todas etapas envolvidas nesse
processo.
4.3 Detecção de Defeitos Internos 89
(a) Imagem original. (b) Extração de valores de cores
na escala RGB. Vermelho(170 até
220);Verde(80 até 180);Azul(80 até 160).
(c) Imagem (b) em escala de cinza. (d) Imagem (c) pixelizada.
(e) Aplicação do filtro de dilatação na ima-
gem (d).
(f) Imagem de fundo.
(g) Imagem resultante da subtração de (e)
e (f).
(h) Limiarização da imagem (g).
Figura 52: Resultado da etapa de segmentação dos ovos para a inspeção de defeitos
internos.
4.3 Detecção de Defeitos Internos 90
Uma vez identificados e segmentados os ovos, cada um é analisado quanto à
existência de pontos de sangue. Todas as regiões da imagem contendo possivelmente
pontos de sangue são segmentados e, para cada uma delas é associado um vetor de
características. Por fim, um sistema de classificação avalia a informação contida em
cada um desses vetores de características, visando a inspeção da qualidade dos ovos.
Figura 53: Etapa de detecção de defeitos internos - Submódulo de Detecção de De-
feitos, Baseado em Segmentação de Regiões.
4.3 Detecção de Defeitos Internos 91
Segmentação dos Defeitos
Nessa etapa, a imagem colorida de um ovo, que foi identificado e segmentado da
cena pelo processo de identificação de ovos (Ver Figuras 54(a) e 53(1)), é convertida
para a escala de cinza (Ver Figuras 54(b) e 53(2)). Em seguida, é aplicado sob a
imagem resultante o filtro de limiarização descrito na Seção 3.2.1 (Ver Figuras 54(c) e
53(3)). Por fim, a imagem resultante é submetida ao processo de detecção de pontos
conectados, descrito na Seção 3.3, de maneira a detectar todas regiões de defeito
visíveis no processo de ovoscopia (Ver Figuras 54(d) e 53(4)).
Extração de Características
O processo de extração de características dos defeitos na etapa de detecção de
defeitos internos é idêntico ao processo de extração de características dos defeitos na
etapa de detecção de defeitos extenos (Ver Seção 4.2.2.1) (Ver Figuras e 53(5),53(6)
e 53(7)).
(a) Imagem original. (b) Imagem (a) em escala
de cinza.
(c) Imagem (b) limiari-
zada.
(d) Segmentação do
ponto de sangue da
imagem (c).
Figura 54: Resultado da etapa de segmentação dos defeitos internos - Módulo de
detecção de regiões.
4.4 Triagem 92
Figura 55: Carregador de ovos Moba (MOBA, 2006).
4.3.2.2 Classificação
O processo de classificação de defeitos em ovos na etapa de detecção de defeitos
internos é idêntico ao processo de classificação de defeitos em ovos na etapa de de-
tecção de defeitos externos (Ver Seção 4.2.2.1) (Ver Figura 53(8)), com exceção, que
a rede neural artificial responsável por classificar pontos de sangue, possui apenas
um neurônio na camada de saída.
4.4 Triagem
Na etapa de triagem é feito o desvio dos ovos, com algum tipo de defeito, da
esteira rolante para outro destino. O sistema de inspeção desenvolvido armazena as
fotos de todos defeitos encontrados, em um banco de dados, de forma a oferecer uma
completa gestão sobre toda as linhas de produção dos ovos.
Técnicas como o mecanismo de sucção à vácuo (Ver Figura 55) e braços robóticos
podem serem empregadas para desvio (seleção) dos ovos. No entanto, no presente
trabalho, a triagem foi feita manualmente, sugerindo-se como trabalho futuro o desen-
volvimento de uma ferramenta eletromecânica para realização de tal tarefa.
93
5 Resultados Experimentais
Este capítulo apresenta os experimentos realizados, em cenários reais de apli-
cação do sistema de inspeção visual automática desenvolvido. Por meio destes ex-
perimentos, buscou-se avaliar a eficácia, a eficiência e a escalabilidade do sistema
proposto.
As imagens foram adquiridas em um ambiente com iluminação controlada, sendo
capturadas por uma câmera de vídeo digital Panasonic AG-DVC20 com taxa de cap-
tura de 30 quadros por segundo, e resolução de 720X480 pixels, posicionada perpen-
dicularmente à esteira rolante à uma distância de 90cm, determinada empiricamente.
Utilizou-se um tripé para suporte da câmera, modelo Greika WT 3770, e uma esteira
rolante de ovos, similar às esteiras utilizadas comercialmente para esse fim (Ver Fi-
gura 6). A esteira utilizada foi projetada para trabalhar com velocidades constantes de
translação e rotação de 10cm/s e 70
o
/s, respectivamente.
O sistema desenvolvido realiza a classificação dos ovos, que são transportados
pela esteira rolante, em tempo real, e todas informações extraídas acerca das inspe-
ções realizadas são armazenadas em um banco de dados.
Os experimentos realizados para o teste do sistema de inspeção utilizaram ovos
brancos de galinhas adquiridos de três diferentes granjas. Esse conjunto de ovos
foi dividido em três diferentes subconjuntos, buscando-se sistematizar o processo de
avaliação da eficácia do sistema desenvolvido. O primeiro subconjunto foi construído
com a finalidade de avaliar a capacidade de detecção de sujeiras, manchas de sangue,
trincas e vazamentos de gema, utilizando-se o método de segmentação de regiões,
descrito no Capítulo 4.
O segundo subconjunto, por sua vez, foi contruído com a finalidade de avaliar a
capacidade de detecção de pequenas fissuras nos ovos, utilizando-se a técnica de
detecção de bordas, descrita no Capítulo 4. Finalmente, o último subconjunto de ovos
foi utilizado com o objetivo de se avaliar a eficácia do sistema no que se refere à
5.1 Experimento 1 94
Parâmetros Significado Valor
Segmentação do Ovo
dim
masc
Dimensão da Máscara de Pixelização
3x3
α Percentual de Atualização do Fundo
0.003
T Limiar de Atualização do Fundo
80
Segmentação das Regiões Anômalas
T Limiar de Segmentação
120
qt
px
Quantidade mínima de pixels da área anômala
30
Rede Neural
lim
learn
Limite de aprendizado
0.1
tx
learn
Taxa de aprendizado
0.5
α Valor de Ativação da Função Bipolar Sigmoidal
2
Tabela 3: Parâmetros de execução do experimento 1.
detecção de pontos de sangue.
Para o desenvolvimento do software, utilizou-se a plataforma .NET, linguagem C#,
o banco de dados Sql Server 2005 e as bibliotecas AForge.NET e OpenCV para a
utilização de algumas ferramentas de Visão Computacional e Inteligência Artificial.
Para realizar a análise do custo computacional do sistema, todos experimentos
foram realizados em uma estação de trabalho com processador Intel(R) Core(TM) 2
Quad CPU Q6600 2.4GHz, memória RAM de 4GB e Sistema Operacional Windows
Vista Businnes 32 Bits, Service Pack 1.
A seguir serão apresentados os resultados experimentais divididos em três grupos
de experimentos, cujos parâmetros de execução correspondentes podem ser vistos
nas Tabelas 3, 5 e 7, respectivamente. Foram selecionados alguns trechos dos vídeos
contendo situações críticas para demonstrar a eficácia do sistema.
5.1 Experimento 1
O primeiro experimento foi realizado com unidades de ovos em perfeita qualidade
externa, unidades com defeitos reais de sujeiras e manchas de sangue, além de uni-
dades de ovos com trincas e vazamentos de gemas, sendo estes últimos defeitos
produzidos manualmente.
Inspirando-se no sistema comercial Moba de inspeção automática de qualidade de
ovos de galinha, descrito na Seção A.4, os defeitos de sujeiras e trincas foram cada
um deles divididos em nível 1 e 2, os quais expressam, respectivamente, uma menor
5.1 Experimento 1 95
e uma maior gravidade do defeito.
Para fins de teste, tal como o sistema Moba, define-se que um ovo é classificado
como sujo, se e somente se, a região de sujeira possuir uma área maior ou igual
a aproximadamente 1mm
2
. Por outro lado, ovos com sujeira nível 2 possuem áreas
superiores a 1mm
2
.
Por sua vez, as trincas nível 1 foram definidas como pequenas trincas enquanto as
trincas nível 2 representam afundamentos de regiões da casca do ovo onde ocorreram
impactos. É importante ressaltar que em ambos os casos (trincas nível 1 e 2) não há
rompimento da membrana interna do ovo.
O objetivo principal deste grupo de experimentos, foi avaliar de forma criteriosa a
exatidão da etapa de detecção de defeitos externos, utilizando-se a técnica proposta
para segmentação de regiões (Ver Figuras 56, 57 e 58).
Os resultados obtidos pelo sistema desenvolvido podem ser observados na Ta-
bela 4. Neste grupo de experimentos foram utilizados 30 ovos bons (sem qualquer
defeito). A rede neural foi treinada 20 vezes, para cada um dos tipos de defeitos ana-
lisados, com ovos distintos dos utilizados nos experimentos. Apesar de nenhum ovo
trincado ter sido detectado, o treino da rede neural artificial para esse tipo de defeito
foi importante para diminuir os casos de falsos positivos referentes a ovos sujos.
O defeito de mancha de sangue foi detectado 78.5% das vezes. Por outro lado,
este defeito foi detectado pelo sistema ao mesmo tempo como mancha de sangue e
sujeira em 28.5% dos casos. Isso ocorre devido à própria característica das manchas
de sangue, que possuem uma variação de cor muito grande, se assemelhando à fezes
em alguns casos.
O defeito sujeira nível 1, ou seja, ovos com pequena quantidade de sujeira foram
classificados corretamente em 57.2% dos casos. Por outro lado, em 42.8% dos casos,
ovos com este nível de sujeira foram classificados como limpos. Esse alto nível de
erro, em parte, se deve ao fato que 66% dos casos de sujeira nível 1 observados
ocorreram próximos aos hemisférios dos ovos, fato este que dificulta suas detecções
pelo sistema de inspeção, devido ao posicionamento ortogonal da câmera e a forma
oval dos mesmos.
Por fim, ovos com vazamento de gema foram detectados corretamente em 62.5%
das vezes. Em 25% dos casos, entretanto, foram classificados como ovos íntegros.
Para elevar o grau de reconhecimento desse tipo de defeito é necessário que o líquido
5.1 Experimento 1 96
Classificação do Sistema de
Inspeção Desenvolvido (%)
Tipo de Número de Bom Trinca Sujeira Mancha de Vazamento de
defeito ovos sangue gema
Trinca nível 1 15 100 0 0 0 0
Trinca nível 2 15 100 0 0 0 0
Mancha de
14 21.4 0 28.5 78.5 7.1
sangue
Sujeira nível 1 14 42.8 0 57.2 0 0
Sujeira nível 2 15 0 0 94 0 6
Vazamento de
16 25 0 6.25 6.25 62.5
gema
Tabela 4: Quadro comparativo - Etapa de Detecção de Defeitos Externos, Baseada na
Técnica de Segmentação de Regiões.
da gema esteja exposto na superfície dos ovos, o que não ocorreu em todos casos
estudados.
Vale salientar, que o sistema de rastreamento dos ovos mostrou-se bastante ro-
busto, sendo capaz de detectar os ovos na esteira mesmo quando esta estava suja de
líquidos internos dos ovos, como visto na Figura 58.
Figura 56: Resultado experimental - Detecção de ovos sujos.
5.2 Experimento 2 97
Figura 57: Resultado experimental - Detecção de ovo com mancha de sangue.
5.2 Experimento 2
O segundo experimento foi realizado utilizando as mesmas unidades de ovos do
primeiro experimento. Neste caso, buscou-se sobretudo avaliar a capacidade de de-
Figura 58: Resultado experimental - Detecção de ovos quebrados e sistema de ras-
treamento invariável à sujeira de gema e clara na esteira.
5.3 Experimento 3 98
Parâmetros Significado Valor
Segmentação do Ovo
dim
masc
Dimensão da Máscara de Pixelização
3x3
α Percentual de Atualização do Fundo
0.003
T Limiar de Atualização do Fundo
80
Segmentação das Trincas
T hreshold1 Limiar Inferior do Algoritmo Canny
40
T hreshold2 Limiar Superior do Algoritmo Canny
130
qt
px
Quantidade mínima de pixels da trinca
15
Tabela 5: Parâmetros de execução do experimento 2.
tecção de pequenas fissuras nos ovos, utilizando-se a técnica de detecção de bordas,
descrita no Capítulo 4 (Ver Figura 59).
Os resultados obtidos pelo sistema desenvolvido podem ser observados na Tabela
6. Observe que em 100% dos casos as trincas de nível 2 foram corretamente classi-
ficados. Por sua vez, a quantidade de 53.4% dos ovos com trinca nível 1 que foram
classificados como ovos bons, justifica-se porque todos esses possuíam as trincas im-
perceptíveis, mesmo ao olho humano, para a distância de onde foram capturadas as
imagens.
Finalmente, observou-se que 10% dos ovos bons foram classificados como ovos
trincados. A classificação incorreta ocorreu devido ao aparecimento de reflexos de
luz na superfície dos ovos, gerando uma variação brusca de iluminação na casca dos
ovos e enganando o sistema de detecção de trincas, fato este que pode ser corrigido
com o ajuste do sistema de iluminação artificial utilizado.
5.3 Experimento 3
O último grupo de experimentos foi realizado com ovos de galinhas com defeitos de
pontos de sangue, os quais foram produzidos artificialmente, por meio de uma seringa
e sangue de galinha. Neste caso, o objetivo perseguido foi analisar a detecção do
Classificação do Sistema de
Inspeção Desenvolvido (%)
Tipo de Número de Bom Trinca
defeito ovos
Trinca nível 1 15 53.4 46.6
Trinca nível 2 15 0 100
Tabela 6: Quadro comparativo - Etapa de Detecção de Pequenas Fissuras.
5.4 Discussão 99
Figura 59: Resultado experimental - Detecção de trincas.
sistema para os defeitos internos visualizados por meio de ovoscopia (Ver Figura 60).
Foram utilizados 16 ovos bons (sem defeitos) e 14 ovos com ponto de sangue. A rede
neural foi treinada 10 vezes, para o defeito de ponto de sangue, com ovos distintos
dos utilizados nos experimentos.
Os resultados obtidos, a partir da inspeção visual automática, realizada pelo sis-
tema desenvolvido, podem ser observados na Tabela 8.
Os resultados obtidos na detecção de pontos de sangue foram insatisfatórios,
sendo que ovos utilizados nos experimentos, quando foram submetidos ao processo
de ovoscopia, apresentaram comportamentos bastante diferenciados. Em apenas
50% das vezes, ovos com pontos de sangue foram corretamente classificados. Devido
à própria espessura das cascas, e até mesmo aspectos de idade, os ovos apresenta-
ram comportamento translúcido variado. Alguns ovos, mesmo sem possuírem pontos
de sangue, foram classificados incorretamente, pois suas cascas eram muito escuras.
5.4 Discussão
Neste capítulo foram realizados diversos experimentos com o propósito de validar
os métodos propostos. Técnicas de segmentação de objetos garantiram um rastrea-
5.4 Discussão 100
Parâmetros Significado Valor
Segmentação do Ovo
dim
masc
Dimensão da Máscara de Pixelização
3x3
dim
dilat
Dimensão da Máscara de Dilatação
3x3
α Percentual de Atualização do Fundo
0.003
T Limiar de Atualização do Fundo
25
Segmentação das Regiões Anomalas
T Limiar de Segmentação
125
qt
px
Quantidade mínima de pixels da área de ponto de sangue
30
Rede Neural
lim
learn
Limite de aprendizado
0.1
tx
learn
Taxa de aprendizado
0.5
α Valor de Ativação da Função Bipolar Sigmoidal
2
Tabela 7: Parâmetros de execução do experimento 3.
mento correto dos ovos e, consequentemente, uma contagem correta dos mesmos,
sendo a mesma invariante ao movimento de rotação da esteira, aos tamanhos dos
Figura 60: Resultado experimental - Detecção de pontos de sangue.
Classificação do Sistema de
Inspeção Desenvolvido (%)
Tipo de Número de Bom Ponto de
defeito ovos sangue
Pontos de
14 50 50
sangue
Tabela 8: Quadro comparativo - Etapa de Detecção de Pontos de Sangue.
5.4 Discussão 101
ovos, e ao vazamento de líquidos internos dos ovos na esteira.
Por sua vez, o desempenho apresentado pelas técnicas de detecção de defeitos
externos foi considerado satisfatório para esta primeira versão do sistema proposto
neste trabalho. A detecção de 78.5% das manchas de sangue foi superior à detecção
de 50% obtida pelo sistema Moba. Da mesma forma, a detecção da sujeira 1 de 57.2%
foi superior à detecção de 30% obtida para o sistema Moba. Na média, a detecção
de sujeira de 75.6% foi equivalente à detecção média de 77.5% obtida pelo sistema
Moba (Ver Seção A.4), é importante ressalvar que a base de experimentos testada
pela empresa Moba foi muito superior à utilizada neste trabalho, sendo necessário
uma validação posterior dos resultados obtidos com uma base de testes maior.
Contudo, o método de detecção de defeitos internos não obteve resultados satis-
fatórios. Apesar disso, esse estudo inicial foi promissor, pois não foi encontrado até o
momento nenhum sistema comercial com detecção automática de pontos de sangue,
incluindo o sistema Moba que é a líder mundial em sistemas de inspeção de qualidade
de ovos de galinha.
No que se refere ao aspecto de custo computacional, o sistema desenvolvido
mostrou-se amplamente aplicável a cenários reais que demandam alta eficácia no
processo de inspeção visual de grandes quantidades de ovos. Em média, o sistema
operou a 15fps.
102
6 Conclusões e Perspectivas
Futuras
Nem todos os animais dependem tanto da visão para sua orientação como os
homens. Os seres humanos são animais que, apesar de apresentarem cinco siste-
mas de sensoreamento (visão, audição, olfato, gustação e tato), dependem e confiam
excessivamente na sua visão, por ser o sentido que fornece o maior número de infor-
mações necessárias para a interpretação do mundo exterior.
As técnicas de Visão Computacional podem ser utilizadas para emular a visão
humana, por exemplo, atacando problemas onde o ser humano necessite da visão
para tarefas de inspeção, classificação ou monitoramento em geral, que sejam preju-
diciais ou cansativos à saúde humana, ou extrapolem as condições normais da visão
humana, como nas tarefas de medição óptica de precisão.
O sistema desenvolvido nesse trabalho, baseado em técnicas de Visão Computa-
cional e Redes Neurais, busca substituir o serviço humano nas tarefas de inspeção do
controle de qualidade de ovos de galinhas em linhas de produção, proporcionando um
controle de qualidade uniformizado dos ovos com medidas objetivas que possibilitam
o aumento da produção de forma organizada.
Embora existam diversas metodologias para inspeção automática da qualidade
de ovos de galinha, técnicas de análise de imagens se destacam pela capacidade
de: contabilizar o número de ovos, capacidade de distinção entre os tipos de defeitos
abordados e capacidade de se adaptar uma câmera e um computador em uma linha
de produção, não exigindo uma infra-estrutura especial como nos outros métodos.
Com o sistema de inspeção desenvolvido, foi possível realizar testes em cenários
reais, em uma esteira de ovos, detectando os principais defeitos externos e internos
nos ovos de galinhas em linhas de produção, a saber: sujeiras, manchas de sangue,
trincas, vazamentos de gema e pontos de sangue.
6 Conclusões e Perspectivas Futuras 103
Os resultados obtidos na inspeção dos defeitos externos foram satisfatórios se-
gundo a opnião de técnicos da área. Contudo, para a detecção dos defeitos internos
de forma automática, um problema ainda não resolvido no cenário atual, observou-se
que serão necessários trabalhos e estudos futuros para aumentarem significamente
a eficácia do sistema desenvolvido. O sistema de inspeção alcançou os objetivos
propostos, demonstrando nos cenários testados que é capaz de rastrear os ovos em
situações de movimentação e rotação arbitrários, mesmo diante do derramamento de
líquidos internos dos ovos sobre a esteira, situação comum em uma linha de produ-
ção. Finalmente, o sistema projetado demonstra um grande potencial para ser trans-
formado em um produto tecnológico com alto valor agregado para aplicações dessa
natureza.
Para uma melhor gestão dos resultados obtidos pelo usuário, o sistema foi de-
senvolvido, de modo que todas informações extraídas acerca da inspeção dos ovos
de galinha sejam oferecidas de várias formas, desde a apresentação de gráficos de
contagem de defeitos de ovos, até a exibição de relatórios completos agrupados por
lotes de inspeção, juntamente com todas fotos dos ovos defeituosos.
A interface desenvolvida possui também controles da sensibilidade dos detectores
de defeitos, por meio de barras de rolagens, de modo que seja fácil o controle da
qualidade dos ovos produzidos.
Uma outra característica também importante do sistema de inspeção desenvolvido
é a modularidade. Com essa característica, o sistema de inspeção pode em qualquer
etapa (detecção de defeitos externos, detecção de trinca e detecção de defeitos inter-
nos) ser modificado quanto a técnica de resolução do problema.
Em linhas gerais, os experimentos realizados em situações bastante desafiadoras
mostraram que o sistema desenvolvido alcançou uma exatidão de contagem dos ovos
de 100%, detecção de sujeiras de 75.6%, trincas de 73.3%, manchas de sangue de
78.5%, vazamentos de gema de 62.5% e pontos de sangue 50%. Como trabalho fu-
turo, propõe-se que seja validada a eficácia do sistema em uma linha de produção real,
como etapa necessária para a ajuste e conclusão de um produto tecnológico comer-
cializável, além da construção de um mecanismo de uma ferramenta eletromecânica
para realização da triagem dos ovos das esteiras de inspeção.
104
Referências Bibliográficas
ALEGRE, M. C. G. et al. Eggshell defects detection based on color processing.
In: Tobin, K. W. (Ed.). Society of Photo-Optical Instrumentation Engineers (SPIE)
Conference Series. [S.l.: s.n.], 2000. (Society of Photo-Optical Instrumentation
Engineers (SPIE) Conference Series, v. 3966), p. 280–287.
ANDRADE, M. et al. Avaliação da qualidade bacteriológica de ovos de galinha
comercializados em goiânia. Ciência Animal Brasileira, v. 5, n. 4, 2006. ISSN
1809-6891.
ASA. Aviário Santo Antônio. 2009. [Acessado 26-Junho-2009]. Disponível em:
<http://www.asaeggs.com.br>.
BRAGA, A. P.; CARVALHO, A. C.; LUDERMIR, T. B. Redes Neurais Artificiais: Teoria
e Aplicacoes. [S.l.]: LTC, 2000.
CANNY, J. A computational approach to edge detection. IEEE Trans. Pattern Anal.
Mach. Intell., IEEE Computer Society, Washington, DC, USA, v. 8, n. 6, p. 679–698,
November 1986. ISSN 0162-8828.
COOK, J. E.; WOLF, A. L. Discovering models of software processes from event-based
data. ACM Transactions on Software Engineering and Methodology, v. 7, p. 215–249,
1998.
COUTTS, J. et al. Optimum egg quality: A practical approach. [S.l.]: 5, 2007.
GONZALEZ, R.; WOODS, R. Digital image processing. Reading, Massachusetts:
Addison - Wesley Publishing Company, 1992.
GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing (2rd Edition). [S.l.: s.n.],
2002.
GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing (3rd Edition). [S.l.]:
Prentice Hall, 2007. Hardcover. ISBN 013168728X.
HAYKIN, S. Neural Network. [S.l.]: Prentice Hall PTR, 1998.
HECHT-NIELSEN, R. Theory of back propagation neural network. In: International
Joint Conference on Neural Networks. [S.l.: s.n.], 1989. p. 593–606.
KAROUI, R. et al. Methods to evaluate egg freshness in research and industry: A
review. European Food Research and Technology, v. 222, n. 5, p. 727–732, June
2005.
Referências Bibliográficas 105
KETELAERE, B.; COUCKE, P.; BAERDEMAEKER, J. Eggshell crack detection
based on acoustic resonance frequency analysis. Journal of Agricultural Engineering
Research, v. 76, n. 2, p. 157–163, June 2000.
LAWRENCE, K. C. et al. Imaging system with modified-pressure chamber for crack
detection in shell eggs. Sensing and Instrumentation for Food Quality and Safety, v. 2,
n. 2, p. 116–122, June 2008.
LEONARDO, P. F. et al. Qualidade de ovos comercializados em diferentes
estabelecimentos na cidade de imperatriz-ma. Revista Brasileira de Saúde e
Produção Animal, v. 9, n. 1, 2008.
MARIA, G. C. et al. Eccomas automatic rules generation by g.a. for eggshell defect
classification. In: European Congress on Computational Methods in Applied Sciences
and Engineering. Barcelona, Spain: [s.n.], 2000. Incorporating the VI International
Conference on Computational Plasticity (COMPLAS VI).
MCCULLOCH, W.; PITTS, W. A logical calculus of the ideas immanent in nervous
activity. Bulletin of Mathematical Biophysics, 1943.
MCIVOR, A. Background subtraction techniques. 2000.
MERTENS, K. et al. Dirt detection on brown eggs by means of color computer vision.
Poultry Science, v. 84, n. 10, p. 1653–1659, 2005.
MINK HOLLW FARM. CANDLING EGGS. 2005. [Acessado 05-Setembro-2008].
Disponível em: <http://www.minkhollow.ca/HatchingProgram/Candling/Fresh/Blood-
Spot.html>.
MOBA. MOBA OMNIA. 2006. [Acessado 26-Junho-2009]. Disponível em:
<http://www.moba.nl>.
NAKANO, K.; MIZUTANI, J.; OHTSUKA, Y. A study on non-destructive detection
of abnormal eggs by using image processing. Asian Federation for Information
Technology in Agriculture, p. 345–352, 2000.
NAKANO, K.; MOTONAGA, Y. A study of the development of non-destructive detection
system for abnormal eggs. In: EFITA. [S.l.], 2003. p. 5–9.
NASCIMENTO, M. et al. Comparação de meios de enriquecimento e de plaqueamento
na pesquisa de salmonella em carcaças de frango e fezes de aves. Revista Brasileira
de Ciência Avícola, v. 2, n. 1, p. 85–91, 2000.
NUNES, L. E.; PRADO, P. P. Reconhecimento de objetos contidos em imagens
através de redes neuais. Rev. Ciênc. Exatas, v. 5-8, p. 77–88, 1999–2002.
OLIVEIRA, D.; SILVA, E. Salmonela em ovos comerciais: ocorrência, condições de
armazenamento e desinfecção da casca. Arquivo Brasileiro de Medicina Veterinária e
Zootecnia, v. 52, p. 655–661, Junho 2000.
PATEL, V. C.; MCCLENDON, R. W.; GOODRUM, J. W. Color computer vision
and artificial neural networks for the detection of defects in poultry eggs. Artificial
Intelligence Review, v. 12, 1998.
Referências Bibliográficas 106
SALLES, R. et al. Monitoramento bacteriológico para salmonella sp. em poedeira
comercial em diferentes fases de recria e produção de empresas avícolas da
região metropolitana de fortaleza. Ciência Animal Brasileira, v. 9, n. 2, 2008. ISSN
1809-6891.
SANTOS, J. C. et al. Seleção de atributos usando algoritmos genéticos para
classificação de regiões. In: EPIPHANIO, J. C. N.; GALVÃO, L. S.; FONSECA, L.
M. G. (Ed.). Anais. São José dos Campos: Instituto Nacional de Pesquisas Espaciais
(INPE), 2007. p. 6143–6150. ISBN 978–85–17–00031–7.
SANTOS, J. C.; OLIVEIRA, J. R. de F.; DUTRA, L. V. Uso de algoritmos genéticos na
seleção de atributos para classificação de regiões. In: GeoInfo. [S.l.: s.n.], 2005. p.
253–261.
SILVA, L. N. C. Engenharia Imunológica: Desenvolvimento e aplicação de ferramentas
computacionais inspiradas em sistemas imunológicas artificias. Tese (Doutorado) —
Universidade Estadual de Campinas, May 2001.
STIVANELLO, M. E.; GOMES, R. C. P. Inspeção visual industrial automatizada por
análise de forma com descritores de fourier e redes neurais artificiais. Anais do XV
Seminário de Computação, p. 29–40, Novembro 2006.
SUZUKI, S.; BE, K. Topological structural analysis of digitized binary images by border
following. Computer Vision, Graphics, and Image Processing, v. 30, n. 1, p. 32–46,
April 1985. ISSN 0734189X.
SYAHRIR, W. M.; SURYANTI, A.; AIN, N. S. N. Eggs bloodspot detection using image
processing. icicic, IEEE Computer Society, Los Alamitos, CA, USA, v. 0, p. 424, 2007.
TERRA, C. Ovo, a proteína do 3
o
milênio. In: ASSOCIAçãO PAULISTA DE
AVICULTURA. Congresso de produção e consumo de ovos. [S.l.], 1999. p. 8–9.
THOMPSON ROBERT W., J. et al. Facial Recognition Using Simulated Prosthetic
Pixelized Vision. Invest. Ophthalmol. Vis. Sci., v. 44, n. 11, p. 5035–5042, 2003.
TRABELSI et al. Sensing egg quality during storage by radiofrequency complex
permittivity measurement. Sensors, 2007 IEEE, p. 1005–1008, Oct 2007.
TRUCCO, E.; VERRI, A. Introductory Techniques for 3-D Computer Vision. Upper
Saddle River, NJ, USA: Prentice Hall PTR, 1998. ISBN 0132611082.
UN, W.; RUISHE, J. Eggshell crack detection by dynamic frequency analysis.
European food research and technology, v. 221, n. 1-2, p. 214–220, 2005.
ZHANG, D.; LU, G. A comparative study on shape retrieval using fourier descriptors
with different shape signatures. International Conference on Intelligent Multimedia and
Distance Education, p. 1–9, 2001.
ZHAO, Q. A.; STASKO, J. T. Evaluating image filtering based techniques in media
space applications. In: CSCW ’98: Proceedings of the 1998 ACM conference on
Computer supported cooperative work. New York, NY, USA: ACM, 1998. p. 11–18.
ISBN 1-58113-009-0.
107
ANEXO A -- Ovo de Galinha
A.1 Composição Nutricional do Ovo
Segue na Tabela 9 a lista dos principais nutrientes presentes no ovo de galinha.
A.2 Qualidade Interna e Externa dos Ovos
A.2.1 Qualidade Interna
A.2.1.1 Ovos com Duas Gemas
Ocorre porque o ciclo hormonal das aves jovens, que determina sua ovulação, é,
às vezes, irregular, resultando em ovos com mais de uma gema, ou ovulação múltipla
(Ver Figura 61).
(a) Ovoscopia do ovo. (b) Ovo cozido.
Figura 61: Ovo com duas gemas (MINK HOLLW FARM, 2005).
A.2 Qualidade Interna e Externa dos Ovos 108
A.2.1.2 Pontos de Sangue
Estas são normalmente encontradas no interior ou à volta da gema. Tais proble-
mas podem ser causados por rompimento de um dos minúsculos vasos sanguíneos de
folículos no ovário, que tenha se rompido no momento da ovulação, ou seja, quando a
gema é liberada. Altos níveis de atividade ou perturbação, especialmente no momento
da ovulação podem aumentar a incidência destes (Ver Figura 62).
A incidência desse problema varia entre linhagens de aves e pode atingir até 10%
dos ovos produzidos. Contudo, geralmente entre 2 e 4% de todos os ovos contêm
manchas de sangue (COUTTS et al., 2007).
Tabela 9: Conteúdo de nutrientes em um ovo de 59g.
Nutrientes(unidades) Ovo inteiro Clara Gema
Calorias (Kcal) 75 17 59
Proteínas (g) 6,25 3,52 2,78
Lipídeos totais (g) 5,01 0 5,01
Carboidratos totais (g) 0,6 0,3 0,3
Ácidos graxos (g) 4,33 0 4,33
Lipídeo saturado (g) 1,55 0 1,55
Lipídeo monoins. (g) 1,91 0 1,91
Lipídeo polinsat. (g) 0,68 0 0,68
Colesterol (mg) 213 0 213
Tiamina (mg) 0,031 0,002 0,028
Riboflavina (mg) 0,254 0,151 0,103
Niacina (mg) 0,036 0,031 0,005
Piridoxina (mg) 0,070 0,001 0,0069
Folacina (µg) 23,50 1,00 22,50
Vitamina B12 (µg) 0,50 0,07 0,43
Vitamina A (UI) 317,50 0 317,50
Vitamina E (mg) 0,70 0 0,70
Vitamina D (UI) 24,50 0 24,50
Colina (mg) 215,10 0,42 214,6
Biotina (µg) 9,98 2,34 7,58
Cálcio (mg) 25 2 23
Ferro (mg) 0,72 0,01 0,59
Magnésio (mg) 5 4 1
Cobre (mg) 0,007 0,002 0,005
Iodo (mg) 0,024 0,001 0,022
Zinco (mg) 0,55 0 0,55
Sódio (mg) 63 55 8
Manganes (mg) 0,012 0,001 0,011
ENC: Nutrient value of eggs - American Egg Boards (2001).
A.2 Qualidade Interna e Externa dos Ovos 109
A.2.1.3 Pedaços de Carne
Estas muitas vezes consistem em pequenos pedaços de tecidos do corpo das
galinhas (Ver Figura 63), tais como as paredes internas do oviduto. Sua incidência
varia de acordo com a idade, raça e a saúde das aves. Em ovos com casca marrom é
mais difícil sua identificação, mesmo por meio de ovoscopia.
A incidência de manchas de carne dentro dos ovos varia entre 3 e 30% (COUTTS
et al., 2007).
A.2.1.4 Liquefação da Clara
A qualidade interna dos ovos frescos se deteriora ao longo do tempo e aves mais
velhas tem uma probabilidade maior de conceberem ovos com algum tipo de pro-
blema, inclusive ovos com claras de baixa consistência, algo parecido com o efeito
de liquefação da clara. Doenças virais, tais como Bronquite Infecciosa, altas tempe-
raturas e baixa umidade no armazenamento dos ovos também podem contribuir no
aparecimento desse tipo de problema (Ver Figura 64).
A.2.1.5 Coloração Anormal da Gema
A cor da gema é determinada pela quantidade de pigmentos carotenóides na ali-
mentação das aves. Gemas amareladas (Ver Figura 65) podem ser produzidas por
aves que consomem forragens verdes em excesso. Esse evento ocorre mais frequen-
temente na primavera, quando a forragem é mais protuberante e onde as aves tomam
uma proporção maior de sua alimentação a partir desta.
Figura 62: Mancha de sangue (MINK HOLLW FARM, 2005).
A.2 Qualidade Interna e Externa dos Ovos 110
(a) Ovoscopia do ovo. (b) Ovo cru.
Figura 63: Ovo com pedaço de carne (MINK HOLLW FARM, 2005).
Atualmente, devido ao apelo de consumidores, é comum utilizar-se níveis variáveis
de pigmentos naturais ou sintéticos na busca de gemas mais coloridas.
A.2.1.6 Anomalia na Câmara de Ar
Apesar da câmara de ar ser formada normalmente no hemisfério maior do ovo,
ela pode ser encontrada ocasionalmente em outros locais devido a uma anormalidade
(Ver Figura 66). Uma câmara de ar pode ser vista dentro da clara e esta é geralmente
causada por uma ruptura da membrana interior. Se esta mesma não estiver no local
correto, esse ovo será incapaz de fecundar.
O tamanho da câmara de ar também é um indicador importante, uma vez que,
quando ocorre envelhecimento do ovo, gases e a água de seu interior evaporam, atra-
vés dos poros de sua casca. Assim variações na câmara de ar avaliam indiretamente
Figura 64: Clara com problema de liquefação (COUTTS et al., 2007).
A.2 Qualidade Interna e Externa dos Ovos 111
Figura 65: Coloração anormal da gema (MINK HOLLW FARM, 2005).
o frescor do ovo, pois à medida que o ovo se desidrata a mesma aumenta de tamanho,
fato explícito na Resolução 05/91.
A.2.1.7 Contaminação Bacteriana e Fungicida
Bactérias e fungos são encontradas mais naturalmente na superfície da casca
dos ovos. Em determinadas circunstâncias, algumas destas podem passar através
da casca e multiplicar-se dentro do ovo, normalmente produzem um apodrecimento
com manchas pretas, vermelhas ou verdes (Ver Figura 67). O ovo quando que-
brado contêm um cheiro característico de putrefação. Se esses ovos são analisados
utilizando-se uma lâmpada, eles aparecerão com manchas irregulares escuras.
(a) Ovoscopia ovo com câmara de
ar normal.
(b) Ovoscopia ovo com câmara de
ar anormal.
Figura 66: Câmara de ar (MINK HOLLW FARM, 2005).
A.2 Qualidade Interna e Externa dos Ovos 112
Figura 67: Contaminação bacteriana e por fungos (COUTTS et al., 2007).
A.2.1.8 Contaminação de Vermes
Alguns ovos podem conter um ou mais tipos de vermes em seu interior. Esses
nematóides são parasitas intestinais de galinhas e sua incidência é bastante rara (Ver
Figura 68). Suas ocorrências são devido à migração dos vermes da cloaca da ave ao
oviduto, onde contaminam os ovos.
A.2.2 Qualidade Externa
A.2.2.1 Má Formação da Casca
Ovos com formas "anormais", ou mesmo ovos que se quebram, mesmo dentro
do seu processo de formação, cujos danos podem ser reparados, mas certamente a
reparação não será perfeita (Ver Figura 69).
A incidência desses tipos de problemas varia consideravelmente, evidentemente
dependendo do rigor que os mesmos são julgados. Normalmente, até 2% da produção
Figura 68: Contaminação de vermes (COUTTS et al., 2007).
A.2 Qualidade Interna e Externa dos Ovos 113
é desclassificada devido à essa falha.
A.2.2.2 Ovo Retido
Uma quantidade excessiva de cálcio pode ser depositada na casca do ovo, no
seu processo de formação, causando um aspecto de cor rosa ou lilás (Ver Figura 70).
Tipicamente, este problema é causado pelo fato do ovo permanecer na glândula por
um período prolongado.
As galinhas mais jovens são mais sensíveis a esse fato, e no momento da produ-
ção se a mesma é submetida a um estresse, isso contribuirá à retenção do ovo pela
ave.
A.2.2.3 Casca do Ovo Áspera
Em alguns casos, dois ovos podem estar na glândula da casca ao mesmo tempo,
e isto pode causar uma forma de casca de ovo muitas vezes áspera (Ver Figura 71).
Esse problema também pode ser advindo do excesso de cálcio, doenças respiratórias
ou até mesmo do excesso de uso de antibióticos. Sua incidência é normalmente
inferior a 1% do total da produção, mas pode ser mais elevada para alguns tipos de
raças de aves.
A.2.2.4 Cascas Moles e Fracas
A incidência destes tipos de problema varia de cerca de 0,5 a 6% (COUTTS et al.,
2007). Eles são normalmente produzidos por aves que têm maturação precoce. Se
um ovo é mantido na glândula da casca durante demasiado tempo o próximo ovo
Figura 69: Ovo com má formação (COUTTS et al., 2007).
A.2 Qualidade Interna e Externa dos Ovos 114
Figura 70: Ovo retido (COUTTS et al., 2007).
poderá permanecer um tempo menor que o normal na glândula e o resultado será um
ovo com casca fraca.
Em tais casos, uma galinha pode não conceber um ovo por vez, mas sim ambos
ao mesmo tempo, o ovo retido e o ovo com casca mole (Ver Figura 72). Como ponto
geral, deve salientar-se que um simples estresse ou perturbação para uma ave pode
ser o suficiente para dessincronizar todo o processo de formação dos ovos por vários
dias, podendo até mesmo causar um efeito prolongado sobre a qualidade dos ovos.
Outro importante ponto é que uma nutrição inadequada pode também conduzir à
formação de ovos com casca de qualidade inferior. Sabe-se que uma casca de ovo
contém cerca de seis gramas de carbonato de cálcio e suprimentos adequados desses
nutrientes são necessários diariamente. A galinha tem uma exigência maior de cálcio
no momento em que o ovo está na glândula da casca. Se a necessidade de cálcio não
for suprida a espessura das cascas dos ovos concebidos pode vir progressivamente
menor, e a produção de ovos pode diminuir ou até mesmo cessar.
Figura 71: Casca de ovo áspera (COUTTS et al., 2007).
A.2 Qualidade Interna e Externa dos Ovos 115
A.2.2.5 Ovos Trincados
Cascas de ovos podem ser facilmente danificadas, após sua concepção, e linhas
de fissuras são um dos maiores motivos de eliminação de ovos no controle de quali-
dade. Elas podem acorrer devido à uma insuficiência, quer da casca ou do manusea-
mento do ovo. Dois principais tipos de fissuras podem ser identificadas:
1.Fissuras com Formato de Linhas;
2.Fissuras com Formato de Estrelas.
Fissuras com Formato de Linhas
São as mais difíceis de identificar, caso seja pequena a quantidade de linhas pre-
sentes no ovo. São muitas vezes causadas pela colisão dos ovos com uma superfície
rígida (Ver Figura 73).
A incidência deste problema varia com a idade das aves e manuseio dos ovos, e
geralmente varia de 1 a 3% da produção total (COUTTS et al., 2007).
Fissuras com Formato de Estrela
Podem muitas vezes serem visíveis à luz normal, embora elas sejam mais facil-
mente observadas durante ovoscopia (Ver Figura 74). Fissuras estrelas ocorrem mui-
tas vezes devido às colisões entre ovos e sua incidência varia de 1 a 2% da produção
total (COUTTS et al., 2007).
Figura 72: Ovo com casca mole (COUTTS et al., 2007).
A.2 Qualidade Interna e Externa dos Ovos 116
Figura 73: Ovoscopia de ovo com fissura linha (COUTTS et al., 2007).
A.2.2.6 Pequenos Buracos
Podem ser causados, quer pelas próprias aves ou por qualquer objeto que possa
entrar em choque com o ovo (Ver Figura 75), geralmente afeta menos de 0.5% da
produção total (COUTTS et al., 2007).
A.2.2.7 Ovo Quebrado
Devido à fragilidade dos ovos é normal sua quebra no impacto contra objetos só-
lidos (Ver Figura 76). Sua incidência aumenta em aves mais velhas e sua ocorrência
(a) Ovoscopia do ovo. (b) Imagem do ovo.
Figura 74: Ovo com fissura estrela (COUTTS et al., 2007).
Figura 75: Ovo com buraco (COUTTS et al., 2007).
A.3 Especificações para Classificação e Comercialização de Ovos 117
Figura 76: Ovos quebrados (COUTTS et al., 2007).
varia de 1 a 5% da produção total (COUTTS et al., 2007).
A.2.2.8 Ovos Sujos
Ovos podem ser infectados por uma quantidade imensa de materiais transmis-
sores de doenças, incluindo material fecal, lama, sangue e conteúdo de outros ovos
(Ver Figura 77).
A incidência de desses ovos varia, em parte pelo manuseio dos ovos, e em outra
parte pela idade das aves. Manchas de sangue, por exemplo, são mais comuns em
ovos de galinhas no início de postura.
A.3 Especificações para Classificação e Comercializa-
ção de Ovos
Aprovadas pelo Decreto n
o
56.585 de 20 de julho de 1965, em virtude de disposi-
ções do Decreto-lei n
o
334, de 15 de março de 1938 e do Regulamento aprovado pelo
Decreto n
o
5.739 de 29 de maio de 1940.
Figura 77: Ovos sujos (COUTTS et al., 2007).
A.3 Especificações para Classificação e Comercialização de Ovos 118
Art. 1
o
Pela designação de ovo, entende-se o ovo de galinha, sendo os demais,
acompanhados da indicação da espécie de que procedem.
Art. 2
o
O ovo será classificado em grupos, classes e tipos, segundo a colocação da
casca, qualidade e peso, de acôrdo com as especificações que ora se estabelecem.
Art. 3
o
O ovo, segundo a coloração da casca, será ordenado em 2 (dois) grupos:
I - Branco
II - De côr
§ 1
o
Enquadra-se no Grupo I o ovo que apresente casca de colocação branca ou
esbranquiçada.
§ 2
o
Enquadra-se no Grupo II o ovo que apresente casca de colaboração avermel-
hada.
Art. 4
o
O ovo, segundo a qualidade, será ordenado em 3 (três) classes, a saber:
Classe - A
Classe - B
Classe - C
§ 1
o
Classe A - constituída de ovos que apresentem:
a) casca limpa, íntegra e sem deformação;
b) Câmara de ar fixa e com o máximo de 4 (quatro) milímetros de altura;
c) clara límpida, transparente, consistente e com as chalazas intactas;
d) gema translúcida, consistente, centralizada e sem desenvolvimento do germe.
§ 2
o
Classe B - constituída de ovos que apresentem:
a) casca limpa, integra, permitindo-se ligeira deformação e discretamente man-
chada;
b) câmara de ar fixar e com o máximo de 6 (seis) milímetros de altura;
c) clara límpida, transparente, relativamente consistente e com as chalazas intac-
tas;
d) gema consistente, ligeiramente descentralizada e deformada, porém com contorno
definido e sem desenvolvimento do germe.
§ 3
o
Classe C - Constituída de ovos que apresentem:
a) casca limpa, íntegra, admitindo-se defeitos de textura, contorno e manchada;
b) câmara de ar solta e com o máximo de 10 (dez) milímetros de altura;
c) clara com ligeira turvação, relativamente consistente e com as chalazas intac-
tas;
A.3 Especificações para Classificação e Comercialização de Ovos 119
d) gema descentralizada e deformada, porém com contorno definido e sem desen-
volvimento do germe.
Art. 5
o
Para as classes A e B será tolerada, no ato da amostragem a percentagem
de até 5% (cinco por cento) de ovos da classe imediatamente inferior.
Art. 6
o
O ovo, observadas as características dos grupos e classes será classificado
segundo seu peso em 4 (quatro) tipos:
Tipo 1(extra) - com peso mínimo de 60 (sessenta) gramas por unidade ou 720
(setecentos e vinte) gramas por dúzia.
Tipo 2 (grande) - com peso mínimo de 55 (cinqüenta e cinco) gramas por unidade
ou 660 (seiscentos e sessenta) gramas por dúzia.
Tipo 3 (médio) - com peso mínimo de 50 (cinqüenta) gramas por unidade ou 600
(seiscentos) gramas por dúzia.
Tipo 4 (pequeno) - com peso mínimo de 45 (quarenta e cinco) gramas por unidade
ou 540 (quinhentos e quarenta) gramas por dúzia.
Art. 7
o
O ovo que não apresente as características mínimas exigidas para as
diversas classes e tipos estabelecidos será considerado impróprio para o consumos,
sendo da sua utilização apenas para a indústria.
Art. 8
o
Para os tipos 1 (um) 2 (dois) e 3 (três) será tolerado, no ato da amostragem
e percentagem do até 10% (dez por cento) de ovos do tipo imediatamente inferior.
Art. 9
o
Os ovos devem ser acondicionados em caixas padrões, indicando nas
testeiras o grupo, a classe e o tipo contidos.
Parágrafo único. O Serviço de Padronização e Classificação, a través de portaria,
baixará instruções visando a perfeita execução das especificações de que trata êste
artigo.
Art. 10. Na embalagem de ovos é proibido acondicionar em um mesmo envase,
caixa ou volume:
1 - ovos oriundos de espécies diferentes;
2 - ovos de grupos, classes e tipos diferente.
Parágrafo único. Essa proibição estende-se a aplicar-se a tôdas as faces de co-
mercialização do produto.
Art. 11. Os casos omissos serão resolvidos pelo Diretor do Serviço de Padroniza-
ção e Classificação do Ministério da Agricultura.
A.4 Sistema Comercial Moba Omnia de Controle de Qualidade de Ovos de Galinha 120
A.4 Sistema Comercial Moba Omnia de Controle de Qua-
lidade de Ovos de Galinha
A empresa Moba, com a sua sede principal na Holanda, é a empresa líder mun-
dial na classificação e embalagem de ovos, com sistemas automatizados, bem como
equipamentos periféricos. Com vendas e serviços através de redes de escritórios na
Holanda, Reino Unido, Estados Unidos, Malásia, Austrália, Japão e China, e através
de um agente de rede em mais de 60 países, inclusive no Brasil, Moba oferece um
elevado nível de serviço e confiabilidade para o negócio de ovo.
Moba Omnia (Ver Figura 78) é um exemplo de um produto comercializado por essa
empresa, no qual realiza o controle de qualidade, classificação e embalagem de ovos
de galinha. O mesmo possui uma taxa de operação de até 180.000 ovos por hora.
Segue abaixo a lista das principais características do sistema Moba:
1.Carregador Mecanismo para carregar os ovos individualmente dentro da linha
de inspeção, levando o mesmo de um ponto ao outro, através de um braço me-
cânico à vácuo (Ver Figura 79);
2.Detecção sujeira Um sistema de visão computacional reconhece os diferentes
tipos de sujeiras, de modo que cada uma seja tratada separadamente. Por exem-
plo, um excreto de galinha no ovo é mais indesejado do que uma simples pena
Figura 78: Classificador de ovos Moba (MOBA, 2006).
A.4 Sistema Comercial Moba Omnia de Controle de Qualidade de Ovos de Galinha 121
Figura 79: Carregador de ovos Moba (MOBA, 2006).
sobre o mesmo;
3.Lavagem Lavagem de ovos (Ver Figura 80(a));
4.Secagem Secagem dos ovos;
5.Detecção vazamento Um sistema de visão computacional determina se existe
algum tipo de vazamento de líquido de dentro dos ovos, e caso exista, o mesmo
é retirado da linha de produção automaticamente;
6.Detecção trinca Detecção automática de trincas (Ver Figura 81) através do mé-
todo de ressonância acústica;
7.Ovoscopia semi-automática Uma quantidade enorme de ovos passa em uma
esteira, onde cada ovo possui uma lâmpada abaixo do mesmo (Ver Figura 82),
de modo que seja fácil realizar a ovoscopia de todos ao mesmo tempo. Portanto
(a) Lavagem automática
de ovos.
(b) Desinfecção UltraVioleta de
ovos.
Figura 80: Higienização dos ovos (MOBA, 2006).
A.4 Sistema Comercial Moba Omnia de Controle de Qualidade de Ovos de Galinha 122
Figura 81: Detector de trinca em ovos Moba (MOBA, 2006).
um técnico experiente analisa os ovos, e caso algum apresente qualquer tipo de
problema basta pressioná-lo para baixo que o sistema se encarregará de retirá-lo
da linha de produção;
8.Detecção ponto de sangue Por meio da análise do espectro de luz dos ovos,
os pontos de sangue são identificados (Ver Figura 83(a)). Os ovos com esse
problema podem ser programados para saírem em uma saída diferenciada do
sistema;
9.Desinfecção UV Sistema de desinfecção Ultra Violeta (Ver Figura 80(b)), cujo
intuito é evitar o crescimento bacteriano nos ovos. Embora os ovos possam não
estar infectados, mas as cascas dos ovos podem infectar o maquinário, pas-
sando o mesmo a ser uma fonte de contaminação cruzada, portanto é necessá-
rio reduzir ao mínimo essa possibilidade;
10.Pesagem Pesagem dos ovos;
11.Classificação cor Os ovos podem ser classificados com base na coloração da
sua casca (Ver Figura 83(b)).
Figura 82: Ovoscopia semi-automática Moba (MOBA, 2006).
A.4 Sistema Comercial Moba Omnia de Controle de Qualidade de Ovos de Galinha 123
(a) Ovo com ponto de sangue identi-
ficado pelo sistema Moba.
(b) Faixa de detecção de cor de ovos
Moba.
Figura 83: Detecção Moba (MOBA, 2006).
Por fim, na Tabela 10 observamos a comparação da taxa de acerto entre o sistema
de classificação Moba e inspeção manual de controle de qualidade.
Nas figuras 84(a),84(b),84(c),84(d),85(a), 85(b), 85(c), 85(d), 86(a), 86(b) e 86(c),
têm-se um exemplo dos defeitos que foram analisados e taxas de detecção obtidas.
Tabela 10: Tabela comparativa Moba X Inspeção manual (MOBA, 2006).
Tipo de detecção Detecção Ovos bons rejeitados Referência
Ovos sujos e não lavados
Manual 10% - 30% 0,1% - 1,5% 1mm
2
= sujo
Moba 25% - 40% 0,2% - 0,5% 1mm
2
= sujo
Manual 50% - 70% 0,1% - 1,5% Consenso
Moba 70% - 85% 0,2% - 0,5% Consenso
Ovos quebrados
Impossível tratar lotes ruins
Manual 70% 0,3%
acima de 45.000
ovos
hora
Moba 80% 0,1%
A.4 Sistema Comercial Moba Omnia de Controle de Qualidade de Ovos de Galinha 124
(a) Sujeira nível 1 - 60% detecção. (b) Sujeira nível 3 - 90% detecção.
(c) Sujeira nível 5 - 90% detecção. (d) Sujeira nível 7 - 98% detecção.
Figura 84: Classificação de ovos sujos (MOBA, 2006).
(a) Vazamento de gema - 80% detecção. (b) Mancha de sangue - 50% detecção.
(c) Buraco no ovo - 70% detecção. (d) Pena no ovo - 90% detecção.
Figura 85: Detecção de defeitos (MOBA, 2006).
A.4 Sistema Comercial Moba Omnia de Controle de Qualidade de Ovos de Galinha 125
(a) Grande vazamento de líquido - 95%
detecção.
(b) Impacto lateral - 95% detecção.
(c) Impacto sobre pólos - 60% detecção.
Figura 86: Ovos quebrados (MOBA, 2006).
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
