Lista de Tabelas - PGMEC - Programa Francisco Eduardo … · 2018-03-14 · (Oração da Serenidade, autoria do teólogo Rinhold Niebuhr) Agradecimentos ... Caracterização da fonte

PGMEC PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA ESCOLA DE ENGENHARIA UNIVERSIDADE FEDERAL FLUMINENSE

Tese de Doutorado

PADRONIZAÇÃO DE METODOLOGIA

PARA CARACTERIZAÇÃO DE COR POR

IMAGEM APLICADA À SELEÇÃO DE

FRUTAS

JULIANA FREITAS SANTOS GOMES

FEVEREIRO DE 2013

JULIANA FREITAS SANTOS GOMES

PADRONIZAÇÃO DE METODOLOGIA PARA CARACTERIZAÇÃO DE COR POR IMAGEM

APLICADA À SELEÇÃO DE FRUTAS

Tese apresentada ao Programa de Pós -

graduação em Engenharia Mecânica da UFF

como parte dos requisitos para a obtenção do

título de Doutor em Ciências em Engenharia

Mecânica

Orientador(es): Fabiana Rodrigues Leta, D. Sc. (PGMEC/UFF)

UNIVERSIDADE FEDERAL FLUMINENSE NITERÓI, FEVEREIRO DE 2013.

Ficha Catalográfica elaborada pela Biblioteca da Escola de Engenharia e Instituto de Computação da UFF

G633 Gomes, Juliana Freitas Santos

Padronização de metodologia para caracterização de cor por imagem aplicada à seleção de frutas / Juliana Freitas Santos Gomes. – Niterói, RJ : [s.n.], 2013.

278 f.

Tese (Doutorado em Engenharia Mecânica) - Universidade Federal Fluminense, 2013. Orientadora: Fabiana Rodrigues Leta.

1. Visão computacional. 2. Colorimetria. 3. Ensaio não destrutivo. 4. Caracterização do produto. 5. Fruta. I. Título.

CDD 006.37

PADRONIZAÇÃO DE METODOLOGIA PARA CARACTERIZAÇÃO DE COR POR IMAGEM

APLICADA À SELEÇÃO DE FRUTAS

Esta tese foi julgada adequada para a obtenção do título de

DOUTOR EM ENGENHARIA MECÂNICA

na área de concentração de Mecânica dos Sólidos, e aprovada em sua forma final pela Banca Examinadora formada pelos membros abaixo:

__________________________________________________ Prof.ª Fabiana Rodrigues Leta, D. Sc. (Orientador) Universidade Federal Fluminense - PGMEC/UFF

__________________________________________________ Prof. Eder Dutra de Resende, D. Sc.

Universidade Estadual do Norte Fluminense - UENF

__________________________________________________ Prof. Ivan Napoleão Bastos, D. Sc.

Universidade do Estado do Rio de Janeiro - IPRJ/UERJ

__________________________________________________ Prof. Juan Manuel Pardal, D. Sc.

Universidade Federal Fluminense - PGMEC/UFF

__________________________________________________ Prof.ª Maria da Penha Cindra Fonseca, D. Sc.

Universidade Federal Fluminense – PGMEC/UFF

Dedicatória

À minha querida mãezinha, agradeço por seu carinho, sua dedicação, seus

ensinamentos, por meus irmãos e por seu eterno amor.

Para te fazer feliz busquei forças para concluir o que você me incentivou começar.

Sinto que está orgulhosa e feliz, e isto é o que importa.

Muito obrigada por tudo.

Você cumpriu sua missão. Descanse em paz ao lado de Deus.

Citação

“Concede-me, Senhor, a serenidade necessária para aceitar as coisas que não posso

modificar, coragem para modificar as que eu posso e sabedoria para distinguir

uma da outra – vivendo um dia de cada vez, desfrutando um momento de cada vez,

aceitando as dificuldades como um caminho para alcançar a paz, considerando o

mundo pecador como ele é, e não como gostaria que ele fosse, confiando em Deus

para endireitar todas as coisas para que eu possa ser moderadamente feliz nesta

vida e sumamente feliz contigo na eternidade”.

(Oração da Serenidade, autoria do teólogo Rinhold Niebuhr)

Agradecimentos

A Deus, por tudo.

Ao meu marido, Jean Carlos, e minhas queridas filhas, Júlia e Joana, pelo apoio,

carinho, incentivo e permanente inspiração.

Aos meus pais, Zecrildo e Maria da Penha, pela força, compreensão e por tudo que sou.

Aos meus irmãos, Daniela e Junior, à minha cunhada Luciene, e minha comadre Rachel,

pelo apoio, amor e compreensão.

Aos meus amigos por compreenderem minha ausência.

À minha orientadora e amiga, Fabiana, pela confiança, incentivo e ensinamentos.

Aos professores Hans Peter, Fábio Passos e Fernando Mainier, pelo crédito e incentivo.

À Ana pela compreensão, incentivo e ensinamentos.

À Iakyra por permitir a realização deste projeto.

Ao Cláudio, Felipe, Ivo, Marcelo, Márcia, Maurício, Pedro, Rafaela, Regina, Sandra, e a

todos que me incentivaram e que de alguma forma contribuíram para a realização

desta tese.

vii

Resumo

O uso de inspeções automatizadas na agricultura e na indústria de alimentos tem se

tornado uma solução interessante para a análise final da qualidade do produto, e as

características avaliadas envolvem não só aspectos dimensionais, mas também as

características de cor, textura e forma. O maior desafio é combinar a qualidade dos

resultados com a redução dos custos no processo, considerando principalmente a

exatidão e confiabilidade do processo. Para isso, cada sistema deve ser desenvolvido de

forma a considerar a sua reprodutibilidade e rastreabilidade, tornando-se um desafio

para as indústrias e exigindo uma maior interface entre a Engenharia, Metrologia e

Ciência da Computação. Desta forma o objetivo desta tese é definir uma nova

metodologia de ensaio não destrutivo utilizando técnicas de colorimetria e visão

computacional para caracterização de cor por imagem, aplicado à produção integrada de

frutas. O principal foco está na padronização das medidas, considerando aspectos

importantes, tais como os efeitos da iluminação, características do ambiente, tipos de

iluminantes, observadores, etc., além da rastreabilidade do sistema de inspeção

automática e da definição de padrões de cor para a área de fruticultura. De forma a

atender ao objetivo proposto, a banana (Musa sapientum) foi escolhida como estudo de

caso no desenvolvimento desta pesquisa. Como resultado, uma nova metodologia foi

desenvolvida para caracterização das etapas de amadurecimento da banana a partir de

análise colorimétrica, propondo uma padronização para o setor, no que diz respeito à

padronização da classificação das etapas de amadurecimento, um sistema de iluminação

mais eficiente, melhor cor de fundo a ser empregada, e proposta de calibração do

sistema. Além disto, foi desenvolvido um programa computacional para medição de cor

por imagem, e uma metodologia de calibração de um sistema de visão computacional

para análise de cor.

Palavras-chave: Métodos não destrutivos, Colorimetria, Visão Computacional, Frutas,

Padronização, Imagem.

viii

Abstract

The use of automatized inspections in agriculture and in the food industry has

increasingly become an interesting solution for the final analysis of product quality, and

the assessed characteristics involve not only dimensional aspects, but also

characteristics of color, texture and shape. The challenge is to match the quality of the

results with the costs reduction the process, especially considering the accuracy and

reliability of the process. For this, each system must be developed in order to consider

its reproducibility and traceability, making it a challenge for industries and requiring a

greater interface between the engineering, metrology and computing. Thus the aim of

this thesis is to define a new methodology of non-destructive testing using colorimetric

characterization and computer vision for color imaging, applied to integrated fruit

production. The main focus is on standardization of measures considering important

aspects such as the effects of lighting, environment characteristics, types of illuminants,

observers, etc., and the traceability of the automatic inspection system and the setting of

color standards for fruit culture. In order to meet the proposed objective, the banana

(Musa sapientum) was chosen as a case study in the development of this research. As a

result, a new methodology was developed to characterize the ripening stages of bananas

using colorimetric analysis, proposing a standard for the industry with regard to the

proposal of: a standardization of ripening stages classification, an efficient illumination

system, the best background color and a calibration methodology to the system.

Furthermore, a computer program was developed for measuring color by imaging, and a

methodology for calibrating a computer vision system for color analysis.

Keywords: Non-destructive Methods, Colorimetry, Computer Vision, Fruits,

Standardization, Image.

ix

SUMÁRIO

Nomenclatura.......................................................................................................................xiii

Lista de Símbolos..................................................................................................................xv

Lista de Figuras..................................................................................................................xvii

Lista de Tabelas...................................................................................................................xxi

1. Introdução.........................................................................................................................01

1.1. Motivação.................................................................................................................02

1.1.1. As exportações e a importância da Metrologia....................................................03

1.1.2. As exportações de frutas do Brasil.......................................................................04

1.1.3. Ensaios para caracterização de frutas e a falta de padronização do setor............07

1.2. A Banana..................................................................................................................11

1.3. Objetivo da tese........................................................................................................15

1.4. Organização da tese..................................................................................................16

2. Estado da arte....................................................................................................................18

2.1. Classificação de características de frutos.................................................................19

2.1.1. Tomate..................................................................................................................19

2.1.2. Frutas Cítricas......................................................................................................21

2.1.3. Maçã.....................................................................................................................24

2.1.4. Manga...................................................................................................................28

2.1.5. Outras Aplicações................................................................................................29

2.2. Inspeção da cor de frutos..........................................................................................31

2.3. Análise de características da banana e a aplicação da inspeção automática.............40

2.4. Observações finais....................................................................................................45

3. Fundamentação Teórica...................................................................................................47

Sumário x

x

3.1. As teorias e fundamentos da cor...............................................................................48

3.2. Colorimetria..............................................................................................................52

3.3. Iluminação e suas principais características.............................................................58

3.3.1. A padronização da CIE........................................................................................59

3.3.2. Temperatura de cor e Índice de reprodução de cor..............................................62

3.3.3. Fontes luminosas..................................................................................................68

3.4. Sistemas de inspeção automática..............................................................................75

3.5. Análise de cor por imagem.......................................................................................77

3.5.1. Padronização e conversão para o sistema CIEXYZ.............................................79

3.6. Incerteza de medição de um Sistema Colorimétrico................................................82

3.6.1. Fator de radiância espectral..................................................................................82

3.6.2. Coordenadas de cromaticidade.............................................................................86

3.6.3. Temperatura de cor correlata................................................................................88

3.6.4. Índice de reprodução de cor.................................................................................90

4. Materiais e Métodos..........................................................................................................96

4.1. Análise espectral do amadurecimento de frutas.......................................................97

4.1.1. Materiais...............................................................................................................97

4.1.1.1. Instrumentos e Equipamentos........................................................................97

4.1.1.2. Frutas...........................................................................................................101

4.1.2. Método...............................................................................................................103

4.1.2.1. Principais etapas...........................................................................................103

4.1.2.2. Caracterização da fonte de iluminação em TCC e IRC................................104

4.1.2.3. Verificação do sistema espectrocolorimétrico..............................................105

4.1.2.4. Análise espectral de frutas em diferentes etapas de amadurecimento..........106

4.1.2.5. Análise espectral da casca da banana durante o amadurecimento................106

Sumário xi

xi

4.2. Análise da influência da iluminação e da cor do fundo na percepção da cor.........108

4.2.1. Sistema de iluminação preliminar......................................................................108

4.2.1.1. Materiais.......................................................................................................108

4.2.1.2. Método..........................................................................................................109

4.2.2. Sistema Espectrocolorimétrico...........................................................................110

4.2.2.1. Materiais.......................................................................................................110

4.2.2.1.1. Instrumentos e Equipamentos................................................................110

4.2.2.1.2. Fontes.....................................................................................................112

4.2.2.1.3. Fundos....................................................................................................114

4.2.2.2. Método..........................................................................................................114

4.2.2.2.1. Principais etapas.....................................................................................114

4.2.2.2.2. Caracterização da fonte de iluminação em TCC e IRC.........................115

4.2.2.2.3. Caracterização da cor do fundo..............................................................116

4.2.2.2.4. Verificação do sistema espectrocolorimétrico.......................................117

4.2.2.2.5. Análise espectral da casca da banana nas subclasses de

amadurecimento...................................................................................................................118

4.3. Sistema de visão computacional (SVC).................................................................120

4.3.1. Calibração do sistema SVC................................................................................120

4.3.2. Análise da cor da casca da banana por análise de imagem................................121

5. Resultados e Discussões..................................................................................................123

5.1. Análise espectral do amadurecimento de frutas.....................................................123

5.1.1. Caracterização da fonte de iluminação em TCC e IRC.....................................123

5.1.2. Verificação do sistema espectrocolorimétrico...................................................125

5.1.3. Análise espectral de frutas em diferentes etapas de amadurecimento................127

5.1.4. Análise espectral da casca da banana durante o amadurecimento.....................130

Sumário xii

xii

5.2. Análise da influência da iluminação e da cor do fundo na percepção da cor.........138

5.2.1. Sistema de iluminação preliminar......................................................................138

5.2.2. Sistema Espectrocolorimétrico...........................................................................143

5.2.2.1. Caracterização da fonte de iluminação em TCC e IRC................................144

5.2.2.2. Caracterização da cor do fundo....................................................................147

5.2.2.3. Verificação do sistema espectrocolorimétrico..............................................149

5.2.2.4. Análise espectral da casca da banana nas subclasses de amadurecimento...152

5.2.2.4.1. Influência da iluminação na caracterização das subclasses de

amadurecimento da banana...................................................................................................158

5.2.2.4.2. Influência da cor do fundo na caracterização das subclasses de

amadurecimento da banana...................................................................................................162

5.3. Sistema de visão computacional (SVC).................................................................167

5.3.1. Calibração do sistema SVC................................................................................167

5.3.2. Análise da cor da casca da banana por análise de imagem................................172

6. Conclusões e trabalhos futuros......................................................................................174

6.1. Conclusões..............................................................................................................174

6.2. Trabalhos publicados..............................................................................................178

6.3. Trabalhos futuros....................................................................................................179

7. Bibliografia......................................................................................................................181

A. Glossário.......................................................................................................................193

A.1 Termos importante em colorimetria..............................................................................193

A.2 Definições importantes em colorimetria........................................................................206

B. Tabela comparativa das referências..........................................................................223

C. Resultados Adicionais..................................................................................................249

C.1 Coordenadas de cromaticidade da banana usando diferentes fundos e fontes..............249

xiii

Nomenclatura

ABANORTE Associação Central dos Fruticultores do Norte de Minas

ABNT NBR Associação Brasileira de Normas Técnicas

APEX Agência de Promoção de Exportações e Investimentos

ASTA American Spice Trade Association

ASTM American Society for Testing and Materials

BIPM Bureau Internacional de Pesos e Medidas

CCD Charge Coupled Device

CEAGESP Companhia de Entrepostos e Armazéns Gerais de São Paulo

CIE Comissão Internacional de Iluminação (Comission Internationale de L’eclairage)

CMOS Complementary Metal Oxide Semiconductor

Diopt Divisão de Metrologia Óptica do Inmetro

EMBRAPA Empresa Brasileira de Pesquisa Agropecuária

END Ensaios Não Destrutivos

EVA Etil Vinil Acetato

IEC International Electrotechnical Commission

INM Instituto Nacional de Metrologia

Inmetro Instituto Nacional de Metrologia, Normalização e Qualidade Industrial

IRC Índice de Reprodução de Cor

ISO International Standard Organization

ISO GUM Guia para a expressão de incerteza de medição

Lacoe Laboratório de Colorimetria e Espectrofotometria do Inmetro

Laraf Laboratório de Radiometria e Fotometria do Inmetro

LED Diodo Emissor de Luz (do inglês Light Emission Diode)

Nomenclatura xiv

LMDC Laboratório de Metrologia Dimensional e Computacional da UFF

NTC Norma Técnica Colombiana

OMC Organização Mundial do Comércio

PBMH Programa Brasileiro para a Modernização da Horticultura

PIF Produção Integrada de Frutas do Brasil

Ra Índice de Reprodução de Cor Geral

RGB Red (vermelho), Green (verde) e Blue (azul).

Ri Índice de Reprodução de Cor Individual

SI Sistema Internacional de Unidades

SIA Sistema de Inspeção Automática

SVC Sistema de Visão Computacional

TBT Barreiras Técnicas ao Comércio

TC Temperatura de Cor

TCC Temperatura de Cor Correlata

UCS Escala Uniforme de Cromaticidade (uniform chromaticity scale)

UFF Universidade Federal Fluminense

VB Visual Basic

xv

Lista de Símbolos

T [K] kelvin

X - valor triestímulo CIE

Y - valor triestímulo CIE

Z - valor triestímulo CIE

x - coordenada de cromaticidade CIE 1931

y - coordenada de cromaticidade CIE 1931

z - coordenada de cromaticidade CIE 1931

u’ - coordenada de cromaticidade CIE 1976

v’ - coordenada de cromaticidade CIE 1976

- função de equalização de cor CIE 1931



d( ) [nm] intervalo de comprimento de onda

- função de equalização de cor rgb

V( ) - função de eficiência luminosa 1924 da CIE

S( ) - distribuição de potência espectral relativa

( ) - função estímulo de cor

R( ) refletância espectral

( ) transmitância espectral

L* - luminosidade no sistema CIELAB

a* - cromaticidade no sistema CIELAB

b* - cromaticidade no sistema CIELAB

Lista de Símbolos xvi

- diferença de cor no sistema CIELAB

TC [K] temperatura de cor

TCC [K] temperatura de cor correlata

IRC - índice de reprodução de cor

Ra - índice de reprodução de cor geral

Ri - índice de reprodução de cor especial

xvii

Lista de Figuras

1.1 Principais partes de uma bananeira adulta................................................... 12

1.2 Escala de maturação de Von Loesecke........................................................ 14

1.3 Resumo da metodologia proposta................................................................ 17

3.1 Representação espectral do fenômeno da cor.............................................. 50

3.2 Propriedades da cor e sua alteração na distribuição espectral..................... 52

3.3 Experimento da CIE realizado em 1931...................................................... 53

3.4 Funções e ........................................... 53

3.5 Plano X+Y+Z=1 e o diagrama de cromaticidade xy................................... 55

3.6 Colorímetro triestímulo e espectrocolorímetro............................................ 56

3.7 A elipse de Mac Adam para os diagramas CIE (x,y) e CIE (u’,v’)............. 57

3.8 Representação do espaço CIELAB.............................................................. 58

3.9 Distribuição espectral dos iluminantes A e D65........................................... 60

3.10 Distribuição espectral dos iluminantes D..................................................... 60

3.11 Geometrias 45º:0º, 0º:45º e di:8º para medidas por reflexão....................... 62

3.12 Diagrama UCS 1960 e a localização do lócus de Planck............................ 64

3.13 Conjunto de 14 cores de Munsell para cálculo do IRC................................ 67

3.14 Exemplos de lâmpadas incandescentes comuns e refletoras....................... 69

3.15 Exemplos de lâmpadas incandescentes halógenas....................................... 69

3.16 Exemplos de lâmpadas fluorescentes tubulares de baixa pressão................ 71

3.17 Exemplos de lâmpadas de descarga de alta pressão.................................... 72

3.18 Exemplos de distribuições espectrais de lâmpadas comerciais................... 74

3.19 Exemplo de um sistema de inspeção automática......................................... 76

3.20 Filtro de Bayer usado em câmeras digitais.................................................. 78

Lista de Figuras xviii

3.21 Distribuição espectral de câmeras digitais...................................................... 78

4.1 Resumo da metodologia................................................................................. 97

4.2 Esquemático do sistema espectrocolorimétrico do Lacoe.............................. 100

4.3 Diagrama da rastreabilidade do sistema espectrocolorimétrico..................... 101

4.4 Frutas caracterizadas no sistema espectrocolorimétrico................................. 102

4.5 Bananas na subclasse C1 de amadurecimento................................................ 102

4.6 Suporte para posicionamento da banana durante as medições....................... 103

4.7 Sistema experimental preliminar do LMDC................................................... 109

4.8 Frutas observadas sob diferentes tipos de iluminação.................................... 109

4.9 Esquemático do sistema espectrocolorimétrico do Laraf............................... 112

4.10 Cores de fundo utilizadas no sistema espectrocolorimétrico do Laraf........... 114

4.11 Subclasses do amadurecimento da banana..................................................... 118

4.12 Sistema espectrocolorimétrico com sistema de aquisição de imagem........... 120

5.1 Sistema espectrocolorimétrico Lacoe............................................................. 124

5.2 Radiância espectral da lâmpada halógena Fel 676......................................... 124

5.3 Distribuição espectral da lâmpada halógena Fel 676..................................... 124

5.4 Radiância espectral das placas coloridas........................................................ 125

5.5 Fator de radiância das placas vermelha, verde e azul do conjunto DP01....... 126

5.6 Distribuição espectral da banana verde e amarela.......................................... 128

5.7 Distribuição espectral da goiaba verde e amarela........................................... 128

5.8 Distribuição espectral da laranja verde e amarela.......................................... 128

5.9 Distribuição espectral do limão verde e amarelo........................................... 129

5.10 Distribuição espectral da maçã verde e vermelha.......................................... 129

5.11 Distribuição espectral do mamão verde e amarelo......................................... 129

5.12 Distribuição espectral da manga verde e vermelha........................................ 129

Lista de Figuras xix

5.13 Distribuição espectral do maracujá verde e amarelo...................................... 129

5.14 Evolução diária do amadurecimento da banana ‘Prata’................................. 131

5.15 Evolução diária do fator de radiância durante o amadurecimento................. 131

5.16 Média do fator de radiância de cada etapa do amadurecimento da banana... 133

5.17 Evolução da atenuação (680 nm) durante o amadurecimento da banana........ 134

5.18 Evolução de CIELAB durante o amadurecimento da banana ‘Prata’............. 135

5.19 Indicador “a/b” durante o amadurecimento da banana.................................... 136

5.20 Evolução do RCI_banana durante as etapas de amadurecimento................... 137

5.21 Sistema espectrocolorimétrico do Laraf.......................................................... 143

5.22 Radiância espectral das lâmpadas................................................................... 145

5.23 Distribuição espectral das lâmpadas................................................................ 146

5.24 Radiância espectral dos diferentes fundos em E.V.A..................................... 148

5.25 Fator de radiância dos diferentes fundos em E.V.A........................................ 148

5.26 Valores de L*a*b* dos diferentes fundos em E.V.A...................................... 149

5.27 Radiância espectral das placas vermelha, verde e azul medidas no Laraf...... 150

5.28 Fator de radiância das placas vermelha, verde e azul medidas no Laraf......... 150

5.29 Bananas nas subclasses C1 a C7 de amadurecimento..................................... 152

5.30 Bananas na subclasse C6 sob as fontes F01 a F09 sobre o fundo preto.......... 152

5.31 Bananas na subclasse C6 sobre diferentes fundos e sob a fonte F04.............. 153

5.32 Espectro das subclasses das bananas, fonte F01, fundo preto......................... 153




Lista de Figuras xx

5.36 Espectro das subclasses das bananas, fonte F05, fundo preto....................... 155





5.41 Valores de L* para as fontes F01 a F09 para cada subclasse........................ 158

5.42 Valores de b* para as fontes F01 a F09 para cada subclasse........................ 159

5.43 Valores de a* para as fontes F01 a F09 para cada subclasse........................ 159

5.44 E* das fontes usadas com a fonte F04 como referência.............................. 161

5.45 E* das fontes usadas com a fonte F03 como referência.............................. 161

5.46 Desvio de L* dos fundos coloridos com o fundo preto como referência...... 164

5.47 Desvio de b* dos fundos coloridos com o fundo preto como referência...... 164

5.48 Desvio de a* dos fundos coloridos com o fundo preto como referência....... 164

5.49 E* dos fundos usados com a cor preta como referência............................. 165

5.50 Sistema espectrocolorimétrico com sistema de aquisição de imagem.......... 167

5.51 Resposta do SVC em relação às medidas do PR 650.................................... 168

5.52 Valores XYZ do SVC após correção............................................................. 169

xxi

Lista de Tabelas

3.1 Fontes de luz com as respectivas temperaturas de cor correlatas.......................... 65

3.2 Valores de TCC e IRC para algumas fontes de luz............................................... 67

4.1 Instrumentos e padrões do sistema espectrocolorimétrico do Lacoe.................... 98

4.2 Melhor capacidade de medição para o fator de radiância espectral...................... 100

4.3 Melhor capacidade de medição para coordenada de cromaticidade..................... 101

4.4 Instrumentos e Padrões do sistema espectrocolorimétrico do Laraf..................... 111

4.5 Fontes comerciais utilizadas no sistema espectrocolorimétrico do Laraf............. 113

5.1 CCT e IRC da lâmpada halógena Fel 676............................................................. 124

5.2 Resultados das placas vermelha, verde e azul do conjunto DP01......................... 126

5.3 Valores certificados das placas vermelha, verde e azul do conjunto DP01.......... 126

5.4 Comparação das placas vermelha, verde e azul com o certificado....................... 127

5.5 Limite para o fator de radiância de cada subclasse de amadurecimento............... 134

5.6 Limite para o indicador RCI_banana de cada subclasse de amadurecimento....... 137

5.7 Imagens de algumas frutas sob diferentes tipos de iluminação............................. 139

5.8 CCT e IRC das diferentes fontes........................................................................... 146

5.9 Coordenadas de cromaticidade dos diferentes fundos em E.V.A......................... 149

5.10 Resultado das placas vermelha, verde e azul medidos no Laraf........................... 151

5.11 Valores certificados das placas vermelha, verde e azul do conjunto DP01.......... 151

5.12 Comparação das placas vermelha, verde e azul com o certificado....................... 151

5.13 Coordenadas de cromaticidade da subclasse C1, diferentes fundos e fontes........ 157

5.14 Coordenadas de cromaticidade das placas coloridas obtidas pelo SVC................ 168

Lista de Tabelas xxii

5.15 Coordenadas de cromaticidade obtidas a partir do SVC calibrado...................... 170

5.16 Comparação entre o SVC e o sistema espectrofotométrico................................. 171

5.17 Resultado de CIELAB das bananas sob a fonte F03 e sobre o fundo preto......... 173

B.1 Tabela comparativa das referência....................................................................... 224

C.1 Coordenadas de cromaticidade da subclasse C2, diferentes fundos e fontes....... 250






1

Capítulo 1

Introdução

O emprego de técnicas de ensaios nas etapas de processamento e controle da

qualidade de produtos ocasiona inevitavelmente impacto sobre a redução de custos e de

perdas no final da produção. Nos últimos dez anos constatou-se um considerável avanço

nas técnicas de ensaios e os extraordinários recursos disponíveis de eletrônica e de

informática constituíram importantes fatores de desenvolvimento e implementação da

automação, permitindo o monitoramento permanente durante o processo. Tais técnicas

têm evoluído no mercado mundial de forma sistemática, carecendo, porém de

padronização quanto às normas de execução. Diante da crescente demanda de

aceleração dos processos, o desenvolvimento de novos materiais e novas tecnologias,

faz-se necessário possibilitar às indústrias, empresas e centros de pesquisas novas

tecnologias que aperfeiçoem o desempenho dos processos, contribuindo para a melhoria

1. Introdução 2

e otimização dos seus sistemas de forma a propiciar a redução da vulnerabilidade das

suas operações e a padronização deste setor.

1.1 Motivação

A inspeção visual, apesar de ser uma técnica antiga, ainda é um ensaio não

destrutivo (END) largamente utilizado para avaliar as condições de qualidade do

material visto que é de fácil execução, de baixo custo e geralmente não requer

equipamento especial, sendo considerado um método primário nos programas de

controle de qualidade. A inspeção visual requer boa visão, boa condição de iluminação

e experiência do técnico no reconhecimento de defeitos.

Com o desenvolvimento de softwares, câmeras digitais, computadores com

maiores recursos e interfaces, além da redução dos preços e facilidade de acesso às

novas tecnologias, a área de Visão Computacional surge como uma ferramenta para o

desenvolvimento de novas metodologias de ensaios não destrutivos com grandes

aplicações em diversas áreas. A utilização de inspeções automatizadas nas indústrias

vem se tornando cada vez mais uma solução interessante, principalmente para análise de

conformidade, buscas de defeitos, e análise final da qualidade do produto. Ao contrário

dos problemas apresentados para as inspeções visuais realizadas por pessoas, estes tipos

de sistemas podem oferecer repetitividade em medições sem contato, especialmente por

eliminar aspectos como subjetividade, fadiga, lentidão e custo associados à inspeção

humana. Desta forma, são várias as justificativas para o emprego destas novas

metodologias de medição, que pode envolver não apenas aspectos dimensionais, mas

também características de aparência, como no caso de alimentos, tecidos, cosméticos,

tintas, etc., englobando todos os setores industriais.

A utilização de inspeções automatizadas na agricultura e nas indústrias

alimentícias vem se tornando cada vez mais uma solução interessante na análise final da

1. Introdução 3

qualidade do produto, a qual considera características de cor, textura e forma, que são

normalmente os critérios utilizados pelo consumidor na aquisição do produto (Gomes e

Leta, 2012).

O principal desafio para estes sistemas de inspeção por imagem é combinar a

qualidade dos resultados com a redução dos custos e perdas no processo, considerando

principalmente a exatidão e confiabilidade do processo. Para isto cada sistema deve ser

desenvolvido e configurado de forma a considerar sua reprodutibilidade e

rastreabilidade, tornando-se um desafio para as indústrias, exigindo desta forma uma

maior interface das áreas de Engenharia, Metrologia e Computação.

1.1.1 As exportações e a importância da Metrologia

Visando proteger seus mercados, alguns países têm utilizado vários mecanismos

de barreiras comerciais, tarifárias ou não, que dificultam o acesso de mercadorias

importadas. De forma a evitar o abuso no uso de barreiras técnicas pelos diversos

países, a Organização Mundial do Comércio (OMC) firmou o Acordo sobre Barreiras

Técnicas ao Comércio (TBT), que tem como objetivo garantir que as normas,

regulamentos técnicos e procedimentos de avaliação da conformidade não se

transformem em obstáculos desnecessários ao comércio (Inmetro, 2010).

O reconhecimento da equivalência das medições e a sua aceitação pelas

autoridades nacionais reduzem os efeitos das barreiras técnicas ao comércio,

possibilitando o atendimento às normas internacionais e o aumento da confiança entre o

importador e o exportador, viabilizando desta forma as exportações.

Devido à necessidade de padronização das medidas realizadas em diversos

países, foi assinada a Convenção do Metro que criou o Bureau Internacional de Pesos e

Medidas (BIPM), agência formada por especialistas de vários países do mundo que

estuda a uniformização das medidas e a definição e realização das grandezas que

1. Introdução 4

compõem o Sistema Internacional de Unidades (SI). A convenção estabeleceu a forma

global da ciência das medições e sua aplicação nas áreas industrial, comercial e na

sociedade. O objetivo original da Convenção do Metro – a uniformidade das medições

em todo o mundo – permanece importante até hoje (BIPM, 2010).

Contudo, nos últimos anos, têm ocorrido mudanças significativas no mundo, tais

como os efeitos da globalização, preocupações com a saúde e o meio ambiente, novas

tecnologias e o reconhecimento da importância do comércio mundial para o crescimento

da economia, exigindo exatidão, confiabilidade e rastreabilidade das medições,

resultando em benefícios técnicos e econômicos. A necessidade de medição em novas

áreas é um estímulo à inovação tecnológica para o crescimento da economia, impondo a

necessidade de criação de novas metodologias.

1.1.2 As exportações de frutas do Brasil

O Brasil, acompanhando as tendências desse contexto de comercialização, vem

ao longo do tempo aprimorando os processos e garantindo a qualidade de diversos

produtos de forma a atender as exigências internacionais e se posicionar de forma

consistente no mercado global. Em seis anos o comércio de frutas cresceu

significativamente, saindo dos cerca de US$ 200 milhões em 2001 para quase US$ 700

milhões em 2011 (MDIC, 2012). Até o ano de 2007 o Brasil ocupava o 3º lugar no

mundo na produção de frutas, com 42 milhões de toneladas produzidas de um total de

340 milhões de toneladas colhidas em todo o mundo anualmente, perdendo para a China

e a Índia (Embrapa, 2010).

A maior parte das frutas brasileiras é vendida para os EUA e países da Europa.

Os grandes importadores atuais são EUA, Alemanha, Espanha, Inglaterra, Portugal e

França. A meta da Agência de Promoção de Exportações e Investimentos (APEX) é

estender as vendas para a Ásia e o Oriente Médio, entre outras regiões com grande

1. Introdução 5

mercado potencial, como Rússia, Leste Europeu e América Latina. As frutas manga,

melão, uva, banana, maçã, mamão papaia, lima ácida, laranja, tangerina, melancia e

abacaxi representam 99% das exportações brasileiras (Apex, 2010).

Existem grandes expectativas para que o Brasil se torne a grande potência

mundial em exportação de frutas, devido à sua grande área territorial que ainda não é

totalmente cultivada, além do clima propício para o cultivo de muitas variedades de

frutas durante todo o ano. Porém, alguns problemas na produção ainda impedem que

este setor cresça conforme suas capacidades. As perdas no mercado interno chegam a

40% do total do volume apresentado na produção e o mau uso das técnicas de manejo

do solo e da plantação, a falta de estrutura de armazenamento, logística, embalagens

inadequadas e a desinformação do produtor contribuem para o aumento dessas perdas

(Abanorte, 2010).

Para atender a todos os pré-requisitos e lidar com seu alto nível de perecibilidade

e fragilidade que são intrínsecos, a fruta exige um complexo sistema de plantio,

colheita, tratamento pós-colheita, armazenagem, transporte e exposição nos pontos de

venda, e todo esse sistema é muitas vezes inacessível para os produtores brasileiros.

Desta forma, com o objetivo de aumentar as exportações brasileiras e atender às

exigências internacionais, têm-se implementado sistemas de qualidade, tanto do setor

privado, como no governamental, destacando-se o Programa “Produção Integrada de

Frutas do Brasil” (PIF/Brasil) do Governo Federal (Inmetro, 2010).

O principal objetivo do PIF é substituir as práticas convencionais de alto custo e

perdas, por um processo que possibilite a diminuição dos custos de produção, melhoria

da qualidade, redução dos danos ambientais e aumento do grau de credibilidade e

confiabilidade do consumidor em relação às frutas brasileiras. O PIF envolve as

seguintes áreas: Regulamentos técnicos, Normas, Avaliação da conformidade,

1. Introdução 6

Registros, Certificação, Sanidade dos produtos, Rastreabilidade, Qualidade dos

produtos, Produtos não geneticamente modificados, Tecnologias de gestão, Boas

práticas de fabricação e Segurança dos alimentos.

As normas brasileiras para a classificação de frutas foram criadas a partir do

Programa Brasileiro para a Modernização da Horticultura (PBMH), onde foram

definidos critérios específicos para a avaliação de diversas frutas (Inmetro, 2010). A

classificação é a comparação do produto com padrões pré-estabelecidos, enquadrando-o

em grupos, classes e tipos. Através da classificação é possível obter-se um produto em

lotes homogêneos, caracterizados por tamanho, cor e qualidade. Uma norma de

classificação deve garantir a homogeneidade visual do lote; utilizar características

mensuráveis; abranger todo o lote; atender às exigências do mercado; e ser de fácil

adoção pelos produtores.

As normas orientam que os lotes das frutas sejam caracterizados por seu grupo,

classe (tamanho), subclasse (estádio1 de maturação), modo de apresentação e categoria

(qualidade) e os selos de conformidade aderidos às embalagens das frutas, informam ao

consumidor sobre: (i) procedência dos produtos; (ii) procedimentos técnicos

operacionais adotados; e (iii) produtos utilizados no processo produtivo, dando

transparência ao sistema e confiabilidade ao consumidor, possibilitando que a fruta

possa ser identificada desde a fonte de produção até o seu destino final, a

comercialização. As frutas que se encontram hoje em processo no programa PIF são:

maçã, uva, manga, mamão, citros, banana, pêssego, figo, melão, caju, coco, caqui,

goiaba, abacaxi e maracujá (Inmetro, 2010).

1 Estádio de maturação é o termo usado para indicar o estado de maturação do fruto.

1. Introdução 7

1.1.3 Ensaios para caracterização de frutas e a falta de padronização do setor

As frutas apresentam uma grande variedade de formas, tamanhos, cores e

sabores e à medida que o mercado torna-se mais exigente, as frutas passam a ser

subdivididas de várias maneiras e a serem destinadas a diferentes segmentos. A

definição e a caracterização destes diferentes atributos são muito importantes para a

comercialização e para o consumidor final, fazendo-se necessário o estabelecimento de

normas de classificação e padronização para unificar a linguagem do mercado e

possibilitar uma comercialização mais eficiente e maior conscientização do consumidor.

A definição de normas é muito importante para todos os segmentos envolvidos na

produção, principalmente para os agricultores e os técnicos, visando atender as barreiras

técnicas impostas pelo mercado internacional.

Os produtos da fruticultura são caracterizados por vários atributos quantitativos,

como tamanho e peso, e qualitativos, como forma, cor, grau de maturação e aspecto

visual. Quando limites ou medidas são estabelecidos para estes atributos, determinam-se

os padrões do produto. Os padrões servem como pontos de referência ou modelos para

que se compare e avalie o grau de semelhança dos demais exemplares do mesmo

produto. Além do produto, a padronização abrange também a embalagem, apresentação,

identificação e outros aspectos.

A aparência fresca e consistente, textura aceitável, sabor e aroma característicos,

além de vida de prateleira suficiente para que sobrevivam ao sistema de distribuição,

são determinantes da qualidade do produto. No entanto, a qualidade da fruta pode ser

afetada por diversos fatores durante o processo, tais como nas etapas de processamento,

enxágue e sanitização2, manejo, embalagem, etc. Porém um dos fatores de maior

influência na qualidade da fruta é o grau de maturidade no momento da colheita, visto 2Sanitização é a técnica empregada nas indústrias de alimentos para obtenção de condições higiênicas indispensáveis

a um produto de boa qualidade (Moreti, 2001).

1. Introdução 8

que produtos colhidos imaturos não desenvolvem adequadamente suas características

normais, tais como, cor, sabor, aroma, textura, etc., e quando colhidos muito maduros,

apresentam uma pequena vida útil.

O ciclo vital das frutas inicia-se com a fertilização, seguida pelas etapas da

formação, crescimento, maturação e senescência. O desenvolvimento (formação,

crescimento e maturação) ocorre mediante uma série dinâmica de processos fisiológicos

e bioquímicos geneticamente programados, culminando com a senescência e morte

celular.

As frutas carnosas ou polpudas são normalmente colhidas na fase da maturação

na qual ocorre uma sequência de transformações na cor, na textura, no aroma e no

sabor, devido a transformações físicas, químicas e bioquímicas, que as tornam

apropriadas para o consumo. A fase final da maturação é denominada como

amadurecimento.

As frutas podem ser classificadas em climatérias ou não-climatérias, de acordo

com seu potencial de amadurecimento após a colheita, que varia em função da sua

atividade respiratória e conseqüente produção de etileno durante esta fase (Chitarra e

Chitarra, 2005). As frutas climatérias são aquelas que podem amadurecer na planta ou

após a colheita, e quando colhidas, apresentam uma rápida atividade respiratória,

produzindo maiores quantidades de etileno (exemplo: banana). Já as frutas consideradas

não-climatérias são aquelas que só completam o amadurecimento quando permanecem

na planta, apresentam uma lenta atividade respiratória e produzem pequenas

quantidades de etileno (exemplo: frutas cítricas) (Chitarra e Chitarra, 2005).

Durante o amadurecimento, o fruto torna-se mais macio e mais colorido em

decorrência da degradação e do desenvolvimento acentuado de pigmentos. Os principais

pigmentos responsáveis pela aparência colorida das frutas são a clorofila (azul-

1. Introdução 9

esverdeado ao verde-amarelado), carotenóides (vermelho, laranja, amarelo ou marrom)

e flavonóides (antocianidinas) (azul, vermelho, púrpura e amarelo) (Chitarra e Chitarra,

2005).

A clorofila é abundante nos produtos de cor verde, principalmente nas frutas

jovens. Com a evolução da maturação há a degradação da clorofila, tornando visíveis

pigmentos pré-existentes, ou possibilitando a síntese de novos pigmentos responsáveis

pela coloração característica de cada espécie. A perda da cor verde é utilizada como

indicativo ou guia da maturidade. Os carotenóides3 são, em geral, pigmentos de cor

amarela, laranja ou vermelha, e podem já estar presentes na fruta, tornando-se visíveis

com a degradação da clorofila, ou podem ser sintetizados simultaneamente, com a

degradação desta. A maioria das frutas de coloração vermelha, púrpura ou violeta é rica

em flavonóides4 (antocianidinas). Como são de tons mais intensos, em geral ocultam a

cor devido à clorofila e aos carotenóides, mascarando a coloração dos outros pigmentos.

A cor da casca da fruta é um bom indicador para descrever o seu estádio de

amadurecimento ou a sua qualidade. Cada fruta apresenta diferentes tipos e

concentrações de pigmentos que absorvem radiações eletromagnéticas no comprimento

de onda do visível e a diferença de coloração de cada fruta pode ser determinada em

função da radiação refletida na superfície. Os principais pigmentos das frutas que

apresentam absorção da radiação eletromagnética na região do visível, de acordo com

Chitarra e Chitarra (2005), são a clorofila, os carotenóides, as antocianinas, enquanto

que a água, os carboidratos, as gorduras e as proteínas apresentam absorção na região do

infravermelho próximo.

3 Carotenóides (nome genérico do caroteno) são grupos de pigmentos lipossolúveis encontrados em vegetais verdes,

amarelos e folhosos, e em frutas amarelas. (fonte: http://www.academicoo.com). 4Flavonóides são compostos químicos que podem ser encontrados em frutas, vegetais, chás, vinho, chocolate e etc.

(fonte: http://www.academicoo.com).

1. Introdução 10

A coloração está diretamente relacionada com a percepção da aparência da fruta

pelo consumidor e é usada como parâmetro de seleção, sendo importante que a fruta

apresente intensidade e uniformidade de coloração, o qual pode ser avaliado a partir da

casca da fruta empregando ensaios não destrutivos. Este tipo de classificação, mesmo

depois da automação de diversos setores industriais, ainda é uma tarefa, na maioria dos

casos, realizada manualmente, principalmente para os pequenos e médios produtores.

Para examinar a qualidade das frutas distribuídas no mercado, vários ensaios são

realizados de forma a monitorar suas qualidades quantitativamente ou qualitativamente.

De acordo com Chitarra e Chitarra (2005) os métodos para análise de produtos da

horticultura dividem-se em subjetivos, aqueles que utilizam métodos sensoriais, e

objetivos; e ambos também são classificados em destrutivos ou não destrutivos. Os

métodos subjetivos utilizam os sentidos humanos, como tato, olfato, paladar e visão e

são correlacionados com as medições físicas objetivas, que avaliam a forma, o volume,

o tamanho, a densidade, a umidade, textura e cor, sendo determinados com o auxílio de

equipamentos, empregando diversas metodologias.

Atualmente existem inúmeros estudos sobre a utilização da visão computacional

como solução para a classificação automática de frutas, com o objetivo de realizar a sua

classificação e seleção de forma automatizada, sendo que muitos desses estudos estão

voltados para a classificação de laranjas e maçãs (Kondo et al., 2000; Li et al., 2002;

Simões e Costa, 2003; Unay e Gosselin, 2006; Gomez et al., 2008 e Xiao-bo et al.,

2010). Por ser o sistema de classificação uma etapa importante do processamento na

produção da fruta, outros autores têm dedicado pesquisas no desenvolvimento de

sistemas automatizados para melhoria deste processo (Louro et al., 2006; Zheng et al.,

2006).

1. Introdução 11

Porém a preocupação quanto à padronização das cores para a classificação dos

estádios ainda é muito pequena. Os efeitos da iluminação, geometria, cores do ambiente,

tipos de iluminantes, observadores, etc., apresentam-se como fatores importantes na

análise das cores, e ainda são pouco considerados nos sistemas de inspeção automática

utilizados hoje nas indústrias.

1.2 A Banana

A banana (Musa sapientum) é uma fruta climatéria (Embrapa, 2001, 2006)

produzida na maioria dos países tropicais. A banana é uma das frutas mais consumidas

mundialmente e sua produção tem aumentado anualmente, sendo o Brasil um dos quatro

maiores produtores mundiais. A boa aceitação da banana deve-se ao seu alto valor

nutricional, constituindo fonte de calorias, vitaminas e minerais de baixo custo. É o

fruto partenocárpico (fruto sem formação de semente e em geral sem prévia fecundação)

comestível da bananeira (da família das Musáceas) originada no continente asiático e

cultivada em todos os estados brasileiros, com maior concentração nos estados de São

Paulo, Bahia, Pará, Santa Catarina e Minas Gerais (Embrapa, 2006).

A bananeira (figura 1.1) é uma planta não-lenhosa, cujo falso tronco é formado

por camadas sucessivas de folhas sobrepostas (bainha foliar), constituindo um conjunto

rígido. O caule verdadeiro, denominado rizoma, é curto e subterrâneo e constitui um

órgão de reserva onde se inserem as raízes. Do centro da copa das folhas emerge a

inflorescência (prolongamento semelhante ao caule provido de folhas modificadas onde

se localizam as flores) que é denominada de cacho. O cacho é constituído pelo engaço,

pencas, ráquis e coração (figura 1.1). De um modo geral, os frutos da bananeira são

produzidos por partenocarpia e sem a presença de sementes (sementes frágeis e

pequenas), e crescem uma única vez, devendo o pseudocaule ser cortado após a colheita

para fortificar o rizoma, que fornecerá novos brotos, que são chamados de rebentos

http://pt.wikipedia.org/wiki/Caule

http://pt.wikipedia.org/wiki/Folha_%28bot%C3%A2nica%29

1. Introdução 12

(filhos), que surgem na base da planta, possibilitando a renovação permanente dos

bananais.

Fig. 1.1: Principais partes de uma bananeira adulta (Adaptado de Feriotti, 2010).

As bananas passam pelo ciclo vital comum das frutas, que são formação,

crescimento, maturação e senescência. A fase de maturação é caracterizada por

mudanças físicas e químicas que afetam as características do fruto, e o seu

amadurecimento (fase final da maturação) é marcado por um aumento da taxa

respiratória e da produção de etileno (climatério), seguido por um declínio desta

produção, o que sinaliza o início da senescência (morte das células). A banana é

considerada uma fruta altamente perecível devido a sua alta taxa de respiração,

apresentando um alto índice de perdas na comercialização.

A modificação mais característica ocorrida durante o amadurecimento da banana

é o amarelecimento da casca. A clorofila, responsável pela coloração verde da casca, é

degradada durante o amadurecimento, possibilitando a percepção da cor amarela

1. Introdução 13

característica dos carotenóides, já presentes na fruta (Embrapa, 2001). As melhores

condições ambientais para armazenamento da banana são: temperatura entre 14ºC a

24ºC e umidade relativa de 85% a 90%. Quanto mais alta a temperatura, mais rápido

será o amadurecimento (Embrapa, 2006).

No Brasil, a Companhia de Entrepostos e Armazéns Gerais de São Paulo -

CEAGESP orienta a seguinte classificação para a comercialização da banana:

Grupo: Representa a classificação quanto ao genoma da banana, A ou B, que fornece a

identificação do tipo (Ex. Prata, Ouro, Maçã e etc.).

Classe: Garante a homogeneidade quanto ao tamanho dos frutos.

Subclasse: Separa os frutos de acordo com a sua maturação. Esta classificação é

realizada através da coloração de cada fruto.

Apresentação: Se refere à quantidade de frutos (Ex: Dedo, Buquê, Penca).

As variedades de banana mais difundidas no Brasil são as do grupo Prata (Prata,

Pacovan e Prata Anã), Maçã e Terra e as do grupo Cavendish (Nanica, Nanicão e

Grande Naine). As variedades Prata, Prata Anã e Pacovan ocupam aproximadamente

60% da área cultivada com banana no Brasil (Embrapa, 2006).

Dentre os parâmetros a serem avaliados o de maior complexidade é a

determinação da subclasse, que avalia o fruto quanto à maturação. A figura 1.2 descreve

a classificação da CEAGESP para a banana quanto aos estádios de maturação. Na

coluna do lado direito da figura 1.2 é apresentada a interpretação da cor adotada por

alguns agricultores na seleção das frutas. Esta avaliação é realizada de acordo com a

coloração do fruto, porém, não há uma definição técnica a respeito das diferentes cores

a classificar visto que a norma existente (CEAGESP, 2006) especifica somente a foto de

cada subclasse para posterior comparação.

1. Introdução 14

Nº Classificação

Descrição da Classificação Foto Classificação Interpretação da Classificação

pelos Agricultores

01 Verde

Cor normal na colheita

02 Verde Claro

Primeira mudança de cor durante o processo de

amadurecimento

03 Verde Amarelado

Mudança pronunciada de cor. Ideal para ser enviada ao varejista em estações de

clima temperado

04 Mais amarelado

do que verde

Cor recomendada para ser enviada ao varejista em estações de clima frio. Ideal para exposição ao

varejista

05 Amarelada com

pontas verdes

Máximo amadurecimento para exposição ao varejista

06 Totalmente amarela

Ideal para consumo

07 Amarelas com

pintas marrons

Completamente madura, com melhor sabor e maior valor

nutritivo

Fig. 1.2: Escala de maturação de Von Loesecke (CEAGESP, 2006).

1. Introdução 15

1.3 Objetivo da tese

A partir da contextualização e formulação do problema apresentado, que

consideram a grande importância da utilização dos ensaios não destrutivos na indústria

de produtos agrícolas e a necessidade crescente de desenvolvimento de novas

metodologias, além da importância da produção e comercialização de frutas para o país

e a necessidade de padronização dos ensaios, tem-se o suporte na definição do objetivo

desta pesquisa que consiste em: “Padronização de metodologia para caracterização de

cor por imagem aplicada à seleção e classificação de frutas”.

Desta forma, o objetivo desta tese é definir uma nova metodologia de ensaio não

destrutivo utilizando técnicas de colorimetria e visão computacional para caracterização

de cor por imagem, aplicada à produção integrada de frutas com foco na padronização

das medidas, considerando aspectos importantes, tais como os efeitos da iluminação,

características do ambiente, tipos de iluminantes, observadores, etc., além da

rastreabilidade do sistema de inspeção automática e da definição de padrões de cor para

a área de fruticultura.

De forma a atender ao objetivo proposto, a banana foi escolhida como estudo de

caso no desenvolvimento desta pesquisa, e como resultado, uma nova metodologia foi

desenvolvida para caracterização das etapas de amadurecimento da banana a partir de

análise colorimétrica, propondo uma padronização para o setor, no que diz respeito a



sistema. Além disto, foi desenvolvido um programa computacional para medição de cor

por imagem, e uma metodologia de calibração de um sistema de visão computacional

para análise de cor.

1. Introdução 16

A aplicação de técnicas metrológicas na caracterização de frutas, além da

padronização da nova metodologia desenvolvida, torna o trabalho inédito no setor e de

grande importância para a exportação brasileira.

1.4 Organização da tese

Esta tese está organizada em seis capítulos, sendo o primeiro destinado a

apresentar a motivação e justificativa do tema. A motivação aborda uma discussão sobre

a importância da metrologia para a exportação brasileira, as exigências internacionais e

a importância da rastreabilidade neste setor, ressaltando a falta de padronização na etapa

de classificação de frutas.

O capítulo 2 reúne referências bibliográficas que apresentam metodologias com

aplicação em sistemas de inspeção visual na agricultura e indústria alimentícia, além de

bibliografias que focam a inspeção de características e a inspeção da cor de frutas,

identificando os problemas atuais e seu estado da arte. No capítulo 3 é feita uma revisão

teórica dos principais conceitos a serem abordados no desenvolvimento da tese. Nesta

revisão teórica é apresentado teorias e modelos de cores, além da padronização criada

pela CIE para o emprego de iluminantes na metrologia e uma discussão sobre os

principais tipos de iluminação e suas principais características.

O capítulo 4 apresenta a metodologia de análise de cor de frutas, desenvolvida

nesta tese, usando técnicas instrumentais e visão computacional. O fluxograma da figura

1.3 resume a metodologia desenvolvida nesta pesquisa.

1. Introdução 17

Fig. 1.3: Resumo da metodologia proposta.

No capítulo 5 são apresentados os resultados obtidos e discussões, com posterior

conclusão e proposta de trabalhos futuros apresentada no capítulo 6.

Nos apêndices apresentam-se algumas informações que agregam conhecimentos

à pesquisa teórica realizada. No apêndice A é elaborado um glossário de alguns termos

importantes em Colorimetria (A.1) e algumas definições importantes empregadas em

colorimetria devido à carência de bibliografias nesta área (A.2). No apêndice B é

apresentada uma tabela comparativa das referências consultadas durante esta pesquisa

de forma a proporcionar uma melhor percepção das discussões abordadas nos artigos

analisados. No apêndice C encontram-se os resultados obtidos na análise de cor da casca

da banana usando diferentes fontes e fundos, complementando os resultados

apresentados no capítulo 5.

Avaliação da cor para

classificação do amadureci-

mento da fruta

Estudo da amostra

Calibração do sistema de medição

Estudo da cor do fundo usado de

apoio

Estudo da fonte de iluminação

18

Capítulo 2

Estado da arte

A tendência do aumento do uso de novas tecnologias de processo e o grande

custo do controle de qualidade, devido às novas restrições do mercado, tem induzido a

necessidade de automatização dos processos nas indústrias e favorecido cada vez mais o

desenvolvimento de novas metodologias para a otimização desses processos.

A revisão bibliográfica, apresentada a seguir, enfoca trabalhos que abordam

métodos não destrutivos utilizando Visão Computacional, demonstrando suas

aplicações e o seu estado da arte no setor alimentício, com foco na caracterização de cor

por imagem aplicada à seleção e classificação de frutas, e de suas diversas

características, tais como forma, textura, rugosidade e cor, além de publicações que

abordam estudos de características da banana.

No apêndice B encontra-se uma tabela que permite uma rápida análise dos

artigos citados neste capítulo de revisão bibliográfica. Na tabela A.B.1, organizada em

2. Estado da Arte 19

ordem cronológica, são apresentados para cada artigo analisado: título, autores, revista,

ano, produto abordado, tipo, sistema de cor empregado, característica estudada e

resumo/conclusão, etc.. Gomes e Leta (2012) apresentam uma síntese desta revisão,

descrevendo a aplicação dos sistemas de inspeção visual na agricultura e indústria

alimentícia.

2.1 Classificação de características de frutos

Com o aumento das exportações de frutos e da exigência pela qualidade, os

países desenvolveram seus critérios de aceitação e os parâmetros de qualidade para os

frutos comercializados. Com o objetivo de aumentar a eficiência do processamento para

atender às estas exigências, diversos trabalhos têm sido desenvolvidos nos últimos dez

anos, demonstrando as diversas aplicações da Visão Computacional neste setor.

2.1.1 Tomate

A aparência do tomate é um dos importantes parâmetros para avaliar a sua

qualidade e para isto algumas características devem ser analisadas, tais como o

tamanho, a forma tridimensional, a cor e a uniformidade da cor, além da observação de

possíveis defeitos. Todos estes aspectos foram estudados por Jahns et al. (2001)

utilizando lógica nebulosa, demonstrando a importância da Visão Computacional na

inspeção deste fruto. Neste trabalho Jahns et al. (2001) tiveram como objetivo a

classificação de tomates visando atender principalmente aos requisitos definidos na

regulamentação americana quanto à qualidade deste fruto. Para isto foi usado, a partir

do sistema RGB, a normalização do R, o índice de G e o comprimento de onda

dominante como índice de maturidade.

Polder et al. (2003) também analisaram estas características em tempo real,

mostrando que dois componentes principais da distribuição espectral da imagem do

amadurecimento do tomate correspondem à diminuição da clorofila e ao aumento do


caroteno, demonstrando que a distribuição de cor é suficiente para acompanhar o

amadurecimento.

Nagata et al. (2004) realizaram uma comparação da efetividade de três modelos

de cor na estimativa do amadurecimento do tomate usando parâmetros da imagem, tal

como histograma e análise discriminante linear como um modelo estatístico de

classificação. As imagens foram processadas em histogramas usando RGB, HSV e CIE

Lab. Todos os modelos classificaram entre 80 a 100% das amostras e a média da taxa de

classificação foi de 62,5% para o HSV e 60% para o CIELAB, muito melhores que o

RGB com 35%.

Louro et al. (2006) apresentaram um trabalho com o objetivo de classificar

tomates utilizando redes neurais artificiais e avaliar seu desempenho comparando o

resultado com as respostas de um especialista. Técnicas de processamento de imagens e

redes neurais foram aplicadas para classificar tomates em quatro classes diferentes

baseadas em seu tamanho e cor. Imagens de 102 tomates pertencentes ao grupo saladete

foram digitalizadas através de um webcam. Depois suas características de cor e forma

foram extraídas de cada imagem e então essas características foram apresentadas a uma

combinação de duas redes neurais. Na aquisição das imagens, inicialmente Louro et al.

usaram um fundo preto, porém este não se mostrou adequado, sendo trocado por um

fundo branco, que, de acordo com Louro et al. facilitou de forma substancial a fase de

segmentação. Louro também conclui que o espaço RGB utilizado não foi eficiente,

sugerindo em próximos estudos empregar o sistema CIE Lab.

Lino et al. (2008) classificaram a forma, volume e cor em frutas, aplicados em

tomates e limões. De acordo com Lino et al. a implantação tecnológica dos sofisticados

sistemas de classificação de frutas se torna de difícil acesso para pequenos e médios

produtores, devido ao alto custo de softwares, equipamentos, além dos custos


operacionais. Com base nessas considerações Lino estudou a adaptação de um novo

software, com código-fonte aberto para habilitar o sistema de classificação

reconhecendo forma, volume, cor e possivelmente danos.

2.1.2 Frutas Cítricas

Pesquisas também têm sido desenvolvidas para a melhoria do processamento

das frutas cítricas visando a seleção destas em função dos defeitos, tais como manchas,

injúrias, etc. (Blasco et al. 2007a, 2007b, 2009a; Gomez et al., 2007 e Gomez-Sanchez

et al., 2008). Esses trabalhos são interessantes devido ao uso de imagens

multiespectrais. O trabalho realizado por Gomez et al. em 2007 refere-se a essa recente

tecnologia que permite a análise de uma imagem de diferentes comprimentos de onda e

o resultado espectral pode ser usado para ajudar a identificar conhecidos tipos de

defeitos.

Blasco et al. (2007a) propuseram um algoritmo de segmentação por região

orientada para detetar um defeito comum na casca de frutas cítricas, permitindo a

segmentação de pequenos defeitos. Com algoritmo de segmentação com região

orientada o contraste entre áreas diferentes na imagem tornam-se mais importante que o

pixel colorido individual, resolvendo assim problemas de variações de iluminação e

variedade das cores naturais das frutas. O algoritmo foi testado em diferentes tipos de

laranja e mandarins com defeitos e o algoritmo foi capaz de acertar 95% dos defeitos

analisados.

Blasco et al. (2007b) direcionaram sua pesquisa no uso da radiação

infravermelha, ultravioleta e fluorescente nos sistemas de Visão Computacional para

identificação de defeitos comuns em frutas cítricas, empregando algoritmos que

combinam essas diferentes informações espectrais (incluindo a região visível) para

classificar a fruta de acordo com o tipo de defeito. O resultado obtido mostra que a


contribuição da informação da região não-visível pode prover a deteção e identificação

de alguns defeitos. Comparado com os resultados de imagens coloridas, a exatidão da

deteção de antracnose (doença causada por fungos) aumentou 86% com o emprego de

imagens do infravermelho, e a exatidão de mofo verde aumentou de 65% a 94% usando

imagens fluorescentes. Blasco et al. (2007b) também compararam a análise da cor na

caracterização dos defeitos em diferentes sistemas, RGB, XYZ, HSI, La*b* e Lu*v*,

sendo que o HSI apresentou o melhor desempenho por melhor representar as pequenas

variações de cores nas amostras (a cor laranja da casca e a cor cinza ou marrom de

alguns defeitos e o verde do talo).

Blasco et al. (2009a) desenvolveram um sistema para identificar os tipos de

defeitos externos usando Visão Computacional multiespectral. Os parâmetros

morfológicos e espectrais, tal como a cor, área, comprimento, largura e raio foram

calculados. Essas informações foram combinadas para identificar e distinguir entre os

diferentes tipos de defeitos e para separar a fruta de acordo com a severidade do defeito,

obtendo 86% de sucesso na separação de 2000 laranjas.

Ramalho e Medeiros (2003) propuseram um algoritmo de processamento de

imagens aplicado à extração automática de características de frutas a partir de imagens

digitais em níveis de cinza. A metodologia proposta avalia de forma não destrutiva a

qualidade das frutas usando as características de tamanho, forma, cor e rugosidade

extraídas da análise de imagens monocromáticas. A cor da laranja foi estimada a partir

da análise do histograma de níveis de cinza de uma região retangular, calculando-se a

intensidade média dos tons de cinza nessa região. De acordo com Ramalho e Medeiros

(2003) uma laranja verde-amarelada tem intensidade média de cinza (Im) no terço

médio do histograma, para laranjas verdes o valor de Im tende para o terço inferior e

para laranjas amarelas tende para o terço superior. Estes algoritmos foram testados em


um sistema experimental automático de inspeção visual de laranjas visando à

incorporação deste em um sistema de classificação e seleção automática de frutas.

Omid et al. (2010) desenvolveram uma técnica de processamento de imagem

para determinar o volume e a massa de frutas cítricas tal como limões, limas, laranjas e

tangerinas. A técnica baseia-se na aquisição de imagem realizada por duas câmeras

posicionadas perpendicularmente à fruta. Um fundo branco foi utilizado na aquisição

das imagens e os sistemas RGB, HSI, L*a*b* foram testados nas análises. Um

algoritmo foi desenvolvido na linguagem de Visual Basic (VB), e os resultados

encontrados foram bons, indicando que o tamanho da fruta não influencia na exatidão

do cálculo do volume.

Gomez-Sanchez et al. (2008) abordaram que alguns problemas surgidos na

inspeção de imagem de alguns produtos foram devido à forma esférica, como é o caso

de laranjas, peras, tomates, maçãs, etc. A metodologia apresentada usa um sistema de

Visão Computacional hiperespectral (informações espaciais e espectrais da cena)

baseada em filtros de cristal líquido harmonioso que minimiza o efeito produzido pela

curvatura da fruta sobre a intensidade da radiação capturada pela câmera. O

experimento mostra que aplicando este método o nível de cinza do pixel é

homogeneizado a uma mesma classe, independente da região de origem na superfície da

fruta, reduzindo também o desvio padrão, no qual facilita a posterior classificação.

Garcia et al. (2010) abordaram os problemas apresentados na deteção visual de

defeitos na classificação de frutas devido à dependência da aparência da fruta. O

trabalho desenvolvido aborda a determinação de defeitos em frutas cítricas, onde a

análise visual apresenta grande imprecisão devido a sua textura e cor. O método

desenvolvido baseia-se na análise de imagem por multivariável e o emprego da análise

do componente principal para a análise do defeito da casca da laranja. Foram testadas


120 amostras de laranjas e mandarins, obtendo-se 91,5% de sucesso na deteção de

defeitos.

2.1.3 Maçã

A maçã é uma das frutas mais consumidas no mundo e desta forma apresenta

uma maior quantidade de artigos relacionados a seus sistemas de processamento, tanto

para verificar sua taxa de crescimento e amadurecimento (Stajnko et al., 2004 e 2005),

quanto para a seleção através de algumas características, tais como o tamanho, a forma,

a cor, etc. (Li et al., 2002; Blasco et al., 2003; Zhu et al., 2007; Zou et al. 2007 e 2009,

Kavdir e Guyer, 2008). Maçãs são perecíveis e a presença de machucados na sua casca

afeta não somente a sua aparência, que é um importante índice de qualidade, mas

também acelera sua deterioração. Assim um sistema efetivo de remoção de maçãs

danificadas possibilita manter a qualidade dos produtos nos lotes e é uma das etapas

essenciais do processamento da maçã.

Li et al. (2002) desenvolveram um sistema experimental automatizado para

detectar defeitos da superfície da maçã baseado na tecnologia de imagem. O sistema

tem a vantagem de ser capaz de inspecionar simultaneamente quatro lados de cada maçã

na linha de processamento. O método foi desenvolvido para remover o fundo da

imagem, segmentar os defeitos e identificar algumas áreas na maçã. Os resultados

mostraram que o sistema é prático e acessível, e que o algoritmo proposto de detecção

dos defeitos é efetivo.

Blasco et al. (2003) desenvolveram uma técnica de Visão Computacional para

estimar a qualidade de laranjas, peras e maçãs, e avaliar a eficiência dessas técnicas

quanto aos atributos: tamanho, cor, etc. De acordo com Blasco et al. (2003) o método de

segmentação é rápido e apropriado para processos em linha, mas depende da cor do

objeto a ser inspecionado, necessitando de um operador. O procedimento de


segmentação baseado na análise discriminante Bayesiana permitiu que as frutas fossem

precisamente distinguidas do fundo. As estimativas da cor das frutas pelo sistema foram

bem correlacionadas com o valor do padrão. A classificação do sistema foi testada em

linha com maçãs obtendo um bom desempenho quando as frutas foram classificadas em

batelada. A precisão e repetitividade do sistema foram similares àquelas exigidas nos

padrões de classificação.

Stajnko et al. (2004) desenvolveram um novo método para estimar o número de

maçãs e seu respectivo diâmetro em pomares. Uma câmera térmica foi usada para

capturar as imagens das macieiras cinco vezes durante o período de safra. As imagens

foram processadas usando vários algoritmos e o coeficiente de correlação R2 foi

estabelecido de 0,83 a 0,88 entre a medida manual da fruta e o estimado pelo algoritmo.

Stajnko et al. (2004) adotaram um novo índice para separar as características pela

análise da cor chamado de índice de diferença normalizada (NDI=(g-r)/(g+r)). O NDI

tem valores entre -1 a 1, pois é computado para todos os valores de pixel da imagem.

Entretanto para imagens cinza, um intervalo de 0 a 255 foi requerido. Stajnko e Emelik

(2005) investigaram a possibilidade de empregar o processamento de imagem em RGB

no crescimento de maçãs em pomares durante o período de safra. Como a deteção da

fruta dependia significativamente do tamanho e da cor em cada estádio de crescimento,

o coeficiente de correlação variou ente 0,71 a 0,89, apresentando uma exatidão de

aproximadamente 94%.

Zou et al. (2007 e 2009) apresentaram um sistema de classificação de maçãs a

partir da cor, considerando quatro classes de acordo com a classificação chinesa. O

sistema, que consiste em uma câmera colorida CCD, foi projetado para capturar

imagens a cada rotação de 90º da fruta. Foram extraídos 17 parâmetros de cor de cada


imagem da maçã, possibilitando assim a classificação, não funcionando porém para as

classes I e II da classificação chinesa.

Kavdir e Guyer (2008) desenvolveram um sistema para análise de maçãs a partir

de alguns parâmetros, tais como, o matiz (cor), defeitos da forma, circunferência,

firmeza, peso, pontos vermelhos na superfície e defeitos superficiais. Neste trabalho foi

analisado o desempenho da combinação destes parâmetros para determinar a melhor

opção de classificação, empregando redes neurais.

Diversos trabalhos utilizam a cor da maçã como uma característica importante

da sua qualidade e na caracterização de defeitos. Porém, determinados tipos de maçãs

apresentam característica bi-coloridas, isto é, duas cores na sua aparência, o que torna

muito difícil a sua seleção no processamento para atender as exigências européias

quanto à classificação. De acordo com Madieta (2003) é necessário conhecer o intervalo

de variação da cor da casca da maçã para decidir o melhor modo de medi-la,

dependendo do objetivo de cada medida. De acordo com o tipo de distribuição da cor da

casca, a maçã pode ser classificada como: homogênea, heterogênea ou bi-colorida.

Desta forma muitos estudos foram realizados para conseguir um melhor desempenho

dos sistemas visuais de forma a atender estas exigências, buscando melhorias na

localização de defeitos (Bennedsen et al., 2005a e 2005b; Kleyne et al., 2005; Throop et

al., 2005; Unay e Gosselin, 2006 e 2007; Xing et al., 2007; Xiao et al., 2010).

Kleyne et al. (2005) desenvolveram um método para selecionar maçãs baseado

na presença de defeitos. Um sistema de visão multiespectral, incluindo quatro bandas de

comprimento de onda no visível/IVP foi desenvolvido, e as imagens das frutas foram

adquiridas. Os defeitos foram agrupados em quatro categorias e sua segmentação

consistiu na classificação por pixel baseada na teoria bayesiana. Testes foram feitos para

verificar o desempenho do método e uma alta taxa de classificação foi obtida para


maçãs com defeitos classificados como sérios. Porém a exatidão do sistema para alguns

defeitos não atendeu à exigência da legislação européia.

Unay e Gosselinin (2006) compararam diversas técnicas de segmentação na

análise de defeitos da maçã, sendo o classificador supervisionado mais exato que o não

supervisionado e a segmentação foi mais precisa quando realizada na vizinhança do

pixel. Resultados desse trabalho mostraram que muitos métodos de classificação foram

promissores para serem usados na segmentação de defeitos de superfície em máquinas

de inspeção visual de maçã de alta velocidade.

Xiao et al. (2010) desenvolveram um sistema para detecção de defeitos da maçã

usando três câmeras coloridas para aquisição da imagem. Neste sistema as maçãs foram

colocadas em uma esteira rotativa, e se movimentavam enquanto a imagem era

capturada, totalizando nove imagens para cada maçã, sendo toda a superfície escaneada.

Depois, a imagem da maçã foi segmentada do fundo preto pelo método multi-

thereshold, e os defeitos foram separados. Boa separação foi obtida entre as maçãs

sadias e com defeitos e a vantagem deste método é a possibilidade de identificação de

vários tipos de defeitos.

Throop et al. (2005) desenvolveram um sistema experimental de Visão

Computacional para a classificação de maçãs de forma a atender os padrões americanos,

incluindo um sistema de posicionamento das maçãs, uma câmera para captura das

imagens, um sistema de iluminação e algoritmos de processamento para segmentar os

defeitos da superfície. O diâmetro e altura de cada maçã foram medidos para estimar o

volume da maçã e estas dimensões junto com o posicionamento da maçã na imagem

permitiram a identificação do defeito.

Bennedsen et al. (2005a) empregaram o sistema apresentado por Throop et al.

(2005) para identificar defeitos e machucados da superfície de maçãs, localizando e


identificando a área escura da imagem tratada na escala cinza. O método é baseado na

rotação da maçã em frente a uma câmera, adquirindo múltiplas imagens, possibilitando

desta forma, analisar a mudança da área escura na imagem, identificando assim os

defeitos. Com esta técnica de rotação da maçã foi possível melhorar em 90% o método

de identificação de defeitos apresentado em Throop et al. (2005).

2.1.4 Manga

Yimyam et al. (2005) descreveram uma técnica de processamento de imagem

para detectar, segmentar e analisar propriedades físicas da manga, tal como tamanho,

forma, área superficial e cor a partir da imagem. Primeiro as imagens das mangas foram

adquiridas por uma câmera digital, analisadas e segmentadas. A segmentação foi feita

construindo um modelo hue das amostras de manga e algumas técnicas morfológicas e

de filtragem foram aplicadas para limpar o ruído. Da imagem segmentada e limpa, a

área da manga foi computada e a forma foi analisada usando alguns modelos de

estrutura. A cor também foi analisada e indexada no banco de dados para classificação

futura. A imagem em RGB foi transformada em valores de hue pela equação, cosH=

(2R-G-B)/(2*(raiz((R-G)2+(R-G)*(G-B))). Sessenta mangas de três tamanhos

diferentes foram classificadas pelo sistema experimental e por humanos. O resultado

mostra que a técnica é uma boa alternativa e de aplicação prática para separação de

manga, comparando com a separação manual.

Kang et al. (2008) investigaram o uso de um sistema de medida digital colorida

para obter os valores de hue, croma, a e b da cor de frutas heterogeneamente coloridas,

adotando como exemplo a manga. O objetivo do estudo foi determinar o efeito da

curvatura da fruta sobre as medidas do Lab em um grande intervalo de cor, quantificar o

efeito da curvatura no cálculo do hue e do croma e demonstrar como os dados de hue

capturados podem prover valores quantitativos da descrição do perfil de cor e mudanças


de cor em frutas heterogeneamente coloridas. Como resultado foi confirmado que da

medida dos valores de a e b na superfície curva, 55% e 69% dos valores foram dentro

do range da medida para a mesma superfície plana. Esse desvio das medidas da

descrição do hue e croma resultou em uma média de erro de 2 a 2,5 respectivamente.

2.1.5 Outras Aplicações

No caso da romã, fruto que possui muitas propriedades nutricionais, mas que

possui uma casca difícil de ser removida, um sistema comum no seu processamento é a

separação entre os pedaços da casca e os caroços sadios para diversas aplicações. Blasco

et al. (2008) realizaram um estudo no desenvolvimento de um protótipo para seleção

dos caroços da romã, para avaliar qual seria a melhor cor da esteira onde seria realizada

a aquisição da imagem para posterior seleção, utilizando esteiras nas cores branca, azul,

verde escuro, verde claro e cinza. A cor azul apresentou melhor desempenho devido

apresentar maior B (no sistema RGB) em oposição às cores dos caroços a serem

classificados que variavam do branco ao vermelho, apresentando alto R (no sistema

RGB). Outro estudo realizado por Blasco et al. (2009b) consistiu na separação dos

caroços pela cor usando Visão Computacional obtendo 90% de exatidão na

classificação. Para obter uma boa classificação, Blasco et al. utilizaram a razão R/G que

apresentou bom desempenho na distinção de diferentes cores dos caroços. Uma das

justificativas para isto deve-se ao fato de que a razão R/G é intrinsecamente invariável a

alterações na iluminação.

Jarimopas e Jaisin (2008) desenvolveram um experimento com um sistema de

Visão Computacional para tamarindos baseado em técnicas de processamento de

imagem. Os parâmetros relevantes avaliados foram forma, tamanho e defeitos com o

objetivo de selecionar os frutos para exportação. A classificação realizada pelo sistema

de Visão Computacional teve uma eficiência média de 89,8% para uma capacidade de


seleção de 1517 tamarindos/h, e uma razão de contaminação de 10,2%, que está dentro

dos padrões de exportação exigidos pela Tailândia.

Recentes trabalhos apresentam interessantes estudos da aparência externa da

azeitona, considerado fator decisivo da qualidade deste fruto, tornando a Visão

Computacional uma ferramenta importante também nesta área. Riquelme et al. (2008)

realizaram um estudo sobre deteção de defeitos, análise da cor e da forma em azeitonas.

A pesquisa foi realizada a partir de imagens visando classificar as azeitonas com e sem

defeitos. Os sistemas de cor empregados foram o RGB e HSV, e os testes no laboratório

apresentaram uma média de 75% de acerto. Porém, foi constatado que, para diferentes

tipos de azeitona, o acerto diminuiu até 38%. Este trabalho, assim como muitos outros

de inspeção na área alimentícia apresentou a limitação de que um número insuficiente

de amostras foi avaliado na classificação para permitir um treinamento confiável do

classificador usado.

Sistemas de processamento de imagem também têm sido desenvolvidos para

classificação de morangos. De acordo com Liming e Yanchao (2010), o uso da

tecnologia de Visão Computacional para classificação de morangos pode aumentar o

valor comercial da fruta, visto que a cor externa do fruto e está relacionada com a sua

qualidade interna. Liming e Yanchao desenvolveram um sistema automatizado para

classificar o morango considerando três características, a forma, o tamanho e a cor. Para

a caracterização da cor do morango foi adotado o sistema L*a*b*, sendo o canal a* o de

cor dominante, onde foram adotados os limites de a* ≥ 160 (vermelho escuro), 150 ≤

a*≤ 160 (vermelho) e a*≤ 150 (vermelho claro). O tamanho foi descrito pelo maior

diâmetro. Resultados mostraram que o erro do sistema de detecção foi menor que 5%, a

exatidão da cor foi de 88,8%, e a exatidão da classificação da forma foi de 90% para um

tempo médio de classificação de 3 segundos.


2.2 Inspeção da cor de frutos

A cor é um dos principais atributos que afetam a percepção de qualidade pelo

consumidor e pode ser usada como uma estimativa direta ou indireta da qualidade. A

técnica de medida de cor é empregada em diversos produtos da área alimentícia e

muitos métodos têm sido desenvolvidos. Desde que a cor é uma percepção natural, esta

é usada para fazer uma primeira avaliação da qualidade das frutas, e por isto muitos dos

sistemas de inspeção automática usam somente esta característica para segmentar as

imagens. De acordo com Blasco et al. (2003), algumas frutas têm uma cor homogênea

distribuída na superfície, a qual é chamada de cor primária. A média da cor da

superfície é um bom indicador de qualidade para estas frutas. Entretanto, outras frutas

(algumas variedades de peras, maçãs, tomates) têm uma cor secundária que pode ser

usada como um bom indicador de maturidade. Neste caso, não é possível avaliar

somente uma cor global como parâmetro de qualidade.

Analisando as diferentes técnicas usadas na deteção de defeitos, percebe-se que

usando aproximações monocromáticas as condições exigem algoritmos sofisticados.

Isso é devido à variação da intensidade, de fruta para fruta e de lugar para lugar,

especialmente no centro e na vizinhança da fruta. O primeiro problema (diferença entre

frutas) sugere um algoritmo usando poucas informações prioritárias, ou informações no

qual não dependem da cor da vizinhança da fruta. O segundo problema (diferenças na

imagem) sugere o uso de um algoritmo baseado em região. Naturalmente, isso também

recai para o problema da iluminação. Todos esses problemas também existem na

imagem colorida, mas podem ser resolvidos através de estudo de diferentes relações

usando os três canais. Segundo Leemans et al. (1998) um exemplo disto é o problema

relacionado à iluminação onde a razão entre dois ou mais canais RGB ou H (hue) não

dependem da intensidade da luz se a superfície estudada é fosca, pois esta não apresenta


reflexão especular. Em muitos trabalhos as imagens coloridas não usam todas as

informações de cor disponíveis (isto é, selecionam um ou dois canais ou computam um

único parâmetro). Desta forma, os defeitos não são segmentados, perdendo a principal

informação relacionada ao espaço (isto é, informações sobre forma, textura local, etc.).

Baseado nesta discussão, Leemans et al., em 1998, apresentou um novo

algoritmo capaz de identificar defeitos, usando toda informação colorida significativa.

Esse algoritmo consiste em três passos. O primeiro é uma segmentação de defeitos

grosseiros baseados em uma comparação estatística entre a cor de um pixel individual e

a cor global da fruta. Após isto, baseado em uma aproximação global ou local, é

possível fazer a identificação. Leemans et al. (1998) concluíram que a filtragem da

imagem segmentada apresentou melhor resultado do que a filtragem da imagem

original.

De acordo com Lana et al. (2006a, 2006b) a translucência é um dos maiores

problemas na medida de cor de frutas frescas. A aparência das frutas frescas muda com

o tempo devido à produção e/ou a degradação de pigmentos e devido à mudança física

ocorrida pela perda ou acúmulo de água. Dois diferentes processos ocorrem como

resultado destes fenômenos, a maturação e o desenvolvimento da translucência, que

resultam na alteração da aparência. A translucência é provavelmente a fonte mais

importante de erros durante a medida da cor, por causa confusão na análise visual e na

medida realizada pelo instrumento. A medida da cor de amostras translucentes é

sensível a luz ambiente, mudanças de fundo (background) e pequenas diferenças na

configuração óptica do instrumento de medida.

Como este fenômeno ainda é pouco estudado na indústria de alimentos, Lana et

al. adotaram uma técnica usada na indústria de pintura, papel e têxtil para analisar

tomates. Nesta técnica, a luz refletida da amostra é analisada, usando duas cores de


fundos, preto e branco. Lana et al. aplicaram esta técnica para acompanhar os efeitos

dos estádios de maturidade do tomate e os efeitos da temperatura. Os dados foram

expressos como uma média de intensidades por pixel do R, G e B para os fundos,

branco e preto, separadamente. Um modelo foi desenvolvido e apresentado que

descreve a mudança nos valores RGB dos tomates depois de estocados. No modelo o

efeito observado foi considerado ser resultado de dois processos, mudança da cor

devido à degradação dos pigmentos e desenvolvimento da translucência. Os dados

obtidos foram usados para desenvolver um modelo que estima a resposta em RGB das

variáveis: tempo, temperatura, estádio de maturação e cor do fundo.

Analisando os resultados pode-se perceber que um aumento na translucência

pode ser verificado pela diminuição da quantidade de pixels vermelhos quando a

amostra foi medida contra o fundo preto. Mudanças da cor devido à maturação pode ser

medida pela diminuição dos pixels verde ou pelo aumento proporcional dos pixels

vermelhos (R/(R+G+B), quando a amostra foi colocada sob um fundo branco. Usando o

sistema CIELAB concluíram que o aumento da translucência correspondia a uma

diminuição da claridade e mudanças na cor devido à maturação resultaram em um

aumento do valor a (do sistema CIELAB).

Assim como na maçã e no tomate, a característica cor tem estabelecido sua

aplicação em pimentas (Tepić e Vujičić, 2004), carambola (Abdullahet al., 2006),

manga (Atencio et al., 2009), mamão papaia (Santos et al., 2008; Amarasinghe e

Sonnadara, 2009), laranjas (Sirisathitkul et al., 2006), maracujá (Silva et al., 2008),

melão (Rizam et al., 2009) e kiwi (Rashidie Seyfi, 2008).

Um produto muito usado na indústria alimentícia que aplica a Visão

Computacional em seu processo é a pimenta (páprica). Suas cores: amarela, laranja e

vermelha são originadas por pigmentos carotenóides formados durante seu processo de


amadurecimento. Em muitos casos a páprica é usada para colorir alimentos,

apresentando desta forma um grande valor agregado à cor vermelha. Devido à

importância da caracterização da cor da páprica no mercado, alguns procedimentos têm

sido desenvolvidos para padronização da medida da cor pelas associações “Association

of Official Analytical Chemists” e “American Spice Trade Association (ASTA)”.

Normalmente, a cor é medida usando espectrofotômetros e é expressa em

unidades ASTA, e geralmente, quanto maior o valor da cor de ASTA, maior é o efeito

da luminosidade e mais caro é o produto final. Tepić e Vujičić (2004) apresentaram um

estudo para avaliar a qualidade do pó de pimenta, avaliando a influência da exposição à

luz e da temperatura ambiente na qualidade do produto final, avaliando a cor ASTA.

Tepić e Vujičić (2004) investigaram a relação entre a medida de cor da superfície da

pimenta e a cor final do pó, relacionando com a padronização ASTA, usando o espaço

CIE Lab.

Atencio et al. (2009) apresentaram um trabalho de inspeção visual baseado no

método de classificação de manga. O processo de classificação é feito de acordo com a

Norma Técnica Colombiana (Colombian Technical Norm) NTC 5139, pela estimação

automática das propriedades físicas da fruta, tal como peso, largura, volume, altura,

diâmetro e nível de maturidade. O nível de maturidade é determinado por similaridade

entre a distribuição de cor da imagem e a medida experimental fixada no modelo HSL.

Os resultados mostraram que o método é computacionalmente eficiente, não invasivo,

preciso e de baixo custo.

Muitos trabalhos empregando a cor foram desenvolvidos com o objetivo de

identificar as fases de maturação em frutas, etapa necessária no processamento para

separação do fruto para a correta classificação do lote. O método mais prático para

predizer a maturidade da fruta fresca e a sua aceitação do mercado é a observação da


cor. A razão para a mudança da cor nas frutas tem sido bem estudada ao longo dos anos.

Em geral, a fruta aparece verde no início da sua maturação. Essa cor é gradualmente

modificada do verde (durante o amadurecimento) até tornar-se amarela, quando já

amadureceu. Além disto, ao amadurecerem as frutas produzem etileno

espontaneamente, a partir de mecanismos químicos internos, que podem aumentar

conforme ocorre o amadurecimento. Estudos provaram que a presença de etileno induz

o amadurecimento dos frutos e alguns estudos indicam que certas variedades de frutos

liberam mais ou menos etileno, de acordo com o seu grau de amadurecimento. Uma das

reações ocorridas devido à presença do etileno faz com que ocorra atenuação de

enzimas que provocam o rompimento das fibras do fruto tornando-o macio, por este

motivo o amadurecimento da fruta normalmente produz uma textura macia.

Conforme a cor da casca se altera, o conteúdo de açúcar aumenta (devido à

quebra dos amidos) enquanto a acidez diminui. A perda da cor verde é devido à

degradação da clorofila e as outras cores são devido aos vários compostos, incluindo

antocianinas, carotenóides e flavonóides. No seu completo amadurecimento, as frutas

são muito frágeis e facilmente deterioram-se. Por este motivo frutas climatérias são

normalmente colhidas mais verdes (maturas), quando ainda têm uma longa vida de

armazenagem. Desta forma, a cor não é somente uma medida estética da qualidade da

fruta, mas também é usada como guia para resolver problemas práticos tal como

determinar o tempo de armazenagem da fruta a partir do seu estádio de amadurecimento

e também determinar a melhor data para ser consumida.

Uma fruta muito produzida no Brasil é o maracujá, cuja colheita é realizada num

estádio de maturação em que a casca se encontra com coloração predominantemente

amarela. De acordo com Silva et al. (2008), neste estádio, o fruto é bastante sensível à

perda de água e ao murchamento, facilitando a contaminação por microrganismos e


contribuindo para diminuir seu período de conservação pós-colheita. A pesquisa

realizada por Silva et al. (2008) teve como objetivo determinar uma escala de coloração

da casca para identificar o estádio de maturação do maracujá-amarelo e avaliar o

rendimento em suco nas diferentes épocas de colheita. A coloração da casca foi medida,

usando-se o Colorímetro Hunterlab Miniscan Spectrophotometer (Miniscan XE Plus),

caracterizada pelo parâmetro b de Hunter, e a mudança na coloração da casca foi

identificada pela medida da reflectância da casca.

Abdullah et al. (2006) desenvolveram um software para detectar características

de qualidade da carambola por sistema de inspeção automática usando a tecnologia de

Visão Computacional. As características consideradas foram cor e forma. O uso de

classificadores artificiais empregando análise de discriminação linear e rede neural

foram usados no espaço de cor HSI como ferramenta para detectar a maturidade das

frutas como verde, médio, maduro e passado. O espectro das frutas maduras e não

maduras foram caracterizados usando todas as características de cor no intervalo de hue

de 10 a 74. O experimento analisou 200 frutas revelando que a análise discriminante

linear foi mais precisa na classificação com 93% de classificação correta.

Rizam et al. (2009) apresentaram um sistema para medir e determinar o

amadurecimento e a qualidade do melão, visto que os testes de amadurecimento deste

são destrutivos. As imagens do melão foram filtradas usando técnica de processamento

de imagem e as informações foram usadas para treinar uma rede neural para determinar

com exatidão o índice de amadurecimento do melão. O espaço de cor empregado foi o

YCbCr e os resultados iniciais mostraram que o modelo de rede neural teve uma

exatidão de 86,51%.

Santos et al. (2008) apresentaram um estudo que a partir da aquisição de

imagens fotográficas foi desenvolvido um protocolo de análise dos padrões de


coloração da casca (RGB) para avaliar o processo de amadurecimento do mamão. A

avaliação da cor foi realizada selecionando os parâmetros de RGB com maiores valores

de área representativos das tonalidades verdes e amarelas da superfície da casca. O

processo de amadurecimento do mamão, caracterizado pela mudança da coloração da

casca, foi determinado pela análise de imagem fotográfica dos frutos obtida para

diferentes estádios de maturação.

Amarasinghe e Sonnadara (2009) também determinaram uma relação entre a

superfície colorida do mamão e a maturidade, desenvolvendo um sistema capaz de

separar mamão papaia automaticamente dependendo do nível de amadurecimento.

Diferente de Santos et al. (2008), Amarasinghe e Sonnadara (2009) empregaram dois

espaços de cores, RGB e OHTA, e algoritmos de segmentação foram desenvolvidos

para detectar as regiões de cor amarela no mamão. Uma técnica de normalização foi

aplicada para reduzir erros sistemáticos devido à luz da vizinhança. Resultados

mostraram um aumento não linear na superfície de cor amarela com a idade da fruta e

que a técnica normalizada pode ajudar a reduzir erros sistemáticos.

No tomate, a cor também é uma medida aceitável para determinar o seu estádio

de maturidade (Choi et al.,1995; Nagata et al., 2004; Camelo e Gomez, 2004;

Moneruzzaman et al., 2008). De forma geral, a análise é realizada em uma câmara de

iluminação e um sistema de aquisição de imagem em RGB. A imagem em RGB é

convertida para o padronizado CIE XYZ. O resultado computado é um índice

normalizado vermelho/verde ou o comprimento de onda dominante, como índice de

maturidade.

Um procedimento de análise de cor foi desenvolvido por Choi et al. (1995) para

classificar tomates frescos em seis estádios de maturação de acordo com os padrões da

USDA (EUA): verde, Breakers, Turning, rosa, luz vermelha, e vermelho. Imagens de


RGB de cada tomate foram capturadas e convertidas a valores HSI, e a classificação foi

baseada no percentual da área da superfície sob determinados ângulos de hue. Um

índice de maturação do tomate (TMI) foi desenvolvido para indicar o grau de

maturidade dentro de cada estádio. Os resultados da classificação concordaram em 77%

com a classificação manual dos tomates testados, e todas as amostras foram

classificadas dentro de um estádio diferente de maturidade.

Nagata et al. (2004) compararam a efetividade de três modelos de cor na

estimativa de amadurecimento do tomate usando parâmetros da imagem, tal como

histograma e análise discriminante linear. Imagens digitais foram adquiridas de nove

tomates de cada classe de amadurecimento com um total de 45 amostras. Em cada

classe, cinco amostras foram usadas para o desenvolvimento enquanto quatro amostras

foram usadas para a verificação do modelo. As imagens foram processadas em

histogramas usando RGB, HSV e CIE Lab. A análise discriminante linear usando

software de análise estatística foi usada para determinar o modelo de classificação

multivariável. Todos os modelos classificaram entre 80 a 100% das amostras, porém

não tiveram um bom desempenho para amostras variadas. A média da taxa de

classificação foi de 62,5% para o HSV e 60% para o CIELAB e foram muito melhores

que o RGB (35%).

Camelo e Gomez (2004) compararam os estádios de amadurecimento do tomate

usando diferentes espaços de cor. Valores de hue, croma, índice de cor, diferença de cor

com o vermelho puro foram calculados para os seis estádios de maturação da escala

USDA. O valor de hue mostrou uma variação mais ampla de valores e o croma não foi

um bom parâmetro para expressar os diferentes estádios de maturação. Entretanto, o

croma seria um bom indicador de aceitação por parte dos consumidores para os frutos

totalmente maduros. Para Camelo e Gomez (2004) seria interessante um estudo para


determinar qual é o melhor índice quando a maturação ocorre sob condições

inadequadas de temperatura e iluminação.

Moneruzzaman et al. (2008) pesquisaram as alterações das características físicas

do tomate durante o processo de amadurecimento. Diferentes condições de estádios de

amadurecimento mostraram uma variação significante nas diferentes características

físicas do tomate. O acompanhamento da mudança da cor do tomate foi realizado com

um colorímetro Minolta.

Estudos de caracterização das fases do amadurecimento da laranja também têm

sido realizados. Uma técnica de processamento de imagem foi desenvolvida por

Sirisathitkul et al. (2006) para desenvolver um guia para classificação da maturidade da

laranja. O objetivo dessa pesquisa foi avaliar o amadurecimento da fruta pela

classificação da cor. O processo foi dividido em duas principais etapas, treinamento e

teste. No treinamento, imagens de 90 laranjas de três diferentes ângulos foram coletadas

por uma câmera digital sob uma iluminação normal com lâmpada branca fluorescente.

A imagem original RGB colorida da laranja foi transformada em imagem HSI, e o valor

de hue foi usado como critério de decisão em um classificador. Na fase teste, o grau de

maturidade de 50 laranjas foi testado. Os resultados experimentais mostraram que o

método de classificação de laranjas pode ser uma alternativa, com 98% de acerto.

O estudo da cor de limões também foi realizado para estimar a qualidade do

fruto. Amri et al. (2004) determinaram a distribuição da cor de cenouras, limões verdes

e amarelos para estimativa da qualidade. As medidas da cor dessas frutas foram feitas

por um sistema de coordenadas de pontos sobre a superfície, e um espectrofotômetro

Minolta (CM-508i) foi usado para medir as coordenadas do sistema CIELAB

(iluminante D65 e o intervalo de 400 nm - 700 nm). Para a análise da cor foi usado o

coeficiente de variação (CV) como um indicador da homogeneidade da cor. Cenouras e


limões amarelos tiveram um coeficiente de variação dos valores de a* e b* menores que

o limão verde.

2.3 Análise de características da banana e a aplicação da inspeção automática

Outra fruta muito consumida, principalmente no Brasil, que tem sido foco de

pesquisas na área de Visão Computacional é a banana. De acordo com Ahmad et al.

(2001) a banana é uma das mais importantes frutas colhidas no mundo e é estimado que

mais de 100 milhões de pessoas tenham a banana como principal fonte de

sobrevivência. A temperatura de armazenamento influencia diretamente na mudança de

amadurecimento da banana. Um aumento na temperatura de armazenamento (24-30 ºC)

acelera o amadurecimento fazendo com que a banana se degrade muito mais rápido. Em

baixas temperaturas (<14ºC) ocorre um amadurecimento desigual fazendo com que a

banana fique mais dura.

Ahmad et al. (2001) determinaram o efeito da temperatura e do etileno na

velocidade de amadurecimento e qualidade da banana. O estudo mostrou que o etileno

tem um efeito maior no amadurecimento em temperaturas entre 14-18 ºC do que em

20ºC, pois para o amadurecimento em baixas temperaturas (14-16 ºC) a banana

necessita ser exposta a etileno para manutenção de suas qualidades. A variação de cor

da casca da banana durante o amadurecimento foi acompanhado por um colorímetro

Minolta usando o espaço CIELAB. Foi demonstrado que banana com amadurecimento

em altas temperaturas tem uma significativa perda da cor verde, mais rápido do que em

baixas temperaturas. Esta tendência em apresentar menos cor verde e mais cor amarela

em altas temperaturas é uma informação importante em termos de mercado visto que os

consumidores usam a cor da casca da fruta para decidir sobre a sua qualidade.

Muitos estudos têm sido desenvolvidos para determinar correlações entre o

amadurecimento da banana, a temperatura, a exposição ao etileno, a taxa de aumento do


açúcar, a firmeza da polpa, etc. Entretanto poucos estudos têm sido desenvolvidos para

avaliar a cinética de transformação da cor verde para a amarela durante o

amadurecimento. Desta forma, Chen e Ramaswamy (2002) pesquisaram a cinética de

mudança da cor e da textura no amadurecimento da banana como função da temperatura

de armazenamento (10, 16, 22, 28 ºC). A medida da cor foi avaliada em termos de

valores de CIELAB e a diferença de cor E foi usada para representar o desvio entre os

estádios de amadurecimento. Medidas foram feitas utilizando um colorímetro Minolta.

Como a banana apresenta diferenças de cores na sua superfície, as medidas foram

realizadas em três pontos diferentes da fruta, nas duas pontas e no meio e a média

desses valores foram usadas para representar a cor. O completo amadurecimento com os

valores de (L=75,2, a=4,5, b=41,2) foram adotados como padrão no cálculo do E para

acompanhar a diferença de cor durante o amadurecimento. Conforme constatado

também por Ahmad et al. (2001), a alteração da cor para o amadurecimento em baixas

temperaturas é menor. Uma correlação linear entre a mudança da cor da casca e a

firmeza da polpa da fruta foi determinada.

Bananas são normalmente colhidas no estádio maturo e uma vez iniciado o

amadurecimento, este é irreversível e envolve numerosas mudanças químicas com

consequente alteração de sua textura e síntese de componentes voláteis. Além disso, a

cor da casca se altera heterogeneamente e no final do amadurecimento aparecem pontos

marrons sobre a cor amarela. Normalmente, o amadurecimento da banana é dividido em

sete etapas, que são determinados por inspeção visual (humana) por comparação com

fotos. As etapas são: etapa 1=totalmente verde, etapa 2=verde com traços amarelos,

etapa 3=mais verde do que amarelo, etapa 4=mais amarelo do que verde, etapa

5=amarelo com ponta verde, etapa 6=amarela, etapa 7=amarela com pontos marrons,

conhecidas como escala de maturação de Von Loesecke (CEAGESP , 2006).


Ditchfield e Tadini (2002) avaliaram as mudanças apresentadas durante o

processo de amadurecimento da banana, sendo medidos os parâmetros de firmeza da

banana, pH, conteúdo de sólidos solúveis (SS) em °Brix e acidez. O estudo constatou

que o melhor parâmetro para determinar o estádio de maturação da banana é a firmeza.

A razão SS/acidez também fornece um bom parâmetro, porém o pH e a acidez titulável

não são bons parâmetros pois apresentam valores semelhantes nos estádios iniciais e

finais de maturação. Cabe ressaltar que Ditchfield e Tadini (2002) consideraram outra

classificação para as fases de amadurecimento da banana, diferente da escala de

maturação de Von Loesecke. No trabalho é citada a seguinte classificação: etapa 1=

fruta verde, etapa 2=fruta verde com traços amarelos, etapa 3 = fruta mais verde que

amarela, etapa 4= fruta mais amarela que verde, etapa 5 =fruta amarela com

extremidade verde, etapa 6= fruta amarela, etapa 7 =fruta amarela com pequenas

manchas pardas e etapa 8 =fruta amarela com grandes manchas pardas.

É importante ressaltar que Lii et al. (1982) citam também outra tabela para

classificação das etapas de amadurecimento da banana, com nove etapas de

amadurecimento: etapa 1= totalmente verde, etapa 2= verde, etapa 3 = verde com traços

amarelos, etapa 4 = mais verde que amarela, etapa 5= mais amarela que verde, etapa 6 =

amarela com ponta verde, etapa 7= toda amarela, etapa 8 = amarela com traços marrons

e etapa 9 = amarela com muitos traços marrons. Este fato faz com que a classificação do

amadurecimento da banana não tenha um padrão internacionalmente aceito, gerando

conflitos nos estudos realizados.

Zhang et al. (2005) resumiram os resultados obtidos para a composição

estrutural da banana, suas principais propriedades químicas, e a evolução do amido

durante o amadurecimento.


Dois grupos de banana (M. Cavendish e M. paradisiaca), normalmente

consumidas na Espanha, foram estudas por Salvador et al. (2007). O estudo analisou a

evolução de parâmetros da qualidade e sua relação com a mudança da cor e textura

durante o amadurecimento ocorrido a 20 ºC. A mudança na cor e textura da casca da

banana foi gradual para a banana M. Cavendish e apresentou diversidade na banana M.

paradisíaca, que permaneceu verde durante oito dias, alterando rapidamente a cor para

amarela até o 12º dia. A análise da cor foi realizada com um colorímetro Hunter

Labscan II usando o sistema CIELAB, sendo os parâmetros de hue e croma também

avaliados. O estudo mostra que o amadurecimento da banana ocorre de forma

diferenciada para diferentes grupos desta fruta.

Diferentes técnicas instrumentais foram usadas por Vermeir et al. (2009) para

avaliar a evolução do sabor das bananas durante o amadurecimento. Além de técnicas

padronizadas para avaliar a qualidade da fruta (firmeza, etc.), a cromatografia de massa

foi usada para quantificar diferentes componentes voláteis presentes no

amadurecimento. Os componentes responsáveis pela doçura e acidez foram avaliados,

sendo monitorados desde a etapa inicial de amadurecimento (etapa 1 – verde) até o

amadurecimento completo. Diferenças nos sabores foram encontradas para as bananas

que foram amadurecidas naturalmente e aquelas que foram amadurecidas com a

exposição a etileno para uma mesma etapa de cor. Cabe ressaltar que Vermeir et al.

(2009) adotaram em sua análise uma classificação de amadurecimento da banana de

quatro etapas, que são: etapa 4=mais amarelo que verde, etapa 5=amarelo com pontas

verde, 7= amarela com pontos marrons e 7+= amarela com excessivos pontos marrons.

Quevedo et al. (2008) usaram a análise de textura de imagens como indicador do

aparecimento dos pontos marrons de envelhecimento da banana (etapa 7 da escala de

Von Loesecke). No experimento as bananas foram armazenadas durante 10 dias à 20ºC


e as imagens da superfície foram adquiridas por um sistema de Visão Computacional. O

resultado do trabalho mostrou que a textura analisada com análise de Fourier (FDh

values) aumenta com o envelhecimento e pode ser usada como um indicador do

processo de desenvolvimento de pontos marrons na superfície da banana, porém

aplicável somente para caracterizar a etapa 7 de amadurecimento da banana.

Werner et al. (2009) avaliaram, a partir de imagens digitais, a mudança da

coloração durante o armazenamento da banana prata, submetida a diferentes tratamentos

pós-colheita. As bananas na primeira etapa de amadurecimento (verde da escala Von

Loesecke) foram submetidas a seis tipos diferentes de tratamento pós-colheita, sendo

todas depois armazenadas em condições ambientais por 14 dias e as imagens adquiridas

nos dias 1, 7 e 14 de armazenagem. A observação visual da alteração da cor da casca foi

realizada diariamente. Os dados obtidos das imagens digitais confirmaram as

observações visuais, indicando relação entre os métodos.

Tezuca et al. (2008) desenvolveram um sistema computacional para

classificação de fruta, usando a banana como exemplo. O sistema utilizou técnicas de

processamento de imagens: filtragem, processamento de cor, de área, de textura e

classificação que integram o modelo de decisão para especificação da qualidade dos

produtos analisados. O modelo de cor HSI foi usado para avaliação a cor da fruta.

Foram utilizadas na pesquisa bananas danificadas devido ao processo de

armazenamento. Foi elaborado um histograma em RGB da imagem original e os valores

de referência adotados para a limiarização em RGB foram R=114, G= 78 e B= 67, com

tolerância de 45. O modelo computacional viabilizou a estruturação de um método que

identifica manchas marrons ou injúrias em bananas e seu grau de amadurecimento.

Mendonza et al. (2004) implementaram um sistema para identificar os estádios

de amadurecimento da banana baseado em cor. Nove parâmetros foram analisados


(valores de L*a*b*; percentual de área marrom, número de pontos marrons, área de

pontos marrons, homogeneidade, contraste e textura da imagem) extraídos das imagens

das bananas que foram usadas na classificação. Os resultados mostraram que a simples

técnica de classificação é boa para identificar os estádios de amadurecimento da banana,

obtendo 98% de exatidão na classificação de 49 bananas em sete estádios de

amadurecimento. De acordo com Mendonza et al. (2004), a técnica de Visão

Computacional se mostra promissora no uso para classificação dos estádios de

amadurecimento da banana.

2.4 Observações Finais

Conforme apresentado, a maioria dos sistemas propostos para a classificação de

frutas apresenta, de forma geral, cinco etapas bem definidas, que são aquisição da

imagem, a classificação das cores dos pixels da imagem; a segmentação da imagem; a

extração de características e a comparação com padrões previamente conhecidos.

Todavia, as estratégias e ferramentas usadas para processar de forma adequada estas

sub-tarefas não são consensuais.

De todo o estudo realizado das bibliografias apresentadas, podemos concluir que

o sistema RGB é o sistema de cor mais comumente usado para classificação de cor por

ser na maioria das vezes as componentes das imagens adquiridas pela maioria dos

sistemas de aquisição de imagem. De acordo com Lee et al. (2008), se o intervalo de cor

de interesse é bem definido para uma determinada aplicação, a classificação da cor pode

ser bastante simplificada.

Diferentes cores de fundo e iluminação foram utilizados, tais como lâmpadas

halógenas, lâmpadas fluorescentes, etc., não existindo também um consenso neste

parâmetro.


Apesar dos diversos estudos desenvolvidos nesta área ainda existe uma lacuna

na definição de um método padronizado que possa ser proposto para obter uma melhor

avaliação da qualidade de alimentos (Zheng et al., 2006). A dificuldade e complexidade

das pesquisas para avaliação de alimentos usando Visão Computacional devem-se ao

fato de ser difícil determinar um método ótimo para extrair determinadas características

da imagem. Além disto, conforme discutido por Simões e Costa (2003), a automação de

processos baseada em imagens digitais das frutas apresenta como dificuldades

principais: “i) inexistência de uma descrição formal dos padrões das frutas; ii)

inexistência de ferramentas computacionais e modelos consolidados para a classificação

de frutas; iii) dependência das condições de iluminação do ambiente”.

Desta forma esta revisão bibliográfica visa resumir os métodos já empregados e

suas aplicações específicas de forma a fomentar a pesquisa desenvolvida neste trabalho.

Percebe-se que diversas metodologias têm sido propostas com o objetivo de

caracterizar diversos tipos de alimentos por Visão Computacional de forma a otimizar o

processo de inspeção. Todas estas tecnologias vêm sendo aprimoradas visando obter

melhores soluções e a otimização do custo dos processos industriais nos quais estas

atividades estão presentes.

Cada opção tecnológica tem um comportamento próprio em termos dos

resultados. Porém, há necessidade cada vez maior de se aprimorar estas metodologias a

fim de atender a grande demanda atual e contemplar todas as exigências e restrições

existentes devido à especificidade de cada produto.

47

Capítulo 3

Fundamentação Teórica

A preocupação quanto ao entendimento da percepção e reprodução da cor

historicamente pode ser percebida desde a antiguidade, com soluções e interpretações

puramente empíricas. Todas as pesquisas realizadas ao longo dos séculos para a

compreensão do fenômeno da cor, principalmente as ocorridas no século XX, muito

contribuíram para a consolidação dos conceitos hoje conhecidos, da percepção das cores

e da representação das mesmas em espaços ou modelos ou sistemas de cores.

Devido ao grande crescimento do uso e da reprodução da cor nos diversos

setores industriais, a observação, o estudo, a caracterização e a reprodução da cor

progrediram conforme o desenvolvimento da tecnologia. Para melhor atender às

necessidades setoriais e às especificidades de cada área, diversos sistemas e espaços de

cores foram desenvolvidos. A análise da cor como característica tornou-se fundamental

3. Fundamentação Teórica 48

para o desenvolvimento e controle da qualidade de produtos e, conforme o aumento das

necessidades de aplicações, fez-se necessário o aprimoramento ou complemento dos

diversos modelos desenvolvidos no passado.

Nesta revisão teórica serão apresentadas algumas teorias sobre a colorimetria, os

sistemas de iluminação utilizados, a incerteza de medição em colorimetria, o emprego

da visão computacional nos sistemas de inspeção automática e alguns principais

sistemas de cor empregados nestes sistemas de inspeção.

3.1 As teorias e fundamentos da cor

Atualmente, o estudo da teoria das cores pode ser dividido em três principais

características: a cor física (óptica física), a cor fisiológica (óptica fisiológica) e a cor

química (óptica fisico-química). Desta forma, o fenômeno da cor depende da natureza

da luz (fonte luminosa), da interação da luz com o material e da fisiologia da visão

humana.

Entende-se como fonte luminosa qualquer processo que emite, reemite, ou

conduz energia em quantidades suficientes para produzir luz, isto é, radiação

eletromagnética com comprimentos de onda na região do visível (limite inferior entre

360 nm e 400 nm e limite superior entre 760 nm e 830 nm de acordo com a CIE 17.4

(CIE, 1987)). Existem vários tipos de fontes luminosas, as naturais (sol) e as artificiais

que são desenvolvidas com base em diversos tipos de tecnologias (por ex. lâmpadas). A

distribuição da radiação eletromagnética emitida por estas lâmpadas depende da

natureza da superfície do corpo que a emite e das condições de utilização.

A radiação eletromagnética provinda dessas fontes luminosas incide sobre os

diversos tipos de materiais. Cada material possui características próprias devido a sua

formação molecular, apresentando, desta forma, propriedades diferentes quando


percebidos. Uma destas propriedades é a cor, que depende do pigmento que constitui o

material e consequentemente das suas propriedades.

Assim um feixe de radiação que é emitido pode sofrer reflexão, refração,

transmissão ou absorção ao incidir em um determinado material, e a luz pode ser total

ou parcialmente transmitida, refletida ou absorvida. Cabe ressaltar que todo material

absorve radiação em alguma parte do espectro eletromagnético sendo que a quantidade

de energia absorvida depende da seletividade do material absorvente (pigmento) pelo

comprimento de onda da radiação.

A absorção pode deixar um objeto opaco (cerâmica, madeira, o tijolo, o granito,

etc.) ou transparente (vidro, películas, etc.). Quando a luz incide em uma superfície,

uma fração é absorvida dentro do material configurando-se em um ganho de energia,

outra fração é refletida e finalmente uma última parcela é transmitida no caso de

superfícies transparentes ou translúcidas (onde = 1).

Desta forma, podem-se considerar duas linhas de estudo das cores, a cor

originada por uma fonte de luz e a cor originada pelo pigmento de um determinado

material, sendo desta forma impossível falar de cor sem considerar a fonte de radiação,

visto que é esta radiação (luz) que é refletida pelo material, fazendo com que o olho

humano perceba esse estímulo como cor.

A radiação eletromagnética, provinda das fontes luminosas ou dos objetos

através da reflexão ou transmissão, é percebida pelo sistema de visão humano, mais

precisamente pelas células fotossensíveis presentes na retina.

De acordo com a fisiologia do olho humano, a retina é composta por dois tipos

de células receptoras que, devido a seus formatos, recebem o nome de bastonetes e

cones. Os cones são encontrados principalmente no centro da retina e são responsáveis


pela visão com luminosidade maior, sendo conhecida como visão fotópica5. Também

são responsáveis pela visão das cores, sendo sensíveis a comprimentos de onda longos,

médios e curtos (vermelho, verde e azul), normalmente conhecidas pelas iniciais em

inglês R, G e B. Os bastonetes estão localizados na periferia da retina e são responsáveis

pela visão com luminosidade reduzida sendo sensíveis apenas as tonalidades de cinza.

Pode-se então concluir que o fenômeno da cor depende da natureza da luz (fonte

luminosa), da interação da luz com o material e da fisiologia da visão humana (Figura

3.1). Assim o fenômeno de percepção da cor baseia-se na resposta do nosso organismo

ao estímulo recebido a partir de uma radiação eletromagnética originada em uma fonte

luminosa, refletida ou não por um determinado material e incidindo em nossos olhos.

Fig. 3.1: Representação espectral do fenômeno da cor.

Para padronizar a identificação das cores fez-se necessário definir algumas

características para as fontes luminosas de forma a padronizar as condições de operação.

Sendo uma delas a temperatura de cor (TC). A TC expressa a aparência da cor da luz

emitida pela fonte de luz. A sua unidade de medida é o kelvin (k). Quanto mais alta a

temperatura de cor, mais clara é a tonalidade de cor da luz. A temperatura de cor

correlata (TCC) é definida como a temperatura do radiador de Planck cuja radiação

percebida mais se assemelha a de um dado estímulo de mesmo brilho sobre condições

de observações específicas (CIE 17, 1987).

5 Condição para o olho normal adaptado a uma luminância superior a 3cd/m2 (Conci, Azevedo e Leta, 2008).


Além da padronização da fonte, faz-se necessário determinar algumas

características das cores para que estas possam ser analisadas individualmente e

comparadas. Desta forma, toda cor possui uma série de propriedades que definem sua

aparência final, sendo que as três características básicas consideradas são matiz,

saturação e luminosidade (Conci, Azevedo e Leta, 2008).

Matiz (tom, hue) é a característica qualitativa da cor e especifica os termos

vermelho, azul, violeta, verde, amarelo, etc. Esse conceito é relacionado ao estado puro

da cor, sem o branco ou o preto agregado, sendo associado ao comprimento de onda

dominante.

Saturação (croma, chroma) é a característica quantitativa de uma cor e especifica

os termos pureza ou intensidade, vivacidade ou palidez de uma cor. Quando uma cor

tem sua pureza máxima, sem adição de branco, diz-se que atingiu sua saturação

máxima. Por outro lado, quando uma cor é adicionada a outra, essa perde sua saturação

tornando-se uma cor diluída. A diluição ou dessaturação da cor pode ser feita por

misturas com branco, preto, ou cinza, ou ainda com o seu tom complementar.

Luminosidade (lightness) relacionada ao brilho ou claridade (brightness, value)

é a capacidade de cada cor de refletir ou transmitir a intensidade da luz que recebe e

especifica o quanto clara ou escura se parece. A escala da luminosidade varia do branco

ao preto. Na figura 3.2 são apresentadas esquematicamente as diferenças de cada

propriedade da cor e sua respectiva alteração na distribuição espectral.

Baseado nas propriedades das cores, diversos modelos e sistemas de cores foram

criados de forma a atender as necessidades específicas de cada aplicação. No apêndice

A são apresentados e definidos alguns termos importantes empregados na área de

colorimetria que de alguma forma não foram abordados nos parágrafos acima, de forma

a complementar a teoria apresentada e discutida neste capítulo.


Fig. 3.2: Propriedade da cor e sua alteração na distribuição espectral (adaptado de

Gattass, 2002).

3.2 Colorimetria

A percepção da cor é um fenômeno psicofisiológico e a sua medida deve ser

correlacionada com a exata sensação visual para um observador normal. Medir a cor

significa medir o estímulo, ou seja, a luz que “entra nos olhos” e possibilita a sensação

das cores. Assim a colorimetria pode ser definida como “a ciência e a tecnologia usada

para quantificar e descrever fisicamente a percepção humana da cor” (Ohno, 2000).

Com o objetivo de padronizar e medir matematicamente a cor, o grupo de

pesquisadores da Comissão Internacional de Iluminação (CIE) a partir da realização de

diversas pesquisas, definiu alguns parâmetros importantes na medição da cor. Em 1931

foi realizado o experimento CIERGB, onde as cores primárias R ( =700 nm), G

( =546,1 nm) e B ( =435,8 nm) foram reproduzidas para um grupo de observadores,

com um ângulo de visão de 2º, e em 1964 para um ângulo de 10º (Figura 3.3).


Fig. 3.3: Experimento da CIE realizado em 1931 (adaptado de Shanda, 2007).

O resultado deste experimento deu origem às tabelas de função de equalização

de cor denominadas Figura 3.4).

Fig. 3.4: Funções e respectivamente (CIE, 2004).

Para eliminar os valores negativos (Figura 3.4) a CIE transformou linearmente

as funções em um novo conjunto de cores primárias definindo assim

as chamadas funções de equalização de cor CIE 1931 (colour matching function),

simbolizadas por (Figura 3.4). Com esta transformação linear a CIE

tornou os valores referentes à iguais a função de eficiência luminosa 1924

conhecida como função V , que é denominada de Assim, com a

definição destas funções, a CIE definiu o observador colorimétrico padrão CIE 1931,

que é o observador normal no qual a propriedade de equalização de cor corresponde às

funções de equalização , com o campo de visão 2º.


Os valores das funções de equalização de cor são utilizados

para calcular os valores triestímulos X, Y, Z a partir do conjunto de equações (3.1).

(3.1)

sendo a função estímulo de cor no intervalo correspondente ao espectro visível, k

uma constante e o intervalo de comprimento de onda. Para fontes luminosas

é a radiância ou a irradiância espectral da fonte, com valores normalizados para

que é distribuição de potência espectral relativa da fonte de luz normalizada em 560 nm.

Para objetos iluminados, é dado pela equação 3.2:

ou .... (3.2)

isto é, a função estímulo de cor é o produto de por R , que é o fator de

refletância espectral (ou o fator de radiância espectral, ou refletância espectral) do

objeto iluminado sob determinadas condições; ou por , que é a transmitância

espectral do objeto iluminado sob determinadas condições. A partir do plano X+Y+Z=1

plotado com os valores triestímulos (Figura 3.5) pode-se expressar a cor pelas

coordenadas de cromaticidade (x,y) definidas pelas equações (3.3), tendo x + y + z = 1.

sendo a componente Y correspondente à medida da luminosidade de um espectro de

radiância. Desta forma calcula-se a cor matematicamente.


A interseção da pirâmide, que representa as cores no intervalo visível (380 nm a

780 nm), com este plano gera o diagrama de cromaticidade xy mostrado na figura 3.5.

Fig. 3.5: Plano X+Y+Z=1 e o diagrama de cromaticidade xy (CIE, 2004).

Para padronizar a identificação das cores considerando as características da fonte

de iluminação, a CIE definiu alguns iluminantes padrão e tabelou a distribuição destes

em função de uma determinada temperatura de cor (K), como por exemplo, o

iluminante CIE padrão A e o D65.

O posicionamento da iluminação e da observação também são parâmetros

importantes para especificar a cor dos objetos. Desta forma a CIE recomenda o uso de

uma das quatro geometrias padrão, que são: 45º/normal (45º:0º), normal/45º (0:45º),

difusa/normal (d:0º), e normal/difusa (0º:d).

Assim, em 1931, a partir do consenso de vários cientistas, a CIE conseguiu

padronizar a medida da cor e definir a forma de medi-la. O procedimento definido para

medir a cor consiste substancialmente em somar a resposta de estímulos de cores e sua

normalização à curva espectral de resposta do fotorreceptor sensível à cor (funções de

equalização de cor).

http://pt.wikilingue.com/es/Fotorreceptor


Com o avanço da tecnologia vários equipamentos foram desenvolvidos a fim de

medir a cor. Considerando a medida da cor a partir da padronização da CIE pode-se

citar dois principais tipos de colorímetros: o espectrocolorímetro e o colorímetro de

filtro, este último também denominado, colorímetro triestímulo (Figura 3.6). O

espectrocolorímetro mede a distribuição espectral do objeto em teste e processa esta

informação via microprocessador interno ou externo computando os parâmetros

colorimétricos. O colorímetro de filtro processa a informação espectral de forma

analógica, via integração espectral em três canais com filtros, tal que a resposta de cada

canal forneça valores já proporcionais aos valores triestímulo XYZ.

Fig. 3.6: Colorímetro triestímulo (A) e espectrocolorímetro (B) (Gomes et al., 2009).

Mesmo com todas as definições padronizadas pela CIE, a indústria ainda

necessitava de um parâmetro de medida de cor que expressasse a diferença entre duas

cores, visto que o diagrama de cromaticidade (x,y) é não-uniforme em termos de

diferença de cores. Para aperfeiçoar isto, a CIE em 1960 definiu o Diagrama de

cromaticidade (u,v) CIE 1960 (posteriormente desaprovado) e em 1976 desenvolveu o

diagrama de escala uniforme de cromaticidade CIE 1976 (UCS), com as coordenadas

(u’,v’), dadas pelo conjunto de equações 3.4.


O diagrama de cromaticidade (u’,v’) UCS 1976 é mais uniforme que o diagrama

(x,y), porém Mac Adam demonstrou nos diagramas mostrados na figura 3.7 a não

uniformidade destes dois espaços (Ohno, 2000).

Fig. 3.7: A elipse de Mac Adam para os diagramas CIE (x,y) e CIE (u’,v’) (Ohno,

2000).

Visando aperfeiçoar os diagramas propostos e resolver o problema da

uniformidade da diferença de cor, a CIE desenvolveu, baseando-se nos três atributos da

cor: matiz, saturação e luminosidade, dois novos espaços uniformes tridimensionais, o

CIELAB e o CIELUV, sendo o primeiro mais conhecido e utilizado. O espaço

CIELAB, também conhecido como L*a*b* CIE 1976, onde L* é a luminosidade e a* e

b* as cromaticidades, é obtido a partir do conjunto de equações 3.5.

, para >0,008856

, para >0,008856 e >0,008856 (3.5)

, para >0,008856 e >0,008856.

Sendo X, Y, e Z o estímulo da cor considerada e Xn, Yn e Zn o estímulo da cor do objeto

branco especificado. Este espaço (Figura 3.8) tem uma estrutura similar ao sólido de cor

de Munsell e é comumente empregado na área de imagem.


Fig. 3.8: Representação do espaço CIELAB (adaptado de www.dma.ufg.ac.at).

A diferença de cor entre dois estímulos é calculada como a distância euclidiana

entre os pontos neste espaço tridimensional pela equação 3.6:

(3.6)

e os valores de matiz e saturação, respectivamente também podem ser calculados pelas

equações 3.7 e 3.8.

(3.7)

(3.8)

Cabe ressaltar que este espaço foi planejado para ser aplicado em comparações

de diferença entre objetos de cor de mesma forma e tamanhos, observados em um

ambiente idêntico, por um observador fotopicamente adaptado a um campo de

cromaticidade não tão diferente daquele da luz do dia (CIE, 1986).

3.3 Iluminação e suas principais características

A radiação eletromagnética provinda de fontes luminosas incide sobre os vários

tipos de materiais que apresentam características distintas, proporcionando efeitos

diferentes para cada tipo de radiação incidente, necessitando padronizar algumas destas

características.


3.3.1 A padronização da CIE

Para conseguir padronizar a medida da cor, os pesquisadores da CIE, após

constatarem que a iluminação influenciava diretamente a medida e a percepção da cor e

a aparência do objeto, verificaram a necessidade de definir algumas características da

iluminação a serem utilizadas de forma a padronizar as condições de operação. Para isto

a CIE estabeleceu algumas recomendações que hoje são padronizadas pela International

Standard Organization (ISO).

Fontes e iluminantes padrão

Uma fonte refere-se a um emissor físico de luz, como o sol ou uma lâmpada,

enquanto que um iluminante pode ser definido matematicamente com facilidade, mas

não é realizável6 na prática de forma absoluta, apenas aproximadamente. A CIE busca

realizar cada iluminante a partir de uma fonte artificial recomendada. Um dos

parâmetros utilizados pela CIE para a realização dos iluminantes através de suas

respectivas fontes é a temperatura de cor. Os iluminantes são definidos como uma

distribuição de potência espectral relativa, que é largamente usada em colorimetria no

cálculo dos valores de triestímulos.

Iluminante A - A CIE recomenda que o iluminante A seja realizado por uma fonte

luminosa que produza uma radiação com a mesma distribuição espectral de um corpo

negro a uma temperatura absoluta de T = 2856 K, isto é, a uma temperatura de cor

correlata de 2856 K. Este é um representante típico da iluminação doméstica, que é a

iluminação por filamento de tungstênio.7

Iluminante D65 - Este iluminante é baseado em medidas da luz do dia total, isto é,

da luz do sol e da luz refletida pelo céu, em vários pontos geográficos a uma TCC de 6 Realizar, neste caso, significa tornar real. Ter uma lâmpada real que reproduza os valores teóricos. 7Os iluminantes B (temperatura de cor correlata de 4900 K) e C (temperatura de cor correlata de 6800 K) são

considerados hoje obsoletos pela CIE apesar do iluminante C ainda ser utilizado em alguns equipamentos e ser

empregado como padrão em determinadas áreas.


6500 K. Embora o iluminante D65 represente com maior fidelidade as condições

normais de iluminação em relação ao iluminante A, o maior problema consiste na

dificuldade de sua reprodução em laboratório. Este iluminante pode ser usado em todos

os cálculos colorimétricos que requerem o uso representativo da luz do dia, a menos que

haja uma razão específica para o uso de outro iluminante. Quando não for possível usar

o iluminante D65, é recomendado que uma das distribuições de potência espectrais

relativas referentes aos iluminantes D50, D55, e D75 sejam usadas, com temperatura de

cor correlata de aproximadamente 5000, 5500 e 7500 K, respectivamente. No momento

o iluminante D65 não possui recomendação de fonte artificial.

As diferenças na distribuição espectral entre os iluminantes A e D65 definidos

pela CIE podem ser visualizados na figura 3.9 e as diferenças entre os iluminantes D

podem ser visualizados na figura 3.10.

Fig. 3.9: Distribuição espectral dos iluminantes A e D65 (CIE, 2004).

Fig. 3.10: Distribuição espectral dos iluminantes D (CIE, 2004).


O posicionamento da iluminação e da observação também são parâmetros

importantes para especificar a cor dos objetos. A geometria óptica de visualização é um

fator de grande importância na medição da cor, uma vez que é extremamente difícil, se

não impossível, correlacionar medidas tomadas entre instrumentos se a geometria óptica

não for idêntica. Em alguns instrumentos é usada uma esfera integradora que ilumina a

amostra a ser iluminada de forma difusa (igualmente de todos os ângulos) enquanto a

luz refletida é coletada em um ângulo perpendicular à superfície da amostra.

Desta forma a CIE recomenda o uso de algumas geometrias padrão, tanto para

medidas de reflexão quanto para medidas de transmissão de amostras, a saber:

Geometria para medidas de reflexão – difusa geometria oito graus com

componente especular incluído (representada por di:8º); difusa geometria oito graus

com componente especular excluído (de:8º); oito graus difusa com componente

especular incluído (representada por 8º:di); oito graus difusa com componente especular

excluído (representada por 8º:de); difusa geometria difusa (representada por d:d);

quarenta e cinco graus geometria normal (representada por 45º:0º) e normal geometria

quarenta e cinco graus (representada por 0º:45º). Por exemplo, na geometria 0º:45º a

amostra é iluminada por um feixe em um ângulo normal à amostra. A amostra é

observada em um ângulo de 45º da normal.

Geometria para medidas de transmissão – normal geometria normal

(representada por 0º:0º); difusa geometria normal com componente regular incluído

(representada por di:08º); difusa geometria normal com componente regular excluído

(representada por de:08º); oito graus difusa com componente especular incluído

(representada por 8º:di); normal geometria difusa com componente regular incluído

(representada por 0º:di); normal geometria difusa com componente regular excluído

(representada por 0º:de) e difusa geometria difusa (representada por d:d).


Na figura 3.11 são esquematizadas algumas principais geometrias usadas para

medidas de cor por reflexão.

Fig. 3.11: Geometrias 45º:0º, 0º:45ºe di:8º para medidas por reflexão (Adaptado de

Hunter, 1975).

3.3.2 Temperatura de cor e índice de reprodução de cor

Uma das principais características utilizadas na diferenciação das condições de

operação das fontes é a temperatura de cor, que expressa a aparência da cor da luz

emitida pela fonte de luz. A sua unidade de medida é o kelvin (K). Quanto mais alta a

temperatura de cor, mais clara é a tonalidade de cor da luz, e quanto mais baixa a

temperatura de cor, mais amarelada. A temperatura de cor correlata, de acordo com a

CIE, é definida como a temperatura do radiador de Planck cuja radiação percebida mais

se assemelha a de um dado estímulo de mesmo brilho sobre condições de observações

específicas (CIE, 1987). Lâmpadas padrão de filamento de tungstênio e, também, certas

lâmpadas halógenas apresentam boa concordância com a distribuição espectral do corpo

negro.


No espaço de cor uniforme da CIE UCS (1960), um novo conjunto de funções

de equalização de cor é definido a partir de uma combinação linear das funções de

equalização de cor da CIE 1931:

(3.9)

com os novos valores triestímulos definidos por:

U= u(λ) dλ;;

V= v(λ) dλ;;

W= w(λ) dλ, (3.10)

e onde as novas coordenadas de cromaticidade são definidas por,

u = v = (3.11)

O diagrama (u,v) 1960 correlaciona-se com os valores triestímulos CIE1931 a partir das

equações:

(3.12)

Neste espaço de cor, para uma dada temperatura T, o corpo negro é

caracterizado por coordenadas de cromaticidade (uT,vT). A totalidade destes pares de

coordenadas em outras temperaturas forma o lócus de Planck (Figura 3.12). Linhas retas

e perpendiculares, traçadas perpendicularmente à curva do lócus de Planck, definem

uma família de retas denominadas isotermas.

No espaço CIE UCS (1960) fontes luminosas emitindo radiação, cujas

coordenadas de cromaticidade pertencem a uma mesma isoterma, apresentam ao

observador padrão da CIE uma mesma sensação de cor, sob condição de mesmo brilho

(luminosidade) e observação do que aquela produzida por um corpo negro na


temperatura T (Figura 3.12). A interseção da reta de dada isoterma com a curva do lócus

de Planck define uma temperatura única, denominada Temperatura de Cor Correlata8

(TCC), e constitui desta forma uma definição prática para a sua realização quantitativa.

Fig. 3.12: Diagrama UCS 1960 e a localização do lócus de Planck (CIE, 2004).

O limite de aplicação do conceito de temperatura de cor correlata está no fato de

as cromaticidades estarem próximas ao lócus de Planck, ou seja, uma diferença de

cromaticidade dentro do limite indicado:

(3.13)

8 Temperatura de cor correlata, em inglês, Color Correlated Temperature, TCC.


onde as coordenadas de cromaticidade de uma fonte qualquer são dadas por (ue,ve) e as

coordenadas (u,v) pertencem ao lócus de Planck (Figura 3.12).

O método para o cálculo da temperatura de cor correlata de um estímulo consiste

em determinar no diagrama de cromaticidade (CIE UCS 1960) a temperatura do ponto

no lócus de Planck que corresponde à interseção com isoterma convencional, que

contém o ponto que representa o estímulo. Este método gráfico foi substituído pelo

método numérico de determinação da temperatura de cor correlata a partir da proposta

de Mori e posteriormente o método de Robertson (Wyszeckie e Stiles, 1982).

Lâmpadas com temperatura de cor correlata de 3100 K e abaixo desse valor são

consideradas lâmpadas de cores “quentes”, e com valores de 4100 K para acima, de

cores “frias”. No intervalo de 3100 K a 4100 K, são consideradas lâmpadas de cores

neutras ou moderadas. De uma maneira geral, escritórios e indústrias são ambientes

onde lâmpadas de cores “frias” são normalmente escolhidas. As lâmpadas de cores

“quentes” são preferidas em ambientes em que se deseja sensação de aconchego ou em

mostruários de mercadorias. A tabela 3.1 mostra diversas fontes de luz com as

respectivas temperaturas de cor correlatas.

Tab. 3.1: Fontes de luz com as respectivas temperaturas de cor correlatas (GE, 2010). Fonte de Luz TCCa (K)

Céu de dia no pólo norte 25000 Céu azul aberto 12000 a 9000 Céu encoberto 7500 a 6500 Lâmpada fluorescente do tipo “luz do dia” 6500 Lâmpada de mercúrio 6000 Lâmpada de xenônio 5000 Lâmpada incandescente comum (tungstênio 200W) 3000 Lâmpada incandescente comum (tungstênio 40W) 2680 Lâmpada de vapor de sódio (iluminação pública) 2000 Luz da vela 1700 Luz do fogo 1200 aTCC é definida como a temperatura do radiador de Planck cuja radiação percebida mais se assemelha a de um dado estímulo de mesmo brilho sobre condições de observações específicas.


Outra característica importante é o Índice de Reprodução de Cor (IRC). Este

índice quantifica a fidelidade com que as cores são reproduzidas sob uma determinada

fonte de luz. O índice de reprodução de cor de uma fonte de luz é a medida do quanto às

cores percebidas, do objeto iluminado por esta fonte, se aproximam daquelas do mesmo

objeto iluminado por uma fonte padrão (iluminante de referência). O IRC é um número

de 0 a 100 que classifica a qualidade relativa de reprodução de cor de uma fonte,

quando comparada com uma fonte padrão de referência da mesma temperatura de cor

correlata. Ele é determinado a partir da distribuição espectral de uma lâmpada, medida

em um sistema espectrocolorimétrico, empregando o método estabelecido na norma

CIE 13.3 (CIE, 1995) e também a partir daTCC da lâmpada analisada.

O índice de reprodução de cor geral (Ra) (Equação 3.14) é calculado a partir da

média dos índices de reprodução de cor especial (Ri) (Equação 3.15) calculados a partir

da diferença (Equação 3.16) entre a cor de um objeto observado sob uma lâmpada e sob

uma referência para cada uma das oito primeiras cores teste especificadas na CIE 13.3

(CIE, 1995) (Figura 3.13).

8

1

18a i

iR R

(3.14)

100 4,6i iR E (3.15)

2 2 2, , , , , ,

2 2 2

* * * * * *

= * * *

i r i k i r i k i r i k i

i i i

E U U V V W W

U V W(3.16)

Sendo,

ΔEi = Diferença de cor

U*r,i, V*r,i e W*r,i = Coordenadas de cor do iluminante de referência no Espaço

CIEUVW 1964;

U*k,i, V*k,i e W*k,i = Coordenadas de cor da fonte a ser testada no Espaço CIEUVW

1964.


Fig. 3.13: Conjunto de 14 cores de Munsell para cálculo do IRC (CIE, 1995).

A melhor reprodução possível de uma fonte luminosa, comparada a uma

referência, gera um IRC = 100. Então se uma fonte luminosa apresenta um índice de

60%, este está relacionado com uma fonte de referência que é de 100%. É costume,

entre os fabricantes de lâmpadas, a apresentação de uma tabela que informa

comparativamente o índice de reprodução de cores e a temperatura de cor correlata

(tabela 3.2).

Tab. 3.2: Valores de TCC e IRC para algumas fontes de luz (Phillips, 2010). Fonte de luz TCC (K) IRC

Natural Céu claro 7500-19000 100 Céu claro + sol 5800-6500 100 Céu encoberto 6400-6900 100

Incandescente 500 W 2850 97 Halógena 3000 89

Fluorescente

Branca fria 4350 67 Branca quente 3100 55 Luz natural 6600 75 Branca quente “Deluxe” 3230 77

Vapor de mercúrio

Clara 5900 22 Branca “Deluxe” invertida 4000 43

Vapor metálico Claro 5200 55 Revestida 4600 75

Vapor de sódio alta pressão 2250 25 A norma IEC/TR 62732 (IEC, 2011) define uma codificação de três dígitos para

representar o IRC e TCC de uma lâmpada. O primeiro dígito representa o IRC e os dois

últimos a TCC. De acordo com a norma IEC, os valores de CRI de uma lâmpada são

expressos por códigos obtidos a partir de intervalos, como por exemplo: IRC=67 a 76 –

código “7”;; IRC=77 a 86 – código “8”;; IRC=87 a ≥ 90 – código “9”.

O maior código é 9 e valores menores que 7 devem ser deduzidos por analogia.

Os valores de TCC são expressos, dividindo o valor nominal de TCC da lâmpada por


100 e arredondando o valor obtido para o mais próximo valor inteiro. O método de

cálculo é válido para TCC menores que 10000 K. Assim, uma lâmpada como IRC de 89

e TCC de 5400 K, de acordo com a IEC deve ser codificada como 954.

3.3.3 Fontes luminosas

São consideradas fontes luminosas qualquer processo que emite, reemite, ou

conduz energia em quantidades suficientes para produzir luz, isto é, radiação

eletromagnética com comprimentos de onda na região do visível.9 Existem vários tipos

de fontes luminosas, as naturais (sol) e as artificiais que são desenvolvidas com base em

diversos tipos de tecnologias. A distribuição da radiação eletromagnética emitida por

estas lâmpadas depende da natureza da superfície do corpo que a emite e das condições

de utilização. As lâmpadas artificiais elétricas podem ser divididas em dois principais

grupos, lâmpadas incandescentes e lâmpadas de descarga.

A lâmpada incandescente produz luz pelo aquecimento elétrico de um fio (o

filamento) a uma temperatura tão alta que radiação visível também é emitida. Para que o

filamento não queime, ele é encerrado em um bulbo de vidro, em cujo interior se produz

vácuo (lâmpadas de baixa potência) ou se introduz um gás inerte10 (lâmpadas de média

e alta potência). As lâmpadas incandescentes comuns se apresentam em bulbos claros

ou leitosos (Figura 3.14) e são as mais conhecidas e de tecnologia mais antiga (Phillips,

1981). As lâmpadas incandescentes refletoras são lâmpadas que possuem um espelho

sobre a parte da superfície interna do bulbo (um refletor) que melhora o direcionamento

da luz produzida (Figura 3.14). A área espelhada funciona como uma luminária

garantindo alto rendimento durante a vida útil da lâmpada (Phillips, 1981).

9Região do visível: limite inferior entre 360 nm e 400 nm e limite superior entre 760 nm e 830 nm de acordo com a

CIE 17.4 (CIE, 1987). 10Nitrogênio, argônio e criptônio são os gases mais comumente usados.


Fig. 3.14: Exemplos de lâmpadas incandescentes comuns e refletoras (Philips, 2010).

A alta temperatura do filamento em uma lâmpada incandescente causa a

evaporação de partículas de tungstênio, que se condensam na parede do bulbo,

resultando no seu escurecimento. Para evitar o escurecimento, é introduzido no interior

do bulbo da lâmpada, além dos gases normalmente usados, um halogênio (normalmente

iodo, flúor ou bromo). Além disto, é utilizado um bulbo de quartzo que suporta elevadas

temperaturas evitando assim a condensação. Desta forma, o tungstênio evaporado

combina-se com o halogênio presente, formando, por exemplo, o iodeto de tungstênio.

Quando este novo gás entra em contato com o filamento, faz com que o tungstênio da

mistura seja redepositado no filamento e o halogênio presente continua em um ciclo

regenerativo (Phillips, 1981).

As lâmpadas incandescentes halógenas (Figura 3.15) são muito menores do que

as lâmpadas normais e são usadas especialmente em instalações com projetores de

diversos tipos ou como fonte de luz de automóveis (Phillips, 1981).

Fig. 3.15: Exemplos de lâmpadas incandescentes halógenas (Philips, 2010).


Podem-se considerar alguns aspectos positivos da lâmpada incandescente, que

são, baixo custo inicial, tamanho reduzido, funcionamento imediato, excelente

reprodução de cores (alto IRC), etc. Porém estas lâmpadas possuem vida útil limitada,

são sensíveis a choques e vibrações e possuem elevada dissipação de calor (Phillips,

1981).

As lâmpadas de descarga produzem luz por uma contínua descarga elétrica num

gás ou vapor ionizado, às vezes em combinação com a fluorescência de fósforos, que

são excitados pela radiação da descarga. Estas lâmpadas em geral não podem ser

operadas sem um dispositivo de limitação da corrente, ou reator, ligado no circuito da

lâmpada. O reator tem como principal função limitar a corrente na lâmpada ao valor

recomendado. Além do reator, um ignitor é usado para iniciar a descarga, que sozinho

ou em combinação com o reator, fornece pulsações de tensão, que ionizam o caminho

da descarga e provocam a partida. A ignição é seguida pela estabilização do gás ou

vapor, que poderá demorar alguns minutos dependendo do tipo de lâmpada. As

lâmpadas fluorescentes tubulares têm um tempo de estabilização menor, sendo este

maior para as lâmpadas de alta pressão.

As lâmpadas fluorescentes tubulares são lâmpadas de descarga de baixa pressão

(Figura 3.16), no qual a luz é predominantemente produzida por pós fluorescentes

(normalmente fósforo) ativados pela energia ultravioleta da descarga. A lâmpada

normalmente com bulbo tubular longo contém vapor de mercúrio sob baixa pressão,

com uma pequena quantidade de gás inerte para facilitar a partida. A parte interna do

bulbo é coberta com um pó fluorescente cuja quantidade determina a quantidade e cor

da luz emitida, além das características da lâmpada tais como temperatura de cor

correlata, índice de reprodução de cor, etc. Existem também as lâmpadas de baixa

pressão compostas com vapor de sódio e gases inertes. A descarga ocorre no invólucro


de vidro tubular à vácuo, coberto na superfície interna com óxido de índio. Esta

lâmpada caracteriza-se por emitir uma radiação monocromática na região espectral do

amarelo e apresenta uma longa vida média.

As lâmpadas fluorescentes compactas (descarga de baixa pressão) são assim

chamadas devido ao seu pequeno tamanho e baixa potência (Figura 3.16). A produção

destas lâmpadas foi possível com a utilização de fósforos tricromáticos que

proporcionam um bom IRC e TCC. Estas lâmpadas proporcionam uma redução no calor

gerado pelo sistema e conseqüentemente uma grande economia de energia elétrica.

Fig. 3.16: Exemplos de lâmpadas fluorescentes tubulares de baixa pressão (Philips,

2010).

Podem-se considerar alguns aspectos positivos da lâmpada de descarga de baixa

pressão, que são: o custo de operação menor quando comparado com as incandescentes,

a vida média alta, etc. Por outro lado, estas lâmpadas possuem custo inicial alto,

necessitam de equipamento auxiliar, são sensíveis a temperatura do ambiente, possuem

maiores dimensões (com exceção das lâmpadas compactas) além de produzirem ruído

causado pelos reatores.

As lâmpadas de alta pressão de mercúrio (Figura 3.17) têm como componente

principal um tubo de arco, assim como as lâmpadas multi-vapores metálicos e as

lâmpadas de sódio de alta pressão. O tubo de arco (tubo de descarga) é feito de quartzo,

material capaz de suportar altas temperaturas. Dentro do tubo de arco existem dois

eletrodos denominados principais, responsáveis pelo arco elétrico criado dentro do tubo.

O tubo de arco é protegido por uma estrutura de vidro que é preenchido por gás inerte.


Este protege o sistema contra a oxidação e ajuda a manter a temperatura da lâmpada

praticamente constante. Algumas lâmpadas de vapor de mercúrio têm o bulbo revestido

com pó de fósforo que melhoram a qualidade cromática da luz emitida. Estas lâmpadas

também precisam de um reator para seu funcionamento (Phillips, 1981). A radiação das

lâmpadas de vapor de mercúrio de alta pressão tem uma aparência branco-azulada.

Essas lâmpadas são muito usadas para iluminação de grandes áreas internas (prédios,

armazéns, depósitos, etc.) e externas, onde uma boa reprodução de cores não é exigida.

Estas lâmpadas apresentam duração média, além de apresentarem um volume pequeno.

Entretanto apresentam necessidade de reator, levando de 4 a 5 minutos para se

estabilizarem além de apresentarem custo inicial elevado.

As lâmpadas de vapor metálico são similares à lâmpada de mercúrio, porém

contêm aditivos junto ao iodeto, como índio, tálio e sódio, para melhorar a reprodução

de cor. As lâmpadas de vapor de sódio de alta pressão (Figura 3.17) contêm excesso de

sódio para dar condições de saturação do vapor quando a lâmpada está em

funcionamento, além de excesso de mercúrio para proteção e uma mistura de gases

inertes (neônio e argônio) sob baixa pressão para facilitar a ignição. Apresentam uma

luz com tonalidade alaranjada, sendo empregadas em iluminação externa e industrial.

Apresentam ainda notável vida média e reprodução de cor razoável. Porém possui custo

inicial elevado e necessita de reator para partida, levando de 5 a 8 minutos para se

estabilizar (Phillips, 1981).

Fig. 3.17: Exemplos de lâmpadas de descarga de alta pressão (Philips, 2010).


Novas tecnologias têm surgido nos últimos anos no mercado e têm sido cada vez

mais usadas em projetos de iluminação. Como por exemplo o LED (do inglês Light

Emission Diode, diodo emissor de luz) que é um dispositivo eletrônico semicondutor,

que quando polarizado diretamente, ocorre a recombinação de lacunas e elétrons. Essa

recombinação exige que a energia armazenada por esses elétrons sejam liberadas na

forma de calor ou luz devido à passagem da corrente elétrica na junção anodo para o

catodo (Novicki e Martinez, 2008). Diferente de uma lâmpada, o LED não possui

filamento, o grande responsável por converter a maior parte da energia elétrica em

energia térmica (calor), que no caso das lâmpadas significa desperdício e energia. Os

LEDs são capazes de produzir muito mais luz visível do que calor ao ser comparado

com uma lâmpada incandescente, o que o torna mais eficiente, chegando a economizar

50% da energia quando comparado às fontes tradicionais. A iluminação com LEDs

consome menos energia que a maioria das outras tecnologias, dura mais e requer menos

manutenção. Porém a luz branca é obtida através da adição de elementos que geram as

cores separadamente (AlGaInP para o vermelho, InGaN para o verde e InGaN para o

azul) ou através do uso do LED azul com adição do fósforo amarelo (Novicki e

Martinez, 2008), além de apresentar custo ainda elevado.

Na figura 3.18 são exemplificadas algumas distribuições espectrais de lâmpadas

comerciais, onde se percebem que as lâmpadas incandescentes apresentam espectro

contínuo enquanto as lâmpadas de descarga apresentam espectros descontínuos.

Lâmpadas incandescentes produzem luz que tem predominantemente radiação na região

do infravermelho, enquanto as lâmpadas fluorescentes têm baixa emissão nesta região.

Desta forma, a iluminação a ser utilizada para a caracterização de determinado material

deve ser selecionada de acordo com as propriedades da lâmpada a ser utilizada, tal

como temperatura de cor, índice de reprodução de cor, etc.


Lâmpada Incandescente

Lâmpada Fluorescente

Tubular

Lâmpada Fluorescente

Compacta

Lâmpada de Mercúrio

Fig. 3.18: Exemplos de distribuições espectrais de lâmpadas comerciais.

Muitos tipos de iluminação têm sido usados nos sistemas de classificação de

produtos, e o uso da correta fonte de iluminação para aplicações particulares requerem

testes experimentais. Por exemplo, Mohan et al. (2005) descreveram que lâmpadas

fluorescentes apresentaram melhores exatidão para identificar defeitos em grãos quando


comparadas com lâmpadas incandescentes halógenas e LEDs. A natureza biológica dos

produtos da horticultura, que apresentam uma grande variedade de tamanhos, formas,

texturas e cor, enfatiza a importância da exatidão do projeto do sistema de iluminação,

mas também alerta para a dificuldade de se estabelecer um sistema padronizado que irá

ser efetivo para todos os produtos e tipos de situações.

Um sistema de iluminação ineficiente pode dificultar a identificação de defeitos

e da cor dos produtos analisados. O uso de uma iluminação adequada em um sistema de

inspeção automática permite maximizar a qualidade do resultado final da análise da

imagem, e evitar o aumento do custo do estágio de pré-processamento.

3.4 Sistemas de inspeção automática

A Visão Computacional é a ciência responsável pelo estudo e aplicação de

métodos que possibilitam aos computadores entender o conteúdo de uma imagem, e esta

interpretação envolve a extração de características importantes para uma determinada

finalidade (Conci, Azevedo e Leta, 2008). O desenvolvimento de sistemas de Visão

Computacional requer uma entrada de dados (imagem) geralmente obtida de sensores,

câmeras ou vídeos. Essas imagens são processadas e transformadas em uma informação

esperada, como por exemplo, receber uma imagem colorida (dado), binarizar a imagem

(processamento), exibir uma imagem preta e branca em níveis de cinza (informação

esperada).

Apesar de um sistema de Visão Computacional (SVC) ser organizado de acordo

com sua aplicação, existem etapas típicas encontradas nos diversos sistemas que podem

ser resumidas como: aquisição de imagem, pré-processamento, segmentação, extração

de características e processamento.

A etapa de aquisição de imagem é um processo físico que depende de alguns

parâmetros para obtenção final de uma boa imagem, tais como o dispositivo usado na


aquisição de imagem, o sistema de iluminação empregado e a cor do fundo. A aquisição

de imagem consiste em capturar uma imagem real e transformá-la em uma imagem

digital através de dispositivos, tais como câmeras digitais, scanners, vídeos, etc. O

dispositivo usado na aquisição envia a informação da imagem adquirida a um conversor

analógico digital e então a imagem é representada na forma digital. A etapa de

processamento tem como objetivo o reconhecimento e a interpretação de imagens,

buscando dar sentido ao conjunto de objetos da imagem, visando à percepção

automática de dados pelo computador.

Atualmente a visão computacional tem sido utilizada em diversos setores da

indústria, contribuindo significativamente em diversas fases do ciclo produtivo de um

produto, tais como planejamento da produção e controle de qualidade. Os sistemas de

inspeção automática (SIA) são compostos basicamente de uma fonte de iluminação, um

dispositivo para obtenção da imagem e um sistema computacional (Figura 3.19). Os

SIA são normalmente utilizados nas linhas de produção quando a atividade humana é

repetitiva, os produtos são manufaturados muito rapidamente, necessitando de medidas

rápidas e precisas para a tomada de decisão durante o processo.

Fig. 3.19: Exemplo de um sistema de inspeção automática (Imatic, 2010).


3.5 Análise de cor por imagem

A percepção de um objeto (ou a imagem adquirida de um objeto) é uma função

da propriedade espectral deste objeto, da iluminação e da aquisição (humana ou não)

desta combinação. Sabe-se que o fenômeno da cor depende da natureza da luz (fonte

luminosa), da interação da luz com o material e da fisiologia da visão humana (ou do

equipamento de aquisição de imagem). O fenômeno de percepção da cor baseia-se na

resposta do organismo ao estímulo recebido a partir de uma radiação eletromagnética

originada em uma fonte luminosa, refletida ou não por um determinado material,

incidindo nos olhos do observador. Da mesma forma, a imagem adquirida de um objeto

é uma função da propriedade espectral do objeto, da iluminação e da resposta da câmera

ao estímulo recebido.

Assim como o olho humano, uma câmera digital possui sensores que convertem

a radiação (estímulo) em cargas elétricas, que depois são digitalizadas. Os sensores de

imagem mais utilizados nas câmeras digitais são o CCD (charge coupled device) e o

CMOS (complementary metal oxide semiconductor). Cada sensor é composto por dois

filtros, um preto e branco com sensibilidade a diferentes intensidades de radiação e

outro colorido, com sensibilidade nas cores vermelho, verde e azul, chamado filtro de

Bayer (Figura 3.20), distribuído de forma a tornar a aquisição da radiação na câmera o

mais similar possível ao olho humano.

Na figura 3.21 são apresentadas distribuições espectrais de filtros usados em

alguns modelos de câmeras, onde se observa a diferença entre os modelos e fabricantes.

Comparando a distribuição espectral das câmeras com a distribuição das funções de

equalização de cor da CIE (Figura 3.4) verifica-se uma grande diferença na distribuição

espectral, demonstrando tecnicamente a necessidade de calibração e caracterização

destes quando usados de forma quantitativa em sistemas de inspeção automática.


Fig. 3.20: Filtro de Bayer usado em câmeras digitais. (Smartphones guia prático, 2012).

Fig. 3.21: Distribuição espectral de câmeras digitais: 1 – CMOS; 2 – CCD (LDP LLC,

2012).

O processo de digitalização da imagem é gerado a partir do mapeamento da

imagem analógica, onde essa é dividida em vários pontos, formando uma matriz

bidimensional f(x,y). Cada ponto desta matriz representa o chamado pixel da imagem e,

devido ao filtro colorido usado, esses dois elementos estão relacionados com a

resolução espacial da cor da imagem que normalmente é representada por sistemas de

cores para possibilitar a sua representação. Da mesma forma que o olho humano, o

sistema de cores que mais se assemelha à aquisição de imagem é o sistema RGB,

devido à formação aditiva das três cores vermelho, verde e azul.

Várias características podem ser extraídas a partir dos valores obtidos em RGB

durante a etapa de processamento, inclusive características de aparência, como a cor.

Outros sistemas de cores também são usados na análise de cor por imagem a partir da

conversão dos valores de RGB em outros sistemas, tais como HSL, HSI, HSB e HSV


que são muito empregados por considerar os conceitos de matiz, saturação e

luminosidade.

Para a calibração de câmeras digitais faz-se necessário converter os diferentes

sistemas de cor usados para um sistema de cor conhecido e posteriormente comparar

com padrões previamente calibrados para dar rastreabilidade ao sistema. O sistema de

cor usado nas calibrações é o sistema de cor CIEXYZ, sistema desenvolvido pela CIE

para ser usado em colorimetria, e a partir deste, outros sistemas de cor devem ser usados

de acordo com a necessidade da área de aplicação. Na área de alimentos o sistema de

cor mais utilizado é o CIELAB, por se aproximar mais com a percepção humana.

3.5.1 Padronização e conversão para o sistema CIEXYZ

A crescente troca de imagem a cores entre muitos sistemas digitais requer uma

representação de imagem coerente nos dispositivos de saída. Porém cada dispositivo

representa uma imagem de acordo com as suas características físicas e químicas, e para

alcançar uma reprodução de cores consistente em um sistema de imagens é necessário

entender as características das cores geradas nos diversos dispositivos envolvidos e

executar um adequado algoritmo de correção.

A imagem digital é representada em RGB (devido à composição física da

câmera) com três componentes por pixel em uma faixa de 0 a 255. Convencionalmente,

esta informação é armazenada usando 8 bits por componente de cor e são chamados de

R’G’B’. Estes sinais são transformados não linearmente e eletronicamente combinados

para produzir uma figura digital colorida. Consequentemente os sinais gerados pelas

câmeras são diferentes entre si, visto que cada câmera possui o seu próprio sensor com

diferente distribuição espectral.

Desta forma, a International Electrotechnical Commission (IEC), através da

norma IEC 61966-2-1 definiu o sistema padrão sRGB. Este sistema é capaz de mapear


os sinais R’G’B’ originados do sensor da câmera, e defini-los em um sistema

independente CIEXYZ.

Os valores não lineares de R’G’B’ são transformados em valores lineares sRGB

pelas equações 3.17, 3.18 e 3.19 (Stokes, 1996).

(3.17)

seR’sRGB, G’sRGB, B’sRGB ≤ 0,03928:

(3.18)

senão, se R’sRGB, G’sRGB, B’sRGB > 0,03928:

,

, (3.19)

.

Os valores triestímulos sRGB inferiores a 0,0 ou maiores que 1,0 devem ser

ajustados para 0,0 e 1,0, respectivamente. Estes valores de sRGB são transformados nos

valores padronizados CIEXYZ 1931 através da equação 3.20.

(3.20)

Para a transformação inversa dos valores triestímulos CIEXYZ 1931 (obtidos no

certificado de calibração) para os valores R’G’B’ (obtidos na imagem digital), as

equações 3.21 a 3.24 devem ser adotadas.


(3.21)

Os valores triestímulos sRGB inferiores a 0,0 ou maiores que 1,0 devem ser

ajustados para 0,0 e 1,0, respectivamente.

Se RsRGB, GsRGB, BsRGB ≤ 0,00304:

(3.22)

senão, se RsRGB, GsRGB, BsRGB > 0,00304:

,

, (3.23)

,

e finalmente, os valores não lineares sR’G’B’ são convertidos para os valores de código

digital:

(3.24)

Cabe ressaltar a importância de verificar o sistema de cor usado na câmera

digital antes de utilizar as equações apresentadas. Algumas câmeras fazem a conversão

para outros sistemas de cores diferentes do sRGB durante a digitalização.


3.6 Incerteza de Medição de um Sistema Colorimétrico

Para a caracterização e estimativa de incerteza de um sistema colorimétrico,

vários parâmetros devem ser avaliados, dependendo da grandeza de interesse. A seguir

são descritos os procedimentos de análise de incerteza para as grandezas utilizadas nesta

tese, que são: fator de radiância espectral, coordenadas de cromaticidade, temperatura

de cor correlata e índice de reprodução de cor.

3.6.1 Fator de radiância espectral

O fator de radiância, adimensional, é a razão da radiância do elemento de

superfície em uma dada direção por aquela de um refletor perfeito, identicamente

irradiado (CIE, 2004). O cálculo do fator de radiância é obtido através da razão entre a

radiância da amostra analisada e a radiância do padrão (placa padrão branca) medida,

multiplicado pela radiância do padrão definida em seu certificado de calibração. Ou

seja, a equação da medição é dada por:

padrãopadrão

amostraamostra L

L )()()()(

(3.25) onde:

amostra é o fator de radiância da amostra,

L( )amostra é a radiância da amostra analisada medida com o espectrocolorímetro,

L( )padrão é a radiância do padrão medida com o espectrocolorímetro, e

padrão é o fator de radiância do padrão certificado.

As características que contribuem para a incerteza do fator de radiância são:

medida da radiância espectral da amostra, repetibilidade/reprodutibilidade, escala de

comprimento de onda, rastreabilidade, correção do zero e não linearidade (RTC-Lacoe-

002, 2010).

a) Influência da medida do fator de radiância - Incerteza do fator de radiância a

partir das flutuações aleatórias nas radiâncias espectrais medidas. Com base no Guia


para a expressão de incerteza de medição (ISO GUM, 2008), a incerteza do fator de

radiância é determinada conforme a equação 3.26:

|| 1ii

amostraipadrão

padrão

amostra

amostrapadrãoamostra LLL

LLL (3.26)

O componente de incerteza do fator de radiância para o comprimento de

onda i é dado por (3.27):

iamostraiamostra

iLamostrai

amostraamostra

i

LL

LL

(3.27)

Similarmente, o coeficiente de sensibilidade para a componente de incerteza

devido a flutuações em ipadrãoL será de acordo com (3.28).

ipadrãoipadrão

iLpadrãoi L

L

ipadrão

i

padrão

amostra

padrão LL

L i|

(3.28)

padrãoipadrão

ipadrãoi

Note que ipadrão é a incerteza padrão declarada no certificado de

calibração da placa padrão branca. A incerteza combinada é obtida pela lei de

propagação da incerteza conforme equação 3.29.

) () () ( 222padrãopadrãopadrãopadrãoLamostraamostraLic LCLCLC (3.29)

onde C são os respectivos coeficientes de sensibilidade (3.30):

ipadrão

ipadrão

ipadrão

ipadrãoL

iamostra

iamostraL C

LC

LC ;; . (3.30)

b) Influência da medida do fator de radiância - a análise da

repetibilidade/reprodutibilidade do sistema é realizada a partir de n medidas

consecutivas, repetidas em diversos dias, da radiância espectral de placas coloridas, e a

partir desses dados são calculados os desvios padrão de cada placa. O máximo desvio

encontrado dentre todas as medidas realizadas é considerado como contribuição na


incerteza. Este valor é dividido pela raiz quadrada do número de análise (n), sendo o

valor resultante um parâmetro fixo.

c) Influência da escala de comprimento de onda - a análise da incerteza da escala de

comprimento de onda é feita utilizando lâmpadas padrão ou filtros, obtendo valores de

comprimento de onda que são comparados com valores tabelados. A componente da

incerteza devido à escala de comprimento de onda será a diferença entre a escala de

comprimento de onda calculada e a escala de comprimento de onda tabelada, para cada

comprimento de onda, divido pela raiz quadrada de 3 (distribuição retangular).

d) Influência devido à rastreabilidade - a rastreabilidade do sistema baseia-se na

placa padrão branca “Russian Opal” calibrada por um Instituto Nacional de Metrologia

(INM). O valor considerado na incerteza devido à rastreabilidade é o valor declarado no

certificado de calibração da mesma sem considerar a multiplicação pelo fator de

abrangência, dividido por raiz quadrada de três (distribuição retangular) com base no

Guia para a expressão de incerteza de medição (ISO GUM, 2008).

e) Influência devido à correção do zero - o zero do sistema é determinado, a partir da

placa padrão preta, que representa o zero de radiância. Para a determinação da

influência da incerteza da correção do zero no sistema são realizadas n medidas de

radiância da placa preta padrão e a contribuição na incerteza da correção do zero é

calculada conforme equação (3.31).

1100

)%()( RbZerou (3.31)

onde:

)(Zerou é a incerteza da correção do zero;

b é o desvio padrão das medidas da amostra preta;

)(R é o fator de radiância do padrão medido em percentual.


Este cálculo depende do desvio padrão das medidas de radiância realizadas

durante a calibração, devendo ser calculado toda vez que for realizada uma calibração

em fator de radiância.

f) Influência devido a não linearidade – a não linearidade do sistema é determinada a

partir das medidas de cinco placas padrão neutras que compõem uma escala de cinza,

além do padrão branco e preto, conforme recomendado na norma ASTM 2214:2008

(ASTM, 2008). As placas utilizadas são: preta, diferença de cinza, cinza média, cinza

pálida e branca. A não linearidade representa a concordância entre os fatores de

radiância calculados a partir das medidas realizadas pelo espectrocolorímetro e os

fatores de radiância de referência (certificados) de cada placa padrão. Para a

determinação da não linearidade são plotados gráficos que relacionam os fatores de

radiância medidos e os certificados em comprimentos de onda pré-definidos (400nm,

500nm, 600nm e 700nm). É considerado na contribuição da não linearidade o maior

coeficiente linear obtido (máximo absoluto) dentre as análises realizadas, conforme

equação 3.32.

100)(1)()( RRLIu (3.32)

onde:

)(LIu é a incerteza da não-linearidade;

é o coeficiente linear entre os valores medidos e certificados;

)(R é o fator de radiância do padrão medido em percentual.

A partir da determinação de cada contribuição, a incerteza combinada do sistema

é definida como a raiz quadrada da soma quadrática das seis incertezas contribuintes

analisadas e a incerteza expandida é definida como a incerteza combinada multiplicada

pelo fator de abrangência k. O cálculo do fator de abrangência é realizado para cada


comprimento de onda do espectro visível a partir do grau de liberdade efetivo. A

incerteza do fator de radiância irá variar em função do mensurando.

3.6.2 Coordenadas de cromaticidade

O espectrocolorímetro mede a radiância espectral da amostra e a partir dos

valores medidos é calculado o fator de radiância (Equação 3.25) e posteriormente os

valores triestímulos XYZ e as coordenadas de cromaticidade CIExy 1931 a partir das

equações 3.1 a 3.3. As características que contribuem para a incerteza das coordenadas

de cromaticidade são: incerteza do cálculo da coordenada, rastreabilidade e

repetibilidade/reprodutibilidade (RTC-Lacoe-002, 2010).

a) Influência devido à incerteza do cálculo da coordenada - o cálculo das incertezas

das coordenadas de cromaticidade (x, y) é baseado em Gardner (2000a). A incerteza em

cada valor da radiância espectral da amostra (Li) é da forma: iii LLu 0)( . Se a

intensidade do sinal é razoável, pode ser ignorado e, na maioria dos casos, é

constante em todo o espectro, sendo substituído por uma constante As incertezas das

coordenadas de cromaticidade (x, y) são calculadas a partir das equações 3.33 e 3.34.

ii

iiiiiiic tL

tLxtxLxxLxu21

222222 )2()( (3.33)

ii

iiiiiiic tL

tLytyLyyLyu21

222222 )2()( (3.34)

onde:

L Radiância espectral da amostra;

x , y e z = Funções de equalização de cor da CIE;

iiii zyxt .

O cálculo da incerteza do fator de luminância Y% é obtido a partir da equação 3.35.


%)()(%)( YYYu

YYuYu

n

n (3.35)

onde:

%)(Yu =Incerteza do fator de luminância Y%

Y Valor estímulo-Y da placa sob teste;

nY =Valor estímulo-Y correspondente a uma placa de branco perfeito;

%Y =Fator de luminância

)(Yu =Incerteza do Valor estímulo-Y da placa sob teste

)( nYu =Incerteza do Valor estímulo-Y correspondente a uma placa de branco perfeito.

b) Influência devido à rastreabilidade - a rastreabilidade de um sistema colorimétrico

baseia-se na placa padrão branca calibrada por um INM. O valor considerado na

incerteza devido à rastreabilidade deve ser calculado a partir da diferença no valor das

coordenadas de cromaticidade (x, y) e no fator de luminância Y% da placa branca

calculados a partir dos valores de fator de radiância do certificado, somando e

subtraindo a incerteza declarada no certificado. A componente da incerteza devido à

rastreabilidade será a diferença calculada para cada parâmetro.

c) Influência devido à repetibilidade/reprodutibilidade - repetibilidade é o grau de

concordância entre os resultados de medições sucessivas de um mesmo mensurando e é

uma das características principais de um instrumento. Reprodutibilidade é o grau de

concordância entre os resultados de medições de um mesmo mensurando variando

alguma condição de medição, como por exemplo, um intervalo grande entre elas. Para a

análise da repetibilidade/reprodutibilidade, são realizadas medições de um mesmo

conjunto de placas padrão colorimétrico em diversos dias, e a partir dos fatores de

radiância calculados são calculadas as coordenadas de cromaticidade de cada placa, a

média entre os dias de medição e o desvio padrão para cada amostra (placa). Os maiores


iiiiii

iiiiii

iiiiiiiii

czLyLxL

zyLuzxLuu

yxLuuzEyLuxLu

uu315

90)4(6

)4(302254

)(

2/,1

222

222222222

iiiiii

iiiiii

iiiiiiiii

czLyLxL

zyLvvzxLv

yxLvvzLxLvyLv

vu315

)25(186

)25(69259

)(

2/,1

222

222222222

valores de desvio padrão encontrados são utilizados no cálculo de incerteza. É

importante destacar que a influência da repetibilidade considerada na planilha de

incerteza do sistema é definida pelo seu valor dividido pela raiz quadrada do número de

leituras.

3.6.3 Temperatura de cor correlata

As características que contribuem para a incerteza da temperatura de cor

correlata são: cálculo das coordenadas de cromaticidade, valor certificado da lâmpada

padrão, repetibilidade e estabilidade do instrumento (RTC-Lacoe-003, 2010).

aa)) Influência devido ao cálculo das coordenadas de cromaticidade (u,v) – o cálculo

das incertezas das coordenadas de cromaticidade (u,v) é baseado em Gardner (2000b).

As coordenadas de cromaticidade (u,v) são grandezas correlatas entre si, logo, a

incerteza padrão da medida uc(TCC) depende das incertezas combinadas de uc(u) e

uc(v). Os cálculos das incertezas das coordenadas de cromaticidade (u,v) são realizados

de acordo com as equações 3.36 e 3.37:

(3.36)

(3.37)

onde:

Li é a radiância espectral da amostra (lâmpada)

é a incerteza da radiância espectral da amostra (lâmpada) medida

)()(),( zeyx são as funções de equalização de cor


)()(2)()()( 22

22

2 vuvTuu

uTrvu

vTuu

uTTCCu ccuvccc

u e v são as coordenadas de cromaticidade do CIE UCS 1960.

A incerteza em temperatura de cor correlata é dada pela equação 3.38.

(3.38)

onde e são obtidos a partir do melhor ajuste obtido e irá variar em função de cada

calibração.

b) Influência devido ao valor certificado da lâmpada padrão - o sistema de TCC

possui sua rastreabilidade associada a uma lâmpada padrão rastreada a um INM. A

influência da incerteza da rastreabilidade considerada na planilha de incerteza é

determinada pelo certificado de calibração dividindo pelo fator de abrangência k.

cc)) Influência devido à repetibilidade - a análise da repetibilidade do sistema de TCC

é realizada utilizando uma lâmpada padrão. N medidas consecutivas da radiância

espectral são realizadas e a partir desses dados são calculados os valores de TCC. Em

seguida, é calculado o desvio padrão entre os valores encontrados, dividido pelo número

de leituras (n) para ser considerado na incerteza do sistema.

d) Influência devido à estabilidade do sistema – a análise da estabilidade do sistema

de TCC visa verificar a influência do foco do espectrocolorímetro durante a medida.

Esta análise também é realizada utilizando uma lâmpada padrão. São realizadas n

medidas da radiância espectral variando a posição do foco do espectrocolorímetro e a

partir desses dados são calculados os valores de TCC. Em seguida, é calculado o desvio

padrão entre os valores encontrados, dividido pelo número de leituras (n) para ser

considerado na incerteza do sistema.

A incerteza combinada do sistema é definida como a raiz quadrada da soma

quadrática das quatro incertezas contribuintes analisadas e a incerteza expandida é

definida como a incerteza combinada multiplicada pelo fator de abrangência k. O


cálculo do fator de abrangência é realizado para cada contribuição analisada a partir do

grau de liberdade efetivo.

3.6.4 Índice de reprodução de cor

Experiências têm mostrado que o valor do IRC é fortemente influenciado pela

radiância espectral da fonte a ser testada (Bially et al., 2010), que contribui para o

cálculo da incerteza do IRC com os seguintes fatores: incerteza combinada das

coordenadas de cromaticidade (u,v); incerteza combinada das coordenadas (U*, V*,

W*); incerteza combinada da diferença de cor (ΔE);; incerteza combinada dos índices de

reprodução de cor individuais (Ri); incerteza combinada do índice de reprodução de cor

geral (Ra) (RTC-Lacoe-015, 2012).

a) Incerteza combinada das coordenadas de cromaticidade - as coordenadas de

cromaticidade (u,v) dependem dos valores medidos de radiância espectral (Lλ,k,i). As

equações 3.39 e 3.40 representam o cálculo da incerteza das coordenadas (u,v)

(Gardner, 2005).

1/22 2 2 2 2 2 2, , , , , ,

2 2 2 2, , , , , ,

,, , , , , ,

4 225 9

30 4 6 4 90

15 3

k i k i k i

k i k i k ic k i

k i k i k i

u U L x u U L y U L z

u u U L x y u u U L x z u U L y zU u

L x L y L z

(3.39)

1/22 2 2 2 2 2 2, , , , , ,

2 2 2 2, , , , , ,

,, , , , , ,

9 5 2 9

6 5 2 6 4 18

15 3

k i k i k i

k i k i k ic k i

k i k i k i

v U L y v U L x U L z

v v U L x y v u U L x z v U L y zU v

L x L y L z

(3.40)

onde U(Lλ,k,i) é a incerteza relativa da radiância espectral da fonte a ser testada e é

definida por (3.41).

, , , ,k i k iU L L (3.41)

O valor de α é a incerteza relativa da melhor capacidade de medição de radiância espectral.


b) Incerteza combinada das coordenadas (U*, V*, W*) do Espaço de Cor

Uniforme CIE 1964 - a incerteza combinada da coordenada W* é dada pelas equações

3.42 a 3.45 (Gardner, 2005)

2

,2 2, ,

,

** k i

c k i k ik i

WU W U Y

Y

(3.42)

onde U(Yk,i) representa a incerteza do valor triestímulo Yk,i dada por:

2 2 2 2 2 2 2 2, , , , , , , ,k i k i k i k i k iU Y U L y L y L Y

(3.43)

Com isso, tem-se 2

2 2/3 2, ,

25*3c k i k iU W Y

(3.44) com o coeficiente de sensibilidade ∂W*k,i/∂Yk,i dado por:

3/2,

,

,

325*

ikik

ik YY

W (3.45)

Para a incerteza combinada da coordenada U*, têm-se as grandezas correlacionadas (u e

W*). Com isso, segundo o ISO GUM (ISO GUM, 2008):

, ,

, ,

2 2* * * *, , , ,2 * 2 2 * *

, , , * , , ,* *, , , ,

222 * * 2 2 *, , , , ,

* *, ,

*, ,

2

13 13

2 **

k i k i

k i k i

k i k i k i k ic k i c k i c k i W u c k i c k i

k i k i k i k i

c k i k i c k i k i k c k i

k i k ic kW u

k i k i

U U U UU U U u U W r U u U W

u W u W

U U W U u u u U W

u Ur U w

W u , ,i c k iU u(3.46)

Onde os coeficientes de sensibilidade são: *,

,,

13*k i

k i kk i

Uu u

W (3.47) *,

,,

13 *k ik i

k i

UW

u (3.48) e,


, ,

, , 2, ,

, , , ,

*

2 2

, ,2 2, , , ,

, , , ,

*

*

k i k i

k i k ic k i

k i k i

W u

k i k ic k i c k i

k i k i

W uU L

L L

r

u WU L U L

L L (3.49)

é o coeficiente de correlação entre W*k,i e uk,i, cujos valores de seus coeficientes de

sensibilidade são dados pelas equações 3.50 e 3.51.

, 2/3,

, ,

* 253

k ik i

k i

WY y

L (3.50) ,

, , ,, ,

4 /k ik i k i

k i

ux u t L t

L (3.51) com:

15 3t x y z (3.52) De forma semelhante, para a incerteza combinada da coordenada V*, tem-se grandezas

correlacionadas (v e W*):

, ,

, ,

2 2* * * *, , , ,2 * 2 2 * *

, , , * , , ,* *, , , ,

222 * * 2 2 *, , , , ,

* *, ,

*, ,

2

13 13

2 **

k i k i

k i k i

k i k i k i k ic k i c k i c k i W v c k i c k i

k i k i k i k i

c k i k i c k i k i k c k i

k i k ic kW v

k i k i

V V V VU V U v U W r U v U W

v W v W

U V W U v v v U W

V Vr U w

W v , ,i c k iU v (3.53)

onde os coeficientes de sensibilidade: *,

,,

13 *k ik i

k i

VW

v (3.54) *,

,,

13*k i

k i kk i

Vv v

W (3.55) e,


, ,

, , 2, ,

, , , ,

*

2 2

, ,2 2, , , ,

, , , ,

*

*

k i k i

k i k ic k i

k i k i

W v

k i k ic k i c k i

k i k i

W vU L

L L

r

v WU E U L

L L (3.56)

é o coeficiente de correlação entre W*k,i e vk,i com:

,, ,

, ,

6 /k ik i

k i

vy vt L t

L (3.57)

c) Incerteza combinada da resultante da diferença de cor (ΔE) - a incerteza

combinada da resultante da diferença de cor depende das variáveis correlacionadas

U*k,i, V*k,i e W*k,i. Com isso a incerteza de ΔEk,i, de acordo com Bially et al. (2010) é

dada por:

2 2 2

, , ,2 2 * 2 * 2 *, , , ,* * *

, , ,

, , * **, * , ,* *

, ,

, ,*, * *

,

2

2

k i k i k ic k i c k i c k i c k i

k i k i k i

k i k iU V c k i c k i

k i k i

k i k iU W

k i k

E E EU E U U U V U W

U V W

E Er U U U V

U V

E Er

U W* *, ,*

,

, , * ** * , ,* *

, ,

2

c k i c k ii

k i k iV W c k i c k i

k i k i

U U U W

E Er U V U W

U W (3.58) onde:

2,,

2,,

2,,,,

,

, ******/*** ikirikirikiririk

ik

ik WWVVUUUUU

E

(3.59)

2,,

2,,

2,,,,

,


ik

ik WWVVUUVVV

E

(3.60)

2,,

2,,

2,,,,

,


ik

ik WWVVUUWWW

E(3.61)

os coeficientes de sensibilidade e os coeficientes de correlação são dados por:

ikCik

ikCik

ikCikik

VU LULVLU

LULU

LV

LUr ,,

2

2

,,,,

2

2

,,,,

2

,,,,**,

**/** (3.62)


ikCik

ikCik

ikCikik

WU LULWLU

LULU

LW

LUr ,,

2

2

,,,,

2

2

,,,,

2

,,,,**,

**/** (3.63)

ikCik

ikCik

ikCikik

WV LULWLU

LVLU

LW

LVr ,,

2

2

,,,,

2

2

,,,,

2

,,,,**,

**/** (3.64)

cujo coeficientes de sensibilidade são:

ik

k

ik

ik

ikkik

ik Lu

Lu

WLWuu

LU

,,,,

,

,,,

,,

*13*13*

(3.65)

ik

k

ik

ik

ikkik

ik Lv

Lv

WLWvv

LV

,,,,

,

,,,

,,

*13*13*

(3.66)

yYLW

ikik

3/2,

,, 325*

(3.67)

d) Incerteza combinada dos índices de reprodução de cor individuais (Ri) - a

incerteza combinada de cada índice de reprodução de cor individual é dada por:

,4,6c i c k iU R U E (3.68)

Levando-se em consideração as equações anteriores.

e) Incerteza combinada do índice de reprodução de cor geral (Ra) - a incerteza

combinada do índice de reprodução de cor geral é dada por:

8

1

18c a c i

iU R U R

(3.69) Levando-se em consideração as equações anteriores. A incerteza combinada Uc(Ra) é

normalmente denominada na tabela de incerteza como UIRC.

f) Influência devido à repetibilidade - a análise da repetibilidade nas medições do

IRC é realizada utilizando lâmpadas de três temperaturas de cor diferentes (por

exemplo: 2800, 4000 e 6400 K). São realizadas n medidas consecutivas da radiância

espectral de cada lâmpada na mesma posição, ao longo do tempo, em intervalos de 10


minutos, pelo mesmo operador. A partir desses dados são calculados os valores do IRC

e o desvio padrão entre os valores encontrados, dividido pelo número de leituras.

g) Influência devido à reprodutibilidade (homogeneidade da lâmpada) - a análise

da homogeneidade visa verificar a influência do posicionamento da lâmpada na não

uniformidade do espectro gerado. Esta análise é realizada utilizando lâmpadas de três

temperaturas de cor diferentes. São realizadas 10 medidas da radiância espectral de cada

lâmpada, rotacionando a lâmpada de 45° em torno de seu eixo para verificar a influência

da homogeneidade e a partir desses dados são calculados os valores de IRC e o desvio

padrão entre os valores encontrados, dividido pelo número de leituras.

A incerteza combinada do sistema é definida como a raiz quadrada da soma

quadrática das incertezas contribuintes analisadas, e a incerteza expandida é definida

como a incerteza combinada multiplicada pelo fator de abrangência k. O cálculo do

fator de abrangência é realizado para cada contribuição analisada a partir do grau de

liberdade efetivo. A incerteza do índice de reprodução de cor irá variar em função de

cada calibração, variando em função do mensurando.

Diante da fundamentação teórica apresentada, esta tese visa apresentar uma nova

metodologia para caracterização das etapas de amadurecimento da banana a partir de

análise colorimétrica, propondo uma padronização para o setor, no que diz respeito a



sistema, apresentando como inovações um novo indicador para caracterização do

amadurecimento da banana, um programa desenvolvido em Matlab e uma metodologia

de medição e estimativa de incerteza de medição para caracterização de cor por

imagem, fazendo ganhos ao estado da arte.

96

Capítulo 4

Materiais e Métodos

Para o desenvolvimento de uma nova metodologia de ensaio não destrutivo para

caracterização de cor por imagem foram realizadas medidas espectrais da casca de

frutas a fim de acompanhar e caracterizar espectralmente suas etapas de

amadurecimento (item 4.1).

Posteriormente, um novo sistema foi montado para análise da influência da

iluminação e da cor do fundo na caracterização das subclasses de amadurecimento da

banana (item 4.2), e finalmente, a partir de imagens digitais, a cor da casca foi analisada

a partir do programa desenvolvido (item 4.3). Estas etapas são resumidas na figura 4.1.

.

4. Materiais e Métodos 97

Fig. 4.1: Resumo da metodologia.

4.1 Análise espectral do amadurecimento de frutas

4.1.1 Materiais

4.1.1.1 Instrumentos e Equipamentos

Para a realização das medidas para análise da cor das frutas visando à

caracterização do amadurecimento, foi montado, no Laboratório de Colorimetria e

Espectrofotometria (Lacoe) da Divisão de Metrologia Óptica (Diopt) do Inmetro, um

sistema espectrofotométrico composto basicamente por uma fonte de corrente DC, um

suporte para lâmpada, um Espectrocolorímetro PR 650 e suportes para as amostras. Os

Análise da cor da casca da banana em diferente subclasses (item 4.3.2)

Análise da cor da casca da banana por análise de imagem (item 4.3) Calibração do sistema de Visão Computacional (item 4.3.1)

Análise espectral da casca da banana nas subclasses de amadurecimento (item 4.2.2.2.5) Influência da iluminação Influência da cor do fundo

Análise da influência da iluminação e da cor do fundo na percepção da cor (item 4.2) Caracterização da fonte de iluminação

em TCC e IRC (item 4.2.2.2.2) Caracterização da cor do fundo

(item 4.2.2.2.3) Verificação do sistema

espectrocolorimétrico (item 4.2.2.2.4)

Análise espectral da casca da banana durante o amadurecimento (item 4.1.2.5)

Análise espectral de frutas em diferentes etapas de amadurecimento (item 4.1.2.4)

Análise espectral do amadurecimento de frutas (item 4.1) Caracterização da fonte de iluminação em

TCC e IRC (item 4.1.2.2) Verificação do sistema espectrocolorimétrico

(item 4.1.2.3)


instrumentos e padrões que compuseram o sistema espectrocolorimétrico são

apresentados na tabela 4.1.

Tab. 4.1: Instrumentos e padrões do sistema espectrocolorimétrico do Lacoe. Instrumento/Padrão/Acessório Identificação Observações

Lâmpada padrão

Optronic FEL 676

Lâmpada de filamento de tungstênio que apresenta o mesmo comportamento do iluminante A

quando operada a uma temperatura de cor de 2856K.

Fonte de corrente DC

FUG NTN 1400-125 A corrente de alimentação da

lâmpada é definida na fonte de corrente.

Resistor Padrão

Resistor Padrão 0,01 Ω Guildline

Modelo 9230/100 Nº de série: 66691

As condições de corrente da lâmpada são monitoradas com o auxílio do resistor e registradas

durante todo o processo de medição pelo multímetro.

Multímetro

Agilent 34970A Nº de série: MY41003242

As condições da lâmpada – tensão e corrente – e a temperatura da

superfície da amostra são monitoradas e registradas durante todo o processo de medição pelo

multímetro.

Placa padrão branca

NPL DR 01

A caracterização da cor é realizada a partir da medida da placa padrão

branca, que é a referência de 100%.

Placa padrão preta brilhosa

NPL CL 03


preta, que é a referência de 0%.

Espectrocolorímetro

PhotoResearch PR 650 Nº de série: 60020909

O Espectrocolorímetro captura os dados a partir do software

SpectraWin que gera a distribuição espectral em forma de

tabelas e gráficos.


Instrumento/Padrão/Acessório Identificação Observações

Placas colorimétricas

brilhosas

Conjunto de placas padrão colorimétricas brilhosas

DP01

Padrões utilizados para a calibração das coordenadas de cromaticidade e linearidade do

sistema.

Termohigrômetro

TESTO Nº de série: 327

As condições ambientais do laboratório – temperatura e umidade – são monitoradas durante todo o processo de

medição pelo termohigrômetro.

Para a montagem do sistema, foram utilizados, além dos instrumentos

apresentados na tabela 4.1, padrões de trabalho, trilhos ópticos de exatidão e caixas

pretas (housing) que protegem partes importantes do sistema de influências externas. A

geometria óptica de visualização utilizada foi a Normal/45º (0º:45º), onde a amostra foi

iluminada por um feixe incidente à normal e observada pelo espectrocolorímetro em um

ângulo de 45º da normal, obedecendo à disposição dos componentes de acordo com o

esquemático apresentado na figura 4.2. A amostra foi posicionada a uma distância de

aproximadamente 40 cm da lente do espectrocolorímetro no sistema de medição de

forma a atender a recomendação do manual do equipamento (posição 9 na figura 4.2).

O espectrocolorímetro PR650 da PhotoResearch contém em seu interior um

espectrômetro com um arranjo de diodos que adquire os sinais ópticos e os transforma

em sinais eletrônicos, a cada 4 nm no intervalo de comprimento de onda de 380 nm a

780 nm. O PR650 é um instrumento equipado com software interno para fornecer os

valores de medição em radiância espectral das amostras analisadas. Durante as

medições o espectrocolorímetro foi conectado a um computador e as medições foram

realizadas utilizando-se o programa de aquisição de dados que acompanha o

instrumento, o SpectraWin versão 2.8. O instrumento obteve a distribuição espectral do

objeto medido e os arquivos de dados foram gravados e armazenados para um posterior


tratamento dos dados. A partir deste arquivo, os valores foram transferidos para uma

planilha de cálculo em Excel, onde foram calculadas as grandezas de interesse.

Fig. 4.2: Esquemático do sistema espectrocolorimétrico do Lacoe.

O sistema espectrocolorimétrico do Lacoe foi caracterizado em 2010 conforme

metodologia apresentada no capítulo 3 (item 3.6) sendo a melhor capacidade de

medição do sistema para as medidas do fator de radiância espectral e coordenadas de

cromaticidade apresentadas nas tabelas 4.2 e 4.3, conforme Relatório Técnico RTC-

Lacoe-002 – “Relatório Técnico de Caracterização do Sistema de Colorimetria e

Calibração do Espectrocolorímetro PR650 – Estimativa da Incerteza da Medição”,

emitido em 05/05/2010. A figura 4.3 representa o diagrama de rastreabilidade do

sistema espectrocolorimétrico do Lacoe.

Tab. 4.2: Melhor capacidade de medição para o fator de radiância espectral.

Serviço Instrumento Comprimento de onda Geometria

Largura de

banda espectral

Material Intervalo

Incerteza expandida com k=2 e

nível de confiança

= 95%

Observação

Calibração em fator

de radiância espectral

Espectrocolorímetro 380 nm a 780 nm 0º:45ºa 4nm

Qualquer Placa

Branca ou de Cor

0,3% a 100%

0,51% a 2,02%

A incerteza varia com o mensurando


Tab. 4.3: Melhor capacidade de medição para coordenada de cromaticidade.

Fig. 4.3: Diagrama da rastreabilidade do sistema espectrocolorimétrico (RTC-Lacoe-

002, 2010).

4.1.1.2 Frutas

As frutas utilizadas na primeira etapa da pesquisa foram compradas no comércio

local. As frutas foram escolhidas de forma a apresentar os extremos da fase de

amadurecimento, sendo adquirido um par para cada tipo de fruta, uma com aparência

verde (o mais verde que foi possível de ser adquirida no comércio) e uma com aparência

madura (Figura 4.4). As frutas analisadas foram banana (verde e amarela), goiaba

(verde e amarela), laranja (verde e amarela), limão (verde e amarelo), maçã (verde e

vermelha – neste caso frutas de grupos diferentes), mamão papaia (verde e amarelo),

manga (verde e vermelha – neste caso frutas de grupos diferentes) e maracujá (verde e

amarelo).

Serviço Instrumento Comprimento de onda Geometria

Largura de

banda espectral

Material Intervalo

Incerteza expandida com k=2 e

nível de confiança

= 95%

Observação

Calibração em

coordenadas x,y e Y%

Espectrocolorímetro 380 nm a 780 nm 0:45ºa 4nm

Qualquer Placa

Branca ou de Cor

x, y, 0a 1 e Y%, 0

a 100

x,y = 0,0003 a 0,0012 e

Y% = 1,13 % a 1,32

%

A incerteza varia com o mensurando


Fig. 4.4: Frutas caracterizadas no sistema espectrocolorimétrico.

Devido a sua grande importância internacional, a banana foi escolhida como

estudo de caso na pesquisa realizada. A classificação técnica da banana utilizada é:

banana do cultivar ‘Prata’ (Musa sapientum AAB). Com o objetivo de medir a evolução

da cor durante o amadurecimento, foram realizadas medidas em bananas adquiridas na

subclasse C1 (verde) da etapa de amadurecimento (Figura 4.5). As bananas utilizadas

nesta análise foram adquiridas diretamente com o produtor na localidade da Mazomba,

Itaguaí, RJ.

Fig. 4.5: Bananas na subclasse C1 de amadurecimento.

Com o objetivo de garantir o mesmo posicionamento da fruta durante todas as

medidas, um suporte foi desenvolvido especialmente para uso nestas análises (Figura


4.6) de forma a manter a fruta apoiada na posição horizontal durante todo o

amadurecimento, até a fruta começar a deteriorar.

Fig. 4.6: Suporte para posicionamento da banana durante as medições.

4.1.2 Método

4.1.2.1 Principais etapas

Estabilização do sistema: Todos os equipamentos do sistema espectrocolorimétrico

descritos no item 4.1.1.1 (espectrocolorímetro, termohigrômetro, multímetro e fonte de

alimentação) foram ligados 30 minutos antes de iniciar o processo de medição para a

estabilização eletrônica. Em seguida ajustou-se a corrente da lâmpada (6,99 A) e

aguardou-se 20 min para estabilização. Os registros das condições ambientais foram

realizados durante o processo de medição. Os valores de corrente e tensão da lâmpada

também foram registrados durante as medições.

Medidas com o espectrocolorímetro: todas as medidas de radiância espectral

realizadas pelo espectrocolorímetro PR-650 (item 4.1.1.1) foram repetidas dez vezes.

Em cada medida, os valores de radiância espectral foram adquiridos no intervalo de

4nm, desde 380 nm até 780 nm, coletados e gravados em arquivo tipo txt para posterior

tratamento dos dados em planilhas em Excel.

Procedimento de cálculo: a partir dos espectros de radiância adquiridos pelo PR 650,

foram calculados a média das dez medidas realizadas, o desvio padrão, e a distribuição


espectral relativa da lâmpada S( ), normalizando os valores médios de radiância

espectral obtidos no comprimento de onda de 560 nm.

4.1.2.2 Caracterização da fonte de iluminação em TCC e IRC

Foram realizadas medidas da radiância espectral da lâmpada halógena tipo Fel,

N/S 676 do fabricante Optronic seguindo as principais etapas de estabilização do

sistema, medidas com o espectrocolorímetro e procedimento de cálculo (item 4.1.2.1).

Posteriormente foram calculados a TCC e IRC e a incerteza das medições.

1- A temperatura de cor correlata (TCC) foi calculada a partir da distribuição espectral

relativa S( ). Usando as equações 3.9 a 3.11 foram calculadas as coordenadas de

cromaticidade (u,v) CIE 1960 e usando o método de Robtson (Wyszeckie e Stiles,

1982), foi determinada a temperatura de cor correlata. O cálculo da TCC foi realizado

de acordo com o procedimento de cálculo descrito no item 3.3.2.

2- O índice de reprodução de cor (IRC) foi calculado a partir da TCC obtida no item 1.

O índice de reprodução de cor geral (Ra) (Equação 3.14) é calculado a partir da média

dos índices de reprodução de cor especial (Ri) (Equação 3.15) calculados a partir da

diferença (Equação 3.16) entre a cor de um objeto observado sob uma lâmpada e sob


(CIE, 1995). Os índices foram obtidos de acordo com o procedimento de cálculo

descrito no item 3.3.2.

3- A incerteza de medição foi estimada a partir dos valores calculados no item 1 e 2

conforme procedimento de cálculo descrito no item 3.6.3 e 3.6.4.

Este procedimento de caracterização da lâmpada foi repetido todas as vezes que

o sistema foi usado, antes do início das medidas das amostras, de forma a reproduzir as

mesmas condições de iluminação no sistema de medição.


4.1.2.3 Verificação do sistema espectrocolorimétrico

Após a caracterização da lâmpada, o sistema de medição foi verificado, de forma

a avaliar a exatidão do sistema espectrocolorimétrico. Foram realizadas medidas com

padrões colorimétricos brilhosos do conjunto Ceram DP01, calibrados no Lacoe

(certificado Lacoe Dimci 0802/2010). As placas cerâmicas, nas cores vermelha (Red),

verde (Green) e azul (Cyan), foram usadas na verificação, além das placas, branca

DR01 e preta CL03 que são padrões do sistema.

Foram realizadas medidas para cada padrão seguindo as etapas principais de

estabilização do sistema, medidas com o espectrocolorímetro e procedimento de cálculo

(item 4.1.2.1), sendo realizadas na seguinte sequência: placa padrão branca, placa

padrão preta, placa cerâmica vermelha, placa cerâmica verde, placa cerâmica azul e

novamente a placa padrão branca, inserindo uma por vez no suporte da amostra,

totalizando assim 60 medidas.

A partir da medida de radiância espectral foi possível efetuar os cálculos para

determinar as características colorimétricas, tais como o fator de radiância e as

coordenadas de cromaticidade (x,y) e Y% para cada placa padrão:

1- O fator de radiância é calculado a partir da razão entre a radiância da placa

analisada e a radiância do padrão (placa padrão branca) medido, multiplicado pela

radiância do padrão definida em seu certificado de calibração conforme descrito no item

3.6.1 e na equação 3.25.

2- Os valores triestímulos XYZ CIE 1931 são calculados a partir do fator de radiância

calculado no item 1 usando o conjunto de equações 3.1 e 3.2.

3- As coordenadas de cromaticidade (x,y) e o fator de luminosidade Y%, são

calculadas a partir dos valores triestímulos calculados no item 2 conforme metodologia

descrita no item 3.2 a partir do conjunto de fórmulas 3.3.


4- A incerteza de medição foi estimada conforme procedimento de cálculo descrito no

item 3.6.1 e 3.6.2, a partir dos valores calculados no item 1 e 3.

Este procedimento foi repetido todas as vezes que o sistema foi verificado de

forma a avaliar a exatidão do sistema de medição.

4.1.2.4 Análise espectral de frutas em diferentes etapas de amadurecimento

Nesta etapa da pesquisa o objetivo é avaliar a distribuição espectral de diferentes

frutas em diferentes etapas de amadurecimento de forma a verificar a existência de

características marcantes para as diferentes etapas de amadurecimento. As frutas

analisadas foram as citadas no item 4.1.1.2, além das placas branca DR01 e preta CL03,

padrões do sistema.

Foram realizadas medidas para cada padrão e amostra seguindo as etapas

principais de estabilização do sistema, medidas com o espectrocolorímetro e

procedimento de cálculo (item 4.1.2.1) sendo realizadas na seguinte sequência: placa

padrão branca, placa padrão preta, banana verde, banana amarela, goiaba verde, goiaba

amarela, laranja verde, laranja amarela, limão verde, limão amarelo, maçã verde, maçã

vermelha, mamão verde, mamão amarelo, manga verde, manga vermelha, maracujá

verde, maracujá amarelo, e novamente a placa padrão branca, inserindo uma amostra

por vez no suporte da amostra, totalizando 190 medidas.

4.1.2.5 Análise espectral da casca da banana durante o amadurecimento

Com o objetivo de medir a evolução da cor durante o amadurecimento da

banana, foram realizadas medidas durante vinte dias, duas vezes por dia, no período da

manhã e no período da tarde, em seis bananas adquiridas na subclasse C1 (item 4.1.1.2).

As bananas foram codificadas como BP01, BP02, BP03, BP04, BP e BG. Foram usadas

também nesta análise as placas, branca DR01 e preta CL03, padrões do sistema.


Realizaram-se, então, dez medidas para cada padrão e amostra seguindo as

etapas principais de estabilização do sistema, medidas com o espectrocolorímetro e

procedimento de cálculo (item 4.1.2.1) sendo realizadas na seguinte sequência: placa

padrão branca, placa padrão preta, banana BP01, banana BP02, banana BP03, banana

BP04, banana BP, banana BG, e novamente a placa padrão branca, inserindo uma

amostra por vez no suporte, totalizando 90 medidas por período de medição.



coordenadas de cromaticidade (x,y) e Y% para cada placa padrão:

1- O fator de radiância foi calculado através da razão entre a radiância da amostra



3.6.1 e equação 3.25.

2- Os valores triestímulos XYZ CIE 1931, calculados a partir do conjunto de equações

3.1 conforme descrito no item 3.2.

3- As coordenadas de cromaticidade (x,y) e o fator de luminosidade Y%, calculadas

conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas 3.3.

4- As coordenadas CIELAB, a partir dos valores triestímulos calculados no item 2. As

coordenadas L*a*b* foram calculadas conforme metodologia descrita no item 3.2, a

partir do conjunto de fórmulas 3.5.


item 3.6.1 e 3.6.2.

Este procedimento de medida foi repetido duas vezes ao dia, durante todo o

período de amadurecimento das bananas, da subclasse C1 até a subclasse C7.


4.2 Análise da influência da iluminação e da cor do fundo na percepção da cor

Para a realização das medidas para análise da cor das frutas visando a

caracterização do amadurecimento, dois aparatos foram montados empregando diversos

tipos de lâmpadas (incandescentes, fluorescentes, leds). O objetivo foi analisar a

exatidão da cor sob diferentes tipos de iluminação. As lâmpadas empregadas no sistema

foram previamente avaliadas em um sistema de caracterização de temperatura de cor

correlata e índice de reprodução de cor. Foi obtida a distribuição espectral de cada

lâmpada utilizada de forma a testar a influência das principais lâmpadas hoje

empregadas em iluminação considerando um sistema de seleção de frutas. Foram

testadas também diferentes cores de fundo, visando à avaliação de sua influência na

caracterização da cor da fruta para a definição da subclasse de amadurecimento.

4.2.1 Sistema de iluminação preliminar

4.2.1.1 Materiais

Um teste inicial foi realizado, consistindo na análise visual da cor de algumas

frutas sob diferentes tipos de iluminação. Para este teste utilizou-se um sistema montado

no Laboratório de Metrologia Dimensional e Computacional da UFF (LMDC). O

sistema experimental foi composto de uma caixa pintada internamente com tinta preta

fosca, com as seguntes dimensões 1 m x 1 m x 0,5 m, iluminada com diferentes

lâmpadas, posicionadas internamente no centro (Figura 4.7). Uma câmera fotográfica

foi usada para a aquisição de imagens durante os dias de observação (Delfino et al.,

2010). As lâmpadas utilizadas foram:

Lâmpada incandescente dicróica GE 20 W 12 V M47 (5 lâmpadas)

Lâmpada fluorescente 9 W (luminária de mesa com uma lâmpada)

Lâmpada incandescente Philips 25 W 127 V E27 ES (P45 agenta) (uma lâmpada)

LED RGB na cor branca 3W (2 leds)


Lâmpada de descarga de alta pressão de vapor metálico quartzo GE 70 W

70/UVC/TD/730

Lâmpada de descarga de alta pressão de sódio GE 70 W LU70/90/D/27 (uma

lâmpada)

Fig. 4.7: Sistema experimental preliminar do LMDC.

4.2.1.2 Método

Com o objetivo de acompanhar a evolução da cor durante o amadurecimento sob

diferentes condições de iluminação, observaram-se algumas frutas (adquiridas na

subclasse C1 - verde da etapa de amadurecimento) durante sete dias, duas vezes por dia,

no período da manhã e no período da tarde. As frutas observadas foram banana, goiaba,

laranja, limão, mamão, manga e maracujá (Figura 4.8).

Fig. 4.8: Frutas observadas sob diferentes tipos de iluminação.


Cada lâmpada foi ligada individualmente e cada fruta posicionada no meio da

caixa em cima de um papel branco e, após 10 min de estabilização, cada fruta foi

fotografada e observada em seu estádio de amadurecimento. As lâmpadas foram acesas

na seguinte sequência: lâmpada incandescente, lâmpada incandescente dicróica,

lâmpada de descarga de alta pressão de sódio, lâmpada de descarga de alta pressão de

sódio, lâmpada fluorescente e led RGB na cor branca. As frutas foram observadas na

seguinte sequência: banana, goiaba, laranja, limão, mamão, manga e maracujá,

totalizando aproximadamente 500 observações durante o período de uma semana.

4.2.2 Sistema Espectrocolorimétrico

Nesta etapa da tese, o objetivo foi avaliar a influência da iluminação e da cor do

fundo na caracterização da cor da fruta. Para a realização das medidas foi montado um

sistema espectrofotométrico no Laboratório de Radiometria e Fotometria (Laraf) da

Diopt do Inmetro.

4.2.2.1 Materiais

4.2.2.1.1 Instrumentos e Equipamentos

O sistema espectrolocorimétrico foi composto basicamente por um

goniofotômetro, um Espectrocolorímetro PR 650 e suporte para as amostras. Os

instrumentos e padrões que compuseram o sistema experimental são apresentados na

tabela 4.4. A geometria óptica de visualização utilizada foi a Normal/45º (0º:45º), onde

a amostra foi iluminada por um feixe incidente à normal e observada pelo

espectrocolorímetro em um ângulo de 45º da normal, obedecendo à disposição dos

componentes de acordo com o esquemático apresentado na figura 4.9.

A amostra foi posicionada a uma distância de aproximadamente um metro da

lente do espectrocolorímetro no sistema de medição e as lâmpadas foram posicionadas a


uma distância tal que possibilitasse uma iluminância de aproximadamente 1000 lx11 na

amostra analisada.

Tab. 4.4: Instrumentos e padrões do sistema espectrocolorimétrico do Laraf Instrumento/Padrão/Acessório Identificação Observações

Espectrocolorímetro

PhotoResearch PR 650 Nº de série: 60020909

O Espectrocolorímetro captura os dados a partir do software

SpectraWin que gera a distribuição espectral em forma de tabelas e

gráficos.

Placa padrão branca

NPL DR 01


branca, que é a referência de 100%.

Placa padrão preta brilhosa

NPL CL 03


preta, que é a referência de 0%.

Placas colorimétricas brilhosas

Conjunto de placas padrão colorimétricas brilhosas DP01

Padrões utilizados para a calibração das coordenadas de cromaticidade

do sistema.

Termohigrômetro

SATO Nº de série: 327

As condições ambientais do laboratório – temperatura e

umidade – são monitoradas durante todo o processo de medição pelo

termohigrômetro.

Gonifotômetro

Gonifotômetro LMT Modelo: GO-DS 2000

Goniofotômetro usado como suporte para as lâmpadas.

11 A unidade lx = lm • m-2.


Fig. 4.9: Esquemático do sistema espectrocolorimétrico Laraf.

O espectrocolorímetro PR650 adquire os sinais ópticos a cada 4 nm no intervalo

de comprimento de onda de 380 nm a 780 nm e é equipado com software interno para

fornecer os valores de medição em radiância espectral das amostras analisadas. Durante

as medições o espectrocolorímetro foi conectado a um computador e as medições foram

realizadas utilizando-se o programa de aquisição de dados que acompanha o

instrumento, o SpectraWin versão 2.8. O instrumento adquiriu a distribuição espectral

do objeto sob medição e os arquivos de dados foram gravados e armazenados para um

posterior tratamento dos dados. A partir deste arquivo, os valores foram transferidos

para uma planilha de cálculo onde foram calculadas as grandezas de interesse.

4.2.2.1.2 Fontes

As fontes utilizadas nesta etapa do trabalho foram lâmpadas comercialmente

empregadas tanto em sistemas de iluminação de interiores quanto em iluminação de

exteriores, como também novas tecnologias como luminária leds. A descrição de cada

uma das nove fontes utilizadas na análise está na tabela 4.5, codificadas como F01 a

F09.

6


Tab. 4.5: Fontes comerciais utilizadas na sistema espectrocolorimétrico Laraf Código Lâmpada Foto

F01 Vapor metálico tubular alta pressão HPIT 400W - Philips

]

F02 Vapor de sódio tubular alta pressão VIALOX NAV-T 250W - GE

F03 Vapor metálico elipsoidal alta pressão HQI-E Daylight E40 400W - Osram

F04 Halógena Incandescente tubular duplo envelope 1000W - AVANT

F05 Vapor metálico tubular alta pressão HCI-TS 150W/942 NDL - Osram

F06 Fluorescente compacta Dulux T/E 42W - Osram

F07 Fluorescente T5 Lumilux FQ 54W/840 HO - Osram

F08 Luminária 49 LED Rodstar 73W - Philips

F09 Fluorescente T8 FO 32W/840 - Osram


4.2.2.1.3 Fundos

Os fundos utilizados no experimento, do material E. V. A. (etil vinil acetato),

foram adquiridos no comércio comum nas cores preto, branco, cinza, vermelho, verde e

azul (figura 4.10).

1-Preto

2-Cinza

3-Branco

4-Vermelho

5-Verde

6-Azul

Fig. 4.10: Cores de fundo utilizadas no sistema espectrocolorimétrico do Laraf.

4.2.2.2 Método

4.2.2.2.1 Principais etapas

Estabilização do sistema: Todos os equipamentos do sistema espectrocolorimétrico

descritos no item 4.2.2.1.1 (espectrocolorímetro, goniofotômetro, termohigrômetro,

multímetro e fonte de alimentação) foram ligados 30 minutos antes de iniciar o processo

de medição para a estabilização eletrônica. Em seguida ajustou-se a corrente da lâmpada

e aguardou-se 30 min para estabilização. Os registros das condições ambientais foram

realizados durante o processo de medição. Os valores de corrente e tensão da lâmpada

também foram registrados durante as medições.

Medidas com o espectrocolorímetro: todas as medidas de radiância espectral

realizadas pelo espectrocolorímetro PR-650 (item 4.2.2.1.1) foram repetidas dez vezes.

Em cada medida, os valores de radiância espectral foram adquiridos no intervalo de

4nm, desde 380 nm até 780 nm, coletados e gravados em arquivo tipo txt para posterior

tratamento dos dados em planilhas em Excel.


Procedimento de cálculo: a partir dos espectros de radiância adquiridos pelo PR 650,

foram calculados a média das dez medidas realizadas, o desvio padrão, e a distribuição

espectral relativa da lâmpada S( ), normalizando os valores médios de radiância

espectral obtidos no comprimento de onda de 560 nm.

4.2.2.2.2 Caracterização da fonte de iluminação em TCC e IRC

As fontes utilizadas na pesquisa (item 4.2.2.1.2) foram instaladas no

goniofotômetro para cada medição individual, seguindo as principais etapas de

estabilização do sistema, medidas com o espectrocolorímetro e procedimento de cálculo

(item 4.2.2.2.1). Posteriormente foram calculados a TCC e IRC e a incerteza das

medições:

1- A temperatura de cor correlata (TCC) foi calculada a partir da distribuição espectral

relativa S( ). Usando as equações 3.9 a 3.11 foram calculadas as coordenadas de

cromaticidade (u,v) CIE1960 e usando o método de Robtson (Wyszeckie e Stiles,

1982), foi determinada a temperatura de cor correlata. O cálculo da TCC foi realizado

de acordo com o procedimento de cálculo descrito no item 3.3.2.

2- O índice de reprodução de cor (IRC) foi calculado a partir da TCC obtida no item 1.

O índice de reprodução de cor geral (Ra) (Equação 3.14) é calculado a partir da média

dos índices de reprodução de cor especial (Ri) (Equação 3.15) calculados a partir da

diferença (Equação 3.16) entre a cor de um objeto observado sob uma lâmpada e sob


(CIE, 1995). Os índices foram obtidos de acordo com o procedimento de cálculo

descrito no item 3.3.2.

3- A incerteza de medição foi estimada a partir dos valores calculados no item 1 e 2

conforme procedimento de cálculo descrito no item 3.6.3 e 3.6.4.


Este procedimento de caracterização da lâmpada em TCC e IRC foi repetido

para cada uma das nove fontes utilizadas nesta etapa da pesquisa (Tabela 4.5),

totalizando 90 medidas.

4.2.2.2.3 Caracterização da cor do fundo

Após a caracterização das fontes, os diferentes fundos usados na pesquisa (item

4.2.2.1.3) foram caracterizados no sistema de medição descrito no item 4.2.2.1.1. Para a

medição da cor do E.V.A foram utilizadas as placas branca DR01 e preta CL03, padrões

do sistema, seguindo as principais etapas de estabilização do sistema, medidas com o

espectrocolorímetro e procedimento de cálculo (item 4.2.2.2.1), na seguinte sequência:

placa padrão branca, placa padrão preta, E.V.A preto, E.V.A cinza, E.V.A branco,

E.V.A vermelho, E.V.A verde, E.V.A azul e novamente a placa padrão branca,

inserindo uma por vez no suporte da amostra, totalizando 90 medidas.



coordenadas de cromaticidade (x,y) e Y% e a incerteza da medição:









descrita no item 3.2, a partir do conjunto de fórmulas 3.3.






item 3.6.1 e 3.6.2.

4.2.2.2.4 Verificação do sistema espectrocolorimétrico

Após a caracterização das nove fontes e dos seis fundos, o sistema de medição

foi verificado, de forma a avaliar a exatidão do sistema espectrocolorimétrico. Foram

realizadas medidas com padrões colorimétricos brilhosos do conjunto Ceram DP01,

calibrados no Lacoe (certificado Lacoe Dimci 0802/2010). As placas cerâmicas, nas

cores vermelha (Red), verde (Green) e azul (Cyan), foram usadas na verificação, além

das placas, branca DR01 e preta CL03, padrões do sistema. Para esta análise foi

utilizada a fonte F04 por ser uma lâmpada incandescente de tungstênio, reproduzindo

desta forma o iluminante A da CIE e possibilitando desta forma posterior comparação

com o certificado de calibração. O fundo de cor preta foi utilizado nesta caracterização

de forma a minimizar a luz espalhada no sistema de medição.

As medidas foram realizadas seguindo as principais etapas de estabilização do

sistema, medidas com o espectrocolorímetro e procedimento de cálculo (item 4.2.2.2.1),

na seguinte sequência: placa padrão branca, placa padrão preta, placa cerâmica

vermelha, placa cerâmica verde, placa cerâmica azul e novamente a placa padrão

branca, inserindo uma por vez no suporte da amostra, totalizando 60 medidas.



coordenadas de cromaticidade (x,y) e Y% e a incerteza da medição:












item 3.6.1 e 3.6.2.

Posteriormente, este procedimento foi repetido para cada placa padrão de forma

a avaliar a exatidão do sistema de medição.

4.2.2.2.5 Análise espectral da casca da banana nas subclasses de amadurecimento

Com o objetivo de medir a diferença de cor das subclasses do amadurecimento,

avaliadas sob diferentes condições de iluminação e cores de fundo, foram realizadas

medidas em amostras de cada estádio (de C1 a C7) da etapa de amadurecimento (figura

4.11). Além das frutas citadas, foram usadas nesta análise as placas, branca DR01 e

preta CL03, padrões do sistema.

Fig. 4.11: Subclasses do amadurecimento da banana (Ceagesp, 2006).

As fontes foram montadas e usadas no sistema de F01a F09 e os fundos foram

montados e utilizados na seguinte sequencia: preto, cinza, branco, vermelho, verde e

azul, para cada fonte de iluminação utilizada. As medidas foram realizadas seguindo as


principais etapas de estabilização do sistema, medidas com o espectrocolorímetro e

procedimento de cálculo (item 4.2.2.2.1), na seguinte sequencia: placa padrão branca,

placa padrão preta, banana C1, banana C2, banana C3, banana C4, banana C5, banana

C6, banana C7 e novamente a placa padrão branca, posicionando uma amostra por vez

sob o fundo. A partir da medida de radiância espectral foi possível efetuar os cálculos

para determinar as características colorimétricas, tais como o fator de radiância e as

coordenadas de cromaticidade (x,y) e Y%, os valores de L*a*b* e a diferença E*ab.













5- A diferença de cor E*ab, a partir dos valores de L*a*b* calculados no item 4. A

diferença de cor foi calculada conforme metodologia descrita no item 3.2, a partir do

conjunto de fórmulas 3.6.


item 3.6.1 e 3.6.2.


Este procedimento de medida foi repetido para cada cor de fundo e para cada

fonte de iluminação.

4.3 Sistema de visão computacional (SVC)

Para aquisição das imagens durante as medidas realizadas nas frutas foi inserido

no sistema apresentado na figura 4.9, uma câmera digital modelo Nikon Powershot

P5000, 10 Megapixel, na posição simétrica ao espectrocolorímetro PR650, em um

ângulo também de 45º, conforme figura 4.12.

Fig. 4.12: Sistema espectrocolorimétrico Laraf com sistema de aquisição de imagem.

4.3.1 Calibração do sistema SVC

Para a calibração do sistema SVC foram utilizadas as placas colorimétricas

padrão do conjunto CERAM brilhoso DP01 que provêm a rastreabilidade aos sistemas

espectrocolorimétrico Lacoe e Laraf, nas cores vermelho, verde e azul conforme

apresentado nos itens 4.1.2.3 e 4.2.2.2.4. Após cada medida realizada pelo

espectrocolorímetro PR650, uma foto foi tirada da amostra para posterior análise. A

partir da foto adquirida para cada placa padrão, foram calculadas, usando o programa de

análise de imagem em Mathlab desenvolvido especialmente para esta tese, as seguintes

etapas:


1- Os valores de sRGB a partir dos valores de RGB não lineares obtidos diretamente da

imagem. Para o cálculo dos valores de sRGB foram empregadas as equações 3.17 a

3.19, conforme descrito no item 3.5.1.

2- Os valores triestímulos XYZ, a partir dos valores de sRGB obtidos no item 1. O

modelo sRGB é transformado no modelo CIEXYZ 1931 com o uso da equação 3.20,

conforme descrito no item 3.5.1.

3- As coordenadas de cromaticidade (x,y) e o fator de luminosidade Y%, a partir dos

valores triestímulos calculados no item 2. As coordenadas de cromaticidade foram

calculadas conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas

3.3. Para os cálculos foram considerados o iluminante D65 e um observador de 2º.

Posteriormente, este procedimento foi repetido para cada um dos padrões. Os

valores obtidos para as coordenadas (x,y) foram comparados com os resultados obtidos

na medida realizada pelo sistema espectrocolorimétrico anteriormente caracterizado,

podendo assim ser determinada a exatidão do sistema de visão computacional.

4.3.2 Análise da cor da casca da banana por análise de imagem

Imagens foram adquiridas das bananas durante todas as etapas de execução da

pesquisa. Após cada medida realizada pelo espectrocolorímetro PR650, uma foto foi

tirada da fruta para posterior análise e determinação da cor, e posterior caracterização da

subclasse de amadurecimento. A partir da foto adquirida para cada fruta, foram

calculados a partir do programa de análise de imagem desenvolvido em Mathlab:

1- Os valores de sRGB a partir dos valores de RGB não lineares obtidos diretamente da

imagem. Para o cálculo dos valores de sRGB foram empregadas as equações 3.17 a

3.19, conforme descrito no item 3.5.1.


2- Os valores triestímulos XYZ, a partir dos valores de sRGB obtidos no item 1. O

modelo sRGB é transformado no modelo CIEXYZ 1931 através da equação 3.20,

conforme descrito no item 3.5.1.

3- As coordenadas de cromaticidade (x,y) e o fator de luminosidade Y%, a partir dos

valores triestímulos calculados no item 2. As coordenadas de cromaticidade foram

calculadas conforme metodologia descrita no item 3.2, a partir do conjunto de fórmulas

3.3.



partir do conjunto de fórmulas 3.5. Para os cálculos foram considerados o iluminante

D65 e um observador de 2º.

Posteriormente, este procedimento foi repetido para todas as frutas avaliadas, de

forma a obter a classificação da etapa de amadurecimento.

123

Capítulo 5

Resultados e Discussões

Neste capítulo serão apresentados e discutidos os resultados obtidos no

desenvolvimento desta tese.

5.1 Análise espectral do amadurecimento de frutas

Os resultados deste item foram obtidos no sistema espectrocolorimétrico

descrito no item 4.1.1.1 (Figura 5.1). As medições foram realizadas no Laboratório de

Colorimetria e Espectrofotometria (Lacoe) da Divisão de Metrologia Óptica (Diopt) do

Inmetro.

5.1.1 Caracterização da fonte de iluminação em TCC e IRC

A lâmpada utilizada como fonte nesta etapa do trabalho foi uma lâmpada

halógena tipo Fel, N/S 676, fabricante Optronic, operada na corrente de 6,99 A (Tabela

4.1). Na figura 5.2 é apresentada a média da radiância espectral da lâmpada Fel 676 em

W/sr/m2, obtida a partir das dez medições realizadas e na figura 5.3 a distribuição

espectral relativa S( ) usada para calcular a CCT e IRC.

5. Resultados e discussões 124

Fig. 5.1: Sistema espectrocolorimétrico Lacoe.

Lâmpada de filamento de tungstênio Fel 676

Fig. 5.2: Radiância espectral da lâmpada Fel 676 no intervalo de 380 a 780 nm.

Fig. 5.3: Distribuição espectral da lâmpada halógena Fel 676.

Os resultados obtidos para CCT e IRC desta lâmpada nestas condições estão

descritos na tabela 5.1.

Tab. 5.1: CCT e IRC da lâmpada halógena Fel 676 CCT (K) U (K) IRC U

2856 20 99,6 2,4

Espectrocolorímetro Amostra

Suportes

Fonte


O resultado obtido para CCT de 2856 K foi similar ao definido para o iluminante

A da CIE, previsto para uma lâmpada de filamento de tungstênio, assim como o IRC

próximo a 100. Desta forma, esta lâmpada foi operada na corrente de 6,99 A, durante

todas as medições realizadas para a análise espectral de frutas neste sistema.

5.1.2 Verificação do sistema espectrocolorimétrico

Com o objetivo de avaliar a exatidão do sistema espectrocolorimétrico, medidas

foram realizadas utilizando os padrões colorimétricos brilhosos do conjunto Ceram

DP01 (certificado Lacoe Dimci 0802/2010), conforme metodologia descrita no item

4.1.2.3. Na figura 5.4 são apresentadas as médias da radiância espectral das placas

cerâmicas coloridas, vermelha, verde e azul, calculadas a partir das dez medições

realizadas, assim como o fator de radiância de cada placa, apresentado na figura 5.5. A

temperatura média durante as medições foi de 24,3 ºC, com uma incerteza de 0,3 ºC e a

umidade relativa média foi de 43,1 %, com uma incerteza de 3,3 %.

Placa Vermelha

Placa Verde

Placa Azul

Fig. 5.4: Radiância espectral das placas coloridas no intervalo de 380 a 780 nm.


Fig. 5.5: Fator de radiância das placas vermelha, verde e azul do conjunto DP01.

A maior incerteza de medição estimada para o fator de radiância espectral foi de

1,12 %. Os valores calculados para as coordenadas de cromaticidade (x,y) e o fator de

luminosidade Y% para as três placas padrão, a partir do fator de radiância, estão

descritos na tabela 5.2, onde também é descrita a estimativa de incerteza das medições.

Tab. 5.2: Resultados das placas vermelha, verde e azul do conjunto DP01.

Valores medidos e incertezas Placa x Ux y Uy Y% UY%

Vermelho 0,6494 0,0013 0,3317 0,0007 13,97 1,24

Verde 0,3847 0,0015 0,4760 0,0011 17,47 1,23

Azul 0,2953 0,0015 0,3656 0,0014 14,89 1,24

Pode-se observar na tabela 5.3 os valores certificados para as coordenadas de

cromaticidade (x,y) e o fator de luminosidade Y% para as três placas padrão, e a

respectiva incerteza de medição, conforme certificado Lacoe Dimci 0802/2010.

Tab. 5.3: Valores certificados das placas vermelha, verde e azul do conjunto DP01.

Valores certificados e incertezas Placa x Ux y Uy Y% UY%

Vermelho 0,6494 0,0013 0,3314 0,0007 14,65 1,22 Verde 0,3848 0,0015 0,4761 0,0011 18,65 1,22 Azul 0,2955 0,0015 0,3660 0,0014 15,84 1,22

Para verificar a exatidão das medidas realizadas no sistema, compararam-se os

valores das coordenadas calculadas aos valores certificados, para as três placas padrão,


de forma a determinar o desvio entre os valores e o erro normalizado, comparando as

duas incertezas declaradas. O erro normalizado é obtido a partir da equação 5.1. De

acordo com a ABNT ISO GUIA 43-1 os resultados das medições são considerados

coerentes entre si se o Erro Normalizado for menor ou igual a 1.

22

21

21n

UU

XXE

(5.1) Onde o X1 é o valor medido; X2 é o valor do padrão; U1 é a incerteza das medidas e U2

é a incerteza do padrão.

Na tabela 5.4 podem-se observar os desvios encontrados para os valores de x,y e

Y% em comparação ao certificado Lacoe Dimci 0802/2010, para as medidas realizadas

com os padrões vermelho (R), verde (G) e azul (B).

Tab. 5.4: Comparação das placas vermelha, verde e azul com o certificado.

Placa Desvios Erro Normalizado

x y Y% x y Y% Vermelho 0,0000 0,0003 -0,68 0,02 0,27 0,39 Verde -0,0001 -0,0001 -1,18 0,03 0,07 0,68 Azul -0,0002 -0,0004 -0,95 0,09 0,20 0,55

Pode-se verificar que todas as medidas tiveram os seus desvios menores que a

incerteza e os erros normalizados foram satisfatórios, demonstrando a exatidão do

sistema.

5.1.3 Análise espectral de frutas em diferentes etapas de amadurecimento

Como início do estudo para definição da metodologia para caracterização de cor

em frutas, o sistema espectrocolorimétrico apresentado no item 4.1.1.1 foi utilizado para

analisar a característica espectral de algumas frutas. A lâmpada utilizada na análise foi

uma lâmpada incandescente halógena do fabricante Optronic (Figura 5.2) com

comportamento semelhante ao do iluminante A. As medidas realizadas para a

caracterização das propriedades espectrais das frutas seguiram a geometria óptica de

visualização 0º:45º (Figura 4.2).


As frutas caracterizadas foram compradas no comércio comum e foram

escolhidas de forma a apresentar os extremos da fase de amadurecimento, sendo

adquiridas: uma fruta verde (ou o mais verde possível a ser adquirida no comércio) e

uma fruta com aspecto de madura. As frutas analisadas foram banana (verde e amarela),

goiaba (verde e amarela), laranja (verde e amarela), limão (verde e amarelo), maçã

(verde e vermelha – neste caso frutas de grupos diferentes), mamão papaia (verde e

amarelo), manga (verde e vermelha – neste caso frutas de grupos diferentes) e maracujá

(verde e amarelo). Os resultados obtidos para cada fruta estão apresentados nas figs. 5.6

a 5.13, onde são apresentadas as fotos de cada fruta e a média da distribuição espectral

obtida nos seus dois estádios de amadurecimento.

Banana verde e madura

Fig. 5.6: Distribuição espectral da banana verde (vermelho) e amarela (azul).

Goiaba verde e madura

Fig. 5.7: Distribuição espectral da goiaba verde (azul) e amarela (vermelho).

Laranja verde e madura

Fig. 5.8: Distribuição espectral da laranja verde (azul) e amarela (vermelho).


Limão verde e maduro

Fig. 5.9: Distribuição espectral do limão verde (vermelho) e amarelo (azul).

Maçã verde e vermelha

Fig. 5.10: Distribuição espectral da maçã verde (azul) e vermelha (vermelho).

Mamão verde e maduro

Fig. 5.11: Distribuição espectral do mamão verde (azul) e amarelo (vermelho).

Manga verde e vermelha

Fig. 5.12: Distribuição espectral da manga verde (azul) e vermelha (vermelho).

Maracujá verde e

maduro

Fig. 5.13: Distribuição espectral do maracujá verde (azul) e amarelo (vermelho).

Pode-se verificar que todas as frutas, estando na fase madura ou não, apresentam

um aumento da radiância espectral acima de 700 nm, isto é, próximo à região do

infravermelho. Verifica-se também que todas as frutas apresentam uma grande absorção


na região de 380 nm a 480 nm, região próxima ao ultravioleta. Nesta região as

distribuições espectrais das frutas verdes ou maduras se assemelham bastante. No

intervalo espectral de 480 nm a 700 nm pode-se perceber as diferenças na distribuição

espectral entre as frutas verdes e maduras, com exceção da manga que apresenta um

espectro bastante similar para a fruta verde e para a fruta vermelha. A partir dos

espectros analisados de cada fruta, e devido à sua grande importância internacional, a

banana foi escolhida como estudo de caso na pesquisa realizada.

5.1.4 Análise espectral da casca da banana durante o amadurecimento

Com o objetivo de medir a evolução da cor durante o amadurecimento, foram

realizadas medidas durante vinte dias, duas vezes por dia, no período da manhã e no

período da tarde, em bananas adquiridas na subclasse C1 (verde) da etapa de

amadurecimento (Figura 4.5), conforme metodologia descrita no item 4.1.2.5. As

bananas utilizadas nesta análise foram adquiridas diretamente com o produtor na

localidade da Mazomba, Itaguaí, RJ, sendo bananas do cultivar ‘Prata’ (Musa sapientum

AAB). As bananas foram posicionadas em suporte especialmente desenvolvido para

estas análises (Figura 4.6). Além das frutas citadas, foram usadas nesta análise as placas

branca DR01 e preta CL03 que são padrões do sistema.

As medidas foram realizadas nas condições ambientais de temperatura de

24,3 ºC ± 0,3 ºC e umidade relativa de 43,1 % ± 3 %. A maior incerteza da medida do

fator de radiância foi de 1,2 %. A lâmpada utilizada na análise foi mantida sob as

mesmas condições durante todas as medidas e a média dos valores de TCC foi 2858 K ±

20 K e o IRC foi 99,5 ± 2,4. A partir das médias dos dez espectros de radiância

espectral obtidos para cada banana em cada dia de medição, foram calculados os fatores

de radiância conforme metodologia. Após vários dias de acompanhamento (Figura 5.14)

pode-se visualizar a alteração da radiância da casca durante a evolução do


amadurecimento. As diferenças durante a evolução do amadurecimento podem ser

notadas com o espaçamento apresentado entre as medidas de radiância (Figura 5.15).

Fig. 5.14: Evolução diária do amadurecimento da banana ‘Prata’.

Fig. 5.15: Evolução diária do fator de radiância da banana ‘Prata’ durante o

amadurecimento.


Considerando a revisão bibliográfica realizada, percebe-se a falta de um

indicador para padronizar as sete etapas de classificação do amadurecimento da banana

durante a embalagem do produto, que no Brasil é realizada de acordo com a escala de

Von Loesecke (Figura 1.2).

O indicador tempo, normalmente usado nas pesquisas para determinar o estádio

de amadurecimento, não se apresenta como um bom indicador, visto que vários

parâmetros como condições ambientais e agentes químicos, podem retardar ou acelerar

o amadurecimento da fruta (Ahmad et al., 2001; Zhang et al., 2005; Vermeir et al.,

2009). Desta forma, faz-se necessária a definição de um indicador que possa retratar o

real estádio de amadurecimento no momento da classificação e embalagem, de forma a

padronizar as subclasses da banana para comercialização, visto que esta classificação é

realizada visualmente por comparação com fotos (Figura 1.2).

A fim de determinar o espectro característico de cada subclasse de

amadurecimento correlacionada com a escala de amadurecimento de Von Loesecke, foi

calculada a média para cada grupo de medidas de fatores de radiância semelhantes

(Figura 5.15), possibilitando definir o espectro característico de cada subclasse.

Assim, a evolução do fator de radiância espectral da casca da banana ‘Prata’

durante as sete etapas de amadurecimento pode ser observada, conforme a cor da casca

foi alterada da cor verde (etapa C1) para a cor amarela com pontos marrons (etapa C7),

passando pela cor amarela (C6) (Figura 5.16). A principal diferença entre os espectros

pode ser percebida nos comprimentos de onda de 550 nm a 700 nm, onde os valores do

fator de radiância aumentam em função do amadurecimento. A exceção é com a etapa

C7, que diminui em relação à etapa C6. Isto ocorre devido à refletância da casca

diminuir conforme o aparecimento das manchas marrons na casca, tendendo a 0% com

o apodrecimento da fruta (completamente marrom).


Fig. 5.16: Média do fator de radiância de cada etapa do amadurecimento da banana

‘Prata’ de acordo com a escala de Von Loesecke.

Sabe-se que durante o amadurecimento, a cor da casca se altera do verde para o

amarelo, aparecendo pontos marrons sobre a cor amarela no final do amadurecimento.

Esta alteração na cor da casca ocorre devido à degradação da clorofila e síntese de

alguns pigmentos (Mendonza e Aguilera, 2004). A clorofila, responsável pela coloração

verde da casca, é degradada durante o amadurecimento, possibilitando a percepção da

cor amarela característica dos carotenóides, já presentes na fruta (Embrapa, 2010).

Comparando o fator de radiância no comprimento de onda próximo a 680 nm

(absorção da clorofila), verifica-se a diferença mais marcante entre as etapas de

amadurecimento, onde o fator de radiância varia de 5% a 60% devido aos diferentes

níveis de clorofila presentes na casca. A fim de padronizar os espectros referentes a

cada etapa de amadurecimento (Figura 5.16), foi definido um intervalo de fator de

radiância referente a cada subclasse, a partir dos desvios encontrados nas medidas

(Tabela 5.5). Estes limites foram definidos para o intervalo de 664 nm a 688 nm, por ser

uma região que caracteriza bem o amadurecimento, devido à absorção da clorofila ser

próximo ao comprimento de onda de 680 nm. O intervalo do fator de radiância das

etapas do amadurecimento é definido pelo limite superior (C+) e limite inferior (C-) da


distribuição espectral de cada subclasse. As subclasses puderam ser claramente

definidas, com exceção da sobreposição entre os limites superior C1 (C1+) e inferior C2

(C2-). Os limites entre estas duas subclasses são muito pequenos, devido ao valor de

refletância ser baixo por causa da cor verde escura da casca. Porém as médias C1 e C2

não se sobrepõem, possibilitando assim a diferenciação entre estas duas subclasses.

Tab. 5.5: Limite para o fator de radiância de cada subclasse de amadurecimento da banana ‘Prata’.

(nm) C1+ C1- C2+ C2- C3+ C3- C4+ C4- C5+ C5- C6+ C6- C7

664 7,6 5,4 9,0 6,8 15,3 11,4 27,0 18,4 52,8 40,9 67,7 55,3 48,7 668 7,0 4,8 8,4 6,2 13,9 9,9 24,4 15,9 50,5 38,1 67,4 54,9 48,9 672 6,7 4,5 8,0 5,8 13,0 9,1 22,9 14,3 50,0 35,3 67,4 54,9 49,3 676 6,6 4,4 7,9 5,7 12,6 8,7 22,2 13,6 49,3 34,4 67,6 55,1 49,8 680 6,9 4,7 8,3 6,1 13,2 9,2 22,8 14,4 50,3 35,4 68,3 55,9 50,6 684 7,9 5,7 9,5 7,3 15,4 11,4 25,7 17,2 53,5 38,9 70,1 57,7 51,8 688 10,1 7,9 12,2 10,0 19,8 15,6 31,1 22,4 57,3 45,3 72,4 59,9 53,3 Nota: C+ representa o limite superior e C- representa o limite inferior do fator de radiância de cada subclasse.

Com o objetivo de obter um indicador prático de amadurecimento, foi calculada

a atenuação (Morita et al., 1992), isto é, o logaritmo do inverso do fator de radiância

(log (1/ )) para as classes de C1 a C7, no comprimento de onda próximo a 680 nm,

tornando-se possível caracterizar as diferentes concentrações de clorofila presentes na

casca para cada subclasse de amadurecimento. A atenuação diminui de 1,26 a 0,21 (da

etapa C1 a etapa C6), aumentando na etapa C7, devido ao fator de radiância diminuir

em função do aparecimento das manchas marrons na casca (Figura 5.17).

Fig. 5.17: Evolução da atenuação (680 nm) durante o amadurecimento da banana.


Os resultados estão de acordo com o esperado, considerando a diminuição da

concentração da clorofila na casca da banana durante as etapas de amadurecimento.

Porém, não seria viável a utilização da atenuação como um prático indicador das etapas

de amadurecimento devido ao acréscimo referente à última etapa C7, prejudicando a

caracterização das etapas anteriores com valores semelhantes.

Para avaliar a cor da casca da banana durante as etapas de amadurecimento, a

partir do fator de radiância apresentado para cada subclasse (Figura 5.16), foram

calculados os valores de CIELAB para cada etapa de amadurecimento conforme

metodologia apresentada no item 4.1.2.5 (Figura 5.18).

Fig. 5.18: Evolução de CIELAB durante o amadurecimento da banana ‘Prata’.

Comportamentos semelhantes podem ser observados para os valores de L* e b*

(Figura 5.18), com aumento até a subclasse C6 e declínio no início da subclasse C7,

onde se inicia a percepção dos pontos de cor marrom. Os valores de L* para as

subclasses C5 e C6 são bastante próximos, visto que a diferença visual percebida entre

estas duas etapas encontra-se nas extremidades (pontas verdes da subclasse C5).

Comportamento diferente pode-se observar para o valor de a*, pois durante a mudança

das subclasses C4 para C5 ocorre uma mudança de sinal (Figura 5.18). Isto se deve ao

fato que na subclasse C5 não é mais percebida a cor verde presente na casca da

subclasse C4, predominando a cor amarela. O valor de a* aumenta com o

amadurecimento até a subclasse C7, sem nenhuma superposição entre os valores. Este


comportamento não ocorre com os demais parâmetros avaliados, cujo valor da subclasse

C7 coincide com os de outras. Como a* representa a variação entre a cor verde e a

vermelha e b* representa a variação entre a cor azul e a amarela, o indicador “a/b”

apresentou-se como um bom parâmetro para classificação da banana ‘Prata’ brasileira,

cuja cor varia de verde a marrom, passando pelo amarelo. Apesar de demonstrar ser um

bom indicador do amadurecimento, os valores obtidos para o indicador “a/b” são

negativos e decimais, não sendo prático para uso e interpretação (Figura 5.19).

Fig. 5.19: Indicador “a/b” para as etapas de amadurecimento da banana ‘Prata’.

Desta forma procurou-se obter um indicador de uso prático, definindo um novo

índice de cor do amadurecimento, chamado de “ripening color index” (RCI). Este novo

indicador foi definido como: “RCI = c/(1-a/b)”. A constante “c” foi obtida

empiricamente de forma a possibilitar valores positivos e de fácil leitura, permitindo

uma análise simples e direta do operador. Para a banana ‘Prata’ brasileira a constante

“c” foi empiricamente definida como c=200, de forma a obter valores de fácil leitura,

considerando os pequenos valores obtidos das medidas. Então, o RCI para a banana

‘Prata’ foi definido como “RCI_banana = 200/(1-a/b)” (Figura 5.20). Os limites para os

valores do RCI_banana referente a cada subclasse de amadurecimento foram definidos

conforme listados na tabela 5.6. As classes foram claramente definidas e para a classe

C7 assume-se RCI_banana acima de 271, visto que o RCI_banana desta classe aumenta

em função dos pontos marrons da casca e conseqüente diminuição do fator de radiância.


Fig. 5.20: Evolução do RCI_banana durante as etapas de amadurecimento.

Tab. 5.6: Limites do RCI_banana para as etapas do amadurecimento da banana ‘Prata’. Subclasse RCI- RCI+

C1 140 142 C2 143 145 C3 163 165 C4 195 207 C5 235 241 C6 252 271 C7 >271 >271

Nota: RCI+ representa o limite superior e RCI- representa o limite inferior do indicador RCI de cada subclasse.

3

Para a classificação da etapa de amadurecimento da banana ‘Prata’ brasileira, o

RCI_banana irá variar de 140 a 300. Menores valores de RCI_banana indicam banana

mais verde e maiores valores de RCI_banana indicam banana madura. Em resumo,

sugere-se esta nova metodologia na classificação das etapas de amadurecimento da

banana ‘Prata’ brasileira: determina-se a cor no sistema CIELAB, calcula-se o novo

indicador RCI_banana e define-se a subclasse de amadurecimento a partir da tabela 5.6.

Por exemplo, uma banana que apresenta um RCI_banana de 260 está na subclasse C6

de amadurecimento. Esta metodologia foi testada e validada com 52 bananas 'Prata’ e a

técnica de inspeção visual teve 92% de acerto em relação ao indicador RCI. O novo

indicador RCI é prático, de fácil entendimento e independente da percepção humana,

podendo ser considerado um excelente índice de classificação para as etapas de

amadurecimento da banana ‘Prata’ brasileira (Musa sapientum AAB). Para outros

cultivares de banana e outras frutas, a constante “c” deve ser estudada e o RCI

analisado.


5.2 Análise da influência da iluminação e da cor do fundo na percepção da cor

Estes ensaios tiverem como objetivo principal analisar a influência de diferentes

tipos de iluminação e diferentes cores de fundo na exatidão da cor.

5.2.1 Sistema de iluminação preliminar

Um ensaio inicial foi realizado visando analisar visualmente algumas frutas sob

diferentes tipos de iluminação e verificar possíveis diferenças apresentadas na

percepção da cor. Para este ensaio foi utilizado um sistema composto de uma caixa

pintada internamente com tinta preta, iluminada com diferentes lâmpadas posicionadas

internamente (Figura 4.7). As lâmpadas utilizadas foram as descritas no item 4.2.1.2 da

metodologia, e não foram caracterizadas em TCC e IRC.

As frutas utilizadas no experimento foram compradas no comércio o mais

próximas da fase 1 (um) na escala de maturação (verde) (Figura 4.8). As frutas

analisadas foram banana, goiaba, laranja, limão, mamão, manga e maracujá. As imagens

obtidas de cada fruta sob diferentes tipos de iluminação durante a avaliação visual estão

apresentadas na tabela 5.7. Pode-se perceber que a lâmpada incandescente é a que

possibilitou uma melhor percepção da cor e uma melhor diferenciação entre as fases,

verde e “madura”, de cada fruta. Porém este ensaio foi apenas preliminar, necessitando

de melhorias durante a aquisição das imagens, além do estudo das características de

cada lâmpada utilizada.


Tab. 5.7: Imagens de algumas frutas sob diferentes tipos de iluminação. Fruta/

Iluminação Dicróica Fluorescente Incandescente Led Vapor Metálico Pressão Sódio

Banana verde

Banana madura

Goiaba verde

Goiaba madura


Continuação da tabela 5.7: Imagens de algumas frutas sob diferentes tipos de iluminação.

Fruta/

Iluminação Dicróica Fluorescente Incandescente Led Vapor Metálico Pressão Sódio

Laranja verde

Laranja madura

Limão verde

Limão maduro



Fruta/ Iluminação Dicróica Fluorescente Incandescente Led Vapor Metálico Pressão Sódio

Mamão verde

Mamão maduro

Manga verde

Manga madura



Fruta/ Iluminação Dicróica Fluorescente Incandescente Led Vapor Metálico Pressão Sódio

Maracujá verde

Maracujá maduro


5.2.2 Sistema Espectrocolorimétrico

Nesta etapa da pesquisa é realizada uma comparação de nove diferentes tipos de

iluminação e seis cores diferentes de fundo na caracterização das etapas de

amadurecimento da banana ‘Prata’ brasileira (Musa sapientum AAB). Para isto foram

feitas medições da radiância espectral da casca da banana, a fim de calcular as

coordenadas de cromaticidade e a luminosidade, no sistema de cor CIELAB, variando a

fonte de iluminação, usando nove tipos de lâmpadas comerciais, e variando as cores do

fundo. As lâmpadas foram caracterizadas quando à sua CCT e IRC e os fundos

caracterizados quanto às coordenadas de cromaticidade. As medições das coordenadas

L*a*b* de cada etapa de amadurecimento da banana foram analisadas quanto às

diferenças apresentadas quando avaliadas com cada lâmpada e cada fundo

individualmente. Todas as medições foram realizadas no Laraf (Diopt/Inmetro), usando

o sistema espectrocolorimétrico descrito no item 4.2.2.1.2 (Figura 4.9 e 5.21).

Fig. 5.21: Sistema espectrocolorimétrico do Laraf.

Fonte

Espectro

colorímetro

Frutas

Espectro colorímetro

Computador

Goniofotômetro


5.2.2.1 Caracterização da fonte de iluminação em TCC e IRC

As lâmpadas utilizadas como fonte nesta etapa do trabalho foram lâmpadas

comercialmente utilizadas tanto em sistemas de iluminação de interiores quanto em

iluminação de exteriores, como também novas tecnologias como luminária leds (Tabela

4.5) e codificadas de F01 a F09.

Na figura 5.22 é apresentada a média da radiância espectral de cada lâmpada em

W/sr/m2, obtida a partir das dez medições realizadas e na figura 5.23 a distribuição

espectral relativa S( ) usada para calcular a CCT e IRC.

Lâmpada Foto Espectro de Radiância

Vapor metálico

tubular alta pressão HPIT

400W - Philips

F01

Vapor de sódio tubular alta pressão VIALOX NAV-T

250W – GE F02

Vapor metálico

elipsoidal alta pressão HQI-

E Daylight E40 400 W –

Osram F03

Halógena Incandescente tubular duplo

envelope 1000 W – AVANT

F04


Lâmpada Foto Espectro de Radiância

Vapor metálico

tubular alta pressão HCI-

TS 150 W /942 NDL –

Osram F05

Fluorescente compacta Dulux T/E

42W – Osram F06

Fluorescente T5 Lumilux

FQ 54 W/840 HO – Osram

F07

Luminária 49 Led Rodstar

73 W – Philips

F08

Fluorescente T8 FO 32 W /840 - Osram

F09

Fig. 5.22: Radiância espectral das lâmpadas.

Estas lâmpadas foram operadas nestas condições durante todas as medições

realizadas para a análise espectral de frutas. Os resultados obtidos para CCT e IRC para

estas fontes nestas condições (tabela 5.8) foram bastante semelhantes aos declarados na

embalagem pelos fabricantes das lâmpadas.


Fig. 5.23: Distribuição espectral das lâmpadas.

Tab. 5.8: CCT e IRC das diferentes fontes. Codificação Lâmpada CCT (K) IRC

F01 Vapor metálico tubular alta pressão HPIT 400 W – Philips

3834 (ucTCC = 47K)

60,2 (ucIRC=2,7)

F02 Vapor de sódio tubular alta pressão VIALOX NAV-T 250W – GE

2059 (ucTCC= 13K)

22,4 (ucIRC=1,9)

F03 Vapor metálico elipsoidal alta pressão HQI-E Daylight E40 400 W – Osram

5680 (ucTCC = 174K) 76,7(ucIRC=1,8)

F04 Halógena Incandescente duplo envelope 1000 W – AVANT

2991 (ucTCC= 21K)

99,2 (ucIRC=2,3)

F05 Vapor metálico tubular alta pressão HCI-TS 150 W/942 NDL – Osram

3544 (ucTCC = 27K)

96,9 (ucIRC=2,1)

F06 Fluorescente compacta Dulux T/E 42 W - Osram 3864 (ucTCC = 42K)

78,7 (ucIRC=2,8)

F07 Fluorescente T5 Lumilux FQ 54 W/840 HO - Osram

4085 (ucTCC = 50K)

78,1 (ucIRC=2,8)

F08 Luminária 49 LED Rodstar 73 W - Philips 4284 (ucTCC = 69K)

67,2 (ucIRC=1,8)

F09 Fluorescente T8 FO 32 W/840 - Osram 4010 (ucTCC= 47K)

83,2 (ucIRC=2,5)


5.2.2.2 Caracterização da cor do fundo

Com o objetivo de avaliar a cor dos fundos em E.V.A. utilizados no ensaio

(Figura 4.10), medidas foram realizadas conforme metodologia descrita no item

4.2.2.2.3. Na figura 5.24 são apresentadas as médias da radiância espectral dos E.V.A.

nas cores preto, branco, cinza, vermelho, verde e azul, calculadas a partir das dez

medições realizadas, assim como o fator de radiância de cada fundo, calculados

conforme metodologia descrita anteriormente (figura 5.25). As condições ambientais

durante as medições foram mantidas em uma temperatura de 25,5 ºC ± 0,5 ºC e umidade

relativa 46,9 % ± 2,4 % e a maior incerteza da medida do fator de radiância espectral foi

de 1,2%.

Fundo Preto

Fundo Cinza

Fundo Branco


Fundo Vermelho

Fundo Verde

Fundo Azul

Fig. 5.24: Radiância espectral dos diferentes fundos em E.V.A.

Fig. 5.25: Fator de radiância dos diferentes fundos em E.V.A.

Os valores calculados para as coordenadas de cromaticidade (x,y) e o fator de

luminosidade Y% para as seis cores, a partir do fator de radiância, estão descritas na

tabela 5.9, onde também é descrita a estimativa de incerteza das medições realizadas. Os

valores de CIELAB também foram calculados e são apresentados na figura 5.26.


Tab. 5.9: Coordenadas de cromaticidade dos diferentes fundos em E.V.A.

Valores medidos e incertezas Cor do Fundo x Ux y Uy Y% UY%

Preto 0,4545 0,0013 0,4088 0,0007 3,36 1,26 Cinza 0,4502 0,0015 0,4076 0,0011 37,16 1,23

Branco 0,4500 0,0015 0,4078 0,0014 84,78 1,24 Vermelho 0,6260 0,0013 0,3300 0,0007 15,59 1,25

Verde 0,4150 0,0015 0,4447 0,0011 9,02 1,23 Azul 0,3366 0,0015 0,3372 0,0014 6,59 1,25

Fig. 5.26: Valores de L*a*b*dos diferentes fundos em E.V.A.

Observa-se o valor crescente de luminosidade L* nas cores de fundo utilizadas,

e que a diferença entre os fundos preto, cinza e branco utilizados limita-se aos diferentes

valores de L* (com valores de a* e b* aproximadamente zero).

5.2.2.3 Verificação do sistema espectrocolorimétrico

Com o objetivo de avaliar a exatidão do sistema espectrocolorimétrico, medidas

foram realizadas utilizando os padrões colorimétricos brilhosos do conjunto Ceram

DP01, calibrados no Lacoe (certificado Lacoe Dimci 0802/2010), conforme

metodologia descrita no item 4.2.2.2.4. As medições foram realizadas usando o fundo

de cor preta e a fonte F04 (lâmpada halógena semelhante ao iluminante A). Na figura

5.27 são apresentadas as médias da radiância espectral das placas cerâmicas coloridas,

vermelha, verde e azul, calculados a partir das dez medições realizadas, assim como o

fator de radiância de cada placa, apresentado na figura 5.28. As condições ambientais


durante as medições foram mantidas em uma temperatura de 25,5 ºC ± 0,6 ºC e umidade

relativa 46,9 % ± 2,4 %. A maior incerteza de medição estimada para o fator de

radiância espectral foi de 1,5 %. Os valores calculados para as coordenadas de

cromaticidade (x,y) e o fator de luminosidade Y% para as três placas padrão, a partir do

fator de radiância, estão descritas na tabela 5.10, assim como a estimativa de incerteza.

Placa Vermelha

Placa Verde

Placa Azul

Fig. 5.27: Radiância espectral das placas vermelha, verde e azul medidas no Laraf.

Fig. 5.28: Fator de radiância das placas vermelha, verde e azul medidas no Laraf.


Tab. 5.10: Resultado das placas vermelha, verde e azul medidos no Laraf.

Valores medidos e incertezas Placa x Ux Y Uy Y% UY%


Pode-se observar na tabela 5.11 os valores certificados para as coordenadas de

cromaticidade (x,y) e o fator de luminosidade Y% para as três placas padrão, e a

respectiva incerteza de medição, conforme certificado Lacoe Dimci 0802/2010.

Tab. 5.11: Valores certificados das placas vermelha, verde e azul do conjunto DP01.

Valores certificados e incertezas Placa x Ux Y Uy Y% UY%


Para verificar a exatidão das medidas realizadas no sistema espectrofotométrico

do Laraf, compararam-se os valores das coordenadas calculadas aos valores

certificados, para as três placas padrão, de forma a determinar o desvio entre os valores

e o erro normalizado (Eq. 5.1), comparando as duas incertezas declaradas (Tabela 5.12).

Tab. 5.12: Comparação das placas vermelha, verde e azul com o certificado.

Placa Desvios Erro Normalizado

x y Y% x y Y% Vermelho 0,0000 0,0003 -0,68 0,02 0,27 0,39 Verde -0,0001 -0,0001 -1,18 0,03 0,07 0,68 Azul -0,0002 -0,0004 -0,95 0,09 0,20 0,55

Pode-se verificar que todas as medidas tiveram os seus desvios menores que a

incerteza e os erros normalizados foram satisfatórios (EN<1), demonstrando a exatidão

do sistema. Confirmando a exatidão do sistema com rastreabilidade nas placas

calibradas no Lacoe, qualquer alteração obtida nos resultados das medidas dos padrões

ou frutas poderá ser correlacionada ou com a mudança da fonte de iluminação ou da cor

do fundo.


5.2.2.4 Análise espectral da casca da banana nas subclasses de amadurecimento

Com o objetivo de avaliar a cor nas sete subclasses de amadurecimento de Von

Loesecke, medidas foram realizadas em bananas adquiridas nas sete subclasses de

amadurecimento (C1 a C7) (Figura 5.29), conforme metodologia descrita no item

4.2.2.2.5. As bananas foram posicionadas sob nove diferentes tipos de iluminação

(Figura 5.30) e sobre seis diferentes cores de fundo (Figura 5.31). Além das frutas

citadas, foram usadas nesta análise as placas, branca DR01 e preta CL03, padrões do

sistema. As condições ambientais durante as medições foram mantidas em uma

temperatura de 25,5 ºC ± 0,6ºC e umidade relativa 46,9 % ± 2,4 %. A maior incerteza da

medida do fator de radiância espectral foi de 1,5 %.

Fig. 5.29: Bananas nas subclasses C1 a C7 de amadurecimento.

C6_preto_F01

C6_ preto_F02

C6_ preto_F03

C6_ preto_F04

C6_ preto_F05

C6_ preto_F06

C6_ preto_F07

C6_ preto_F08

C6_ preto_F09

Fig. 5.30: Bananas na subclasse C6 sob as fontes F01 a F09 sobre o fundo preto.


C6_F04_ preto

C6_F04_ cinza

C6_F04_ branco

C6_F04_ vermelho

C6_F04_ verde

C6_F04_ azul

Fig. 5.31: Bananas na subclasse C6 sobre diferentes fundos e sob a fonte F04.

A partir das médias dos dez espectros de radiância espectral obtidos para cada

banana em cada subclasse, sob cada tipo de iluminação e sob cada cor de fundo, foram

calculados os fatores de radiância conforme metodologia descrita anteriormente. A fim

de determinar o espectro característico de cada subclasse de amadurecimento, foi

calculada a função estímulo de cada medida e correlacionada com a escala de

amadurecimento de Von Loesecke (Figuras 5.32 a 5.40), possibilitando perceber a

diferença na medida espectral e a influência de cada fonte.

Fig. 5.32: Espectro das subclasses das bananas sob a fonte F01 e sobre fundo preto.


Fig. 5.33: Espectro das subclasses das bananas sob a fonte F02 esobre fundo preto.










As diferenças percebidas visualmente nas figuras. 5.32 a 5.40 podem ser

justificadas pelos diferentes estímulos obtidos para cada subclasse, para os diferentes

parâmetros de medição. A partir do fator de radiância foi possível efetuar os cálculos

para determinar as características colorimétricas, tais como as coordenadas de

cromaticidade (x,y) e Y% de cada banana em cada subclasse de amadurecimento sob as

diferentes fonte e diferentes fundos. Na tabela 5.13 são apresentados os resultados

referentes à subclasse C1 usando as diferentes fontes e fundos. Os demais resultados

estão descritos nas tabs. A.4.1 a A.4.6 do apêndice C. As maiores incertezas obtidas nas

medições foram Uxy=0,0015 e UY%= 1,25 %.


Tab. 5.13: Coordenadas de cromaticidade da subclasse C1, diferentes fundos e fontes.

Fonte Itens C1 preto

C1 cinza

C1 branco

C1 azul

C1 verde

C1 vermelho

Desvio Máximo (preto)

F01

x 0,4565 0,4568 0,4606 0,4573 0,4590 0,4630 0,0065

y 0,4861 0,4838 0,4808 0,4838 0,4816 0,4800 -0,0023

Y% 20,33 19,13 20,31 21,09 21,30 21,60 1,28

F02

x 0,4591 0,4582 0,4570 0,4555 0,4559 0,4593 0,0002

y 0,4809 0,4873 0,4844 0,4883 0,4873 0,4850 0,0074

Y% 22,28 16,02 16,47 15,50 15,29 15,45 -5,81

F03

x 0,4542 0,4576 0,4587 0,4559 0,4560 0,4636 0,0094

y 0,4881 0,4888 0,4853 0,4881 0,4891 0,4838 0,0011

Y% 15,37 15,73 17,31 16,19 15,46 14,78 1,94

F04

x 0,4558 0,4552 0,4558 0,4564 0,4572 0,4588 0,0030

y 0,4891 0,4886 0,4870 0,4866 0,4881 0,4864 -0,0005

Y% 15,85 15,45 16,86 14,17 15,77 15,84 1,01

F05

x 0,4650 0,4633 0,4658 0,4637 0,4646 0,4704 0,0053

y 0,4836 0,4846 0,4817 0,4841 0,4850 0,4810 0,0014

Y% 17,31 18,31 19,29 15,73 16,78 15,87 1,97

F06

x 0,4886 0,4793 0,4575 0,4726 0,4674 0,4635 -0,0094

y 0,4672 0,4660 0,4802 0,4725 0,4724 0,4753 0,0130

Y% 11,37 22,34 20,89 20,23 20,19 20,37 10,97

F07

x 0,4629 0,4643 0,4633 0,4620 0,4645 0,4627 0,0016

y 0,4769 0,4756 0,4800 0,4807 0,4758 0,4792 0,0037

Y% 20,71 21,15 21,20 20,59 21,25 21,46 0,75

F08

x 0,4611 0,4621 0,4624 0,4606 0,4619 0,4633 0,0022

y 0,4810 0,4772 0,4768 0,4808 0,4796 0,4777 -0,0002

Y% 20,68 22,49 22,86 20,61 21,83 22,07 2,18

F09

x 0,4649 0,4682 0,4665 0,4665 0,4702 0,4692 0,0053

y 0,4803 0,4763 0,4747 0,4763 0,4735 0,4738 -0,0039

Y% 19,62 19,46 21,84 20,76 20,40 20,37 2,22

As diferenças obtidas nos valores das coordenadas são, na maioria dos casos,

maiores que a incerteza da medição, podendo-se afirmar serem devidas às diferentes

fontes e fundos utilizados.


5.2.2.4.1 Influência da iluminação na caracterização das subclasses de

amadurecimento da banana

Com o objetivo de verificar a influência da iluminação na avaliação da cor da

casca da banana em cada uma das sete etapas do amadurecimento (C1 a C7), os valores

de CIELAB foram calculados a partir do fator de radiância, para cada etapa de

amadurecimento, sob as nove diferentes fontes. A lâmpada F04 foi adotada como

referência na comparação dos resultados obtidos com as demais lâmpadas por

apresentar uma distribuição espectral próxima do iluminante A da CIE, e um índice de

reprodução de cor próximo a 100.

Desta forma, foram comparados os valores de L*a*b* para as nove diferentes

fontes utilizadas (F01 a F09) considerando o fundo preto para cada subclasse de

amadurecimento (C1 a C7) (Figs. 5.41 a 5.43).

Fig. 5.41: Valores de L* para as fontes F01 a F09 para cada subclasse.

Verifica-se que o valor de L* (Figura 5.41) é pouco influenciado pela mudança

de iluminação nas subclasses C1 a C3. Esta influência aumenta nas classes C5, C6 e C7,

para as lâmpadas F02 e F03, apresentando um desvio relativo de 4% em relação à

lâmpada F04. O valor de b* (Figura 5.42) é mais influenciado pela mudança de

iluminação do que o valor de L*, visto que os valores de iluminância foram mantidos

aproximadamente constantes para cada lâmpada. Nas subclasses C1, C2 e C3, os


desvios relativos em relação à lâmpada F04 foram em média de 15%, com exceção das

lâmpadas F02 e F05 (3%). Para a subclasse C4 os desvios relativos foram em média de

10%, com exceção das lâmpadas F03 e F05 (1%). A partir da subclasse C4, a lâmpada

F02 apresenta comportamento inverso das demais, aumentando o desvio relativo até a

subclasse C7.

Fig. 5.42: Valores de b* para as fontes F01 a F09 para cada subclasse.

Fig. 5.43: Valores de a* para as fontes F01 a F09 para cada subclasse.

O valor de a* (Figura 5.43) é o mais influenciado pela mudança de iluminação,

visto que representa uma proximidade maior com a percepção real da cor da casca,

variando do verde (subclasse C1) ao vermelho (subclasse C7 com pintas marrons na

casca). Em todas as subclasses os desvios relativos à lâmpada F04 foram altos, com

exceção da subclasse C4, que apresenta um menor desvio, principalmente para as fontes


F02 e F05. A lâmpada F05 foi a que apresentou menor desvio em relação à lâmpada

F04 durante todas as etapas do amadurecimento (média de 8%). Da subclasse C1 a C3,

a influência da lâmpada F02 no valor de a* apresenta comportamento inverso das

demais, apresentando maiores valores de a* em relação a F04.

Verifica-se que uma mesma subclasse de amadurecimento pode ter

interpretações diferentes dependendo do tipo de lâmpada utilizada na avaliação. Por

exemplo, quando avaliada sob a fonte F02 a banana aparenta estar mais madura

(maiores valores de a*), mesmo estando nas subclasses de aparência verdes (C1 a C3).

Já sob as fontes F06 a F09 a banana apresenta uma aparência mais verde (menores

valores de a*) mesmo estando maduras (classes C5 a C7). Estes resultados são

compatíveis com os valores de TCC destas lâmpadas. A fonte F02 tem um baixo valor

de TCC (abaixo de 3000 K) e consequentemente uma aparência mais amarelada,

apresentando um IRC muito baixo. As fontes F06 a F09 tem TCC acima de 4000 K e

conseqüente aparência mais azul, o que pode ser percebido também na variação do

parâmetro b*. Cabe ressaltar que a influência da iluminação é um fator preocupante

durante a seleção de frutas, visto a possibilidade de interpretações erradas quanto a real

etapa de amadurecimento da fruta.

Para verificar a diferença de cor percebida na análise da subclasse de

amadurecimento sob as diferentes fontes utilizadas, foi calculada a diferença de cor E*

de acordo com a Eq. 3.8. O E* foi calculado para cada fonte (F01 a F09) em relação à

fonte F04 (Figura 5.44). Verificam-se valores altos de E* para todas as fontes, com

exceção da fonte F05. Verifica-se, para as fontes F01 e F08, que o E* aumenta

conforme ocorre o amadurecimento da banana, isto é, a diferença de cor é menor na

avaliação da banana verde, do que para as amarelas. Para as lâmpadas F06, F07 e F09 a

diferença de cor apresentada é grande ( E*>8,0), independente da subclasse avaliada.


Fig. 5.44: E* calculado para as fontes (F04 como referência) usadas na caracterização

do amadurecimento da banana prata (C1 a C7).

A mesma análise foi realizada considerando a lâmpada F03 como referência na

comparação dos resultados obtidos com as demais lâmpadas por apresentar uma

distribuição espectral próxima do iluminante D65 da CIE (CCT = 5680 K) e um índice

de reprodução de cor próximo a 80. Primeiramente, foi analisado o fator de radiância

espectral da casca da banana sob a lâmpada de vapor metálico de alta pressão (F03). A

partir do fator de radiância da casca da banana foram calculados os valores de CIELAB

para cada etapa de amadurecimento (Figura 5.45).

Fig. 5.45: E*calculado para as fontes (F03 como referência) usadas na caracterização

do amadurecimento da banana prata (C1 a C7).

Analisando a diferença de cor E* calculada dos valores CIELAB para cada

fonte (F01 a F09) em relação à fonte F03 (Figura 5.45), verificam-se valores menores de


E*, em relação aos encontrados para a F04, com exceção da fonte F02 que apresentou

valores altos de E*. Verifica-se que de forma geral, as diferenças aumentam conforme

ocorre o amadurecimento da banana, isto é, a diferença de cor é menor na avaliação da

banana verde, do que para as amarelas. Isto não ocorre para as fontes F04 e F05, que

apresentam valores de E* bem constantes, independente da classe de amadurecimento.

Este fato deve-se à característica técnica de cada lâmpada que é percebida a partir da

sua distribuição espectral (Figura 5.22 e 5.23). As lâmpadas F04 e F05 apresentam um

espectro homogêneo, diferente das lâmpadas fluorescentes que apresentam picos de

emissão em determinados comprimentos de onda. Cabe ressaltar também as

semelhanças encontradas entre as fontes F01 e F08, mesmo apresentando diferenças

entre seus espectros.

Sabe-se que quanto menor o valor de E*, menor é a diferença da percepção da

cor sob determinadas condições. Porém, na área de alimentos, considera-se como

aceitável uma diferença de até 3,0 (Coleman, 2004), como sendo a máxima diferença de

cor que pode ser visualmente percebida pelo olho humano. Desta forma, como os

resultados de E* encontrados foram, na sua maioria, maiores que 3,0, observa-se que a

classificação da banana pode ser realizada de forma errada, dependendo do tipo de

iluminação usada na sala durante a classificação.

5.2.2.4.2 Influência da cor do fundo na caracterização das subclasses de

amadurecimento da banana

Com o objetivo de verificar a influência de diferentes cores de fundo na

avaliação da cor da casca da banana em cada uma das sete etapas do amadurecimento

(C1 a C7), os valores de CIELAB foram calculados, a partir do fator de radiância, para

cada etapa de amadurecimento, sob as seis diferentes cores de fundo. O fundo de cor

preta foi adotado como referência na comparação dos resultados obtidos com os demais


fundos por proporcionar uma menor quantidade de luz espalhada no sistema de

medição. Os valores de CIELAB obtidos para o fundo preto foram comparados com os

valores obtidos para os demais fundos, e a diferença percentual obtida nos valores de

L*, a* e b* são apresentados nas figs 5.46, 5.47 e 5.48 para as sete subclasses de

amadurecimento.

Verifica-se que o valor de L* (Figura 5.46) é diretamente influenciado pela

mudança de claridade do fundo e para a maioria dos casos o desvio em relação ao fundo

preto aumenta com o aumento da claridade. Verifica-se também que os maiores desvios

encontrados foram para a subclasse C3 e C5, apresentando maior desvio em relação à

medida com fundo preto. A subclasse C6 foi a que apresentou menor desvio nas

medidas.

O valor de b* (Figura 5.47) é menos influenciado pela mudança de claridade do

fundo do que o valor de L*, porém é diretamente influenciado pelo valor de b* do fundo

utilizado. De forma geral, os maiores desvios encontrados foram para as subclasses C3 e

C5, apresentando maior desvio em relação à medida com fundo preto. Entretanto

observa-se que o fundo azul influencia fortemente as subclasses C1, C2 e C5.

O valor de a* (Figura 5.48) é o mais influenciado pela mudança de cor de fundo,

principalmente quando utilizado o fundo vermelho. De forma geral, os maiores desvios

encontrados foram para as classes C4 e C5, apresentando maior desvio em relação à

medida com fundo preto. Observa-se que o fundo azul influencia fortemente as classes

C1 e C5 e que o fundo vermelho influencia fortemente todas as classes na análise do

fator a*.


Fig. 5.46: Desvio percentual de L* para os fundos coloridos em relação ao fundo preto,

para as sete classes de amadurecimento (C1 a C7).

Fig. 5.47: Diferença no valor de b* para cada classe de amadurecimento (C1 a C7)

usando diferentes cores de fundo.

Fig. 5.48: Diferença no valor de a* para cada classe de amadurecimento (C1 a C7)

usando diferentes cores de fundo.


Para verificar a diferença de cor percebida na análise da subclasse de

amadurecimento sob os diferentes fundos utilizados, foi calculada a diferença de cor

E* de acordo com a Eq. 3.8. O E* foi calculado para cada cor de fundo em relação à

cor preta (Figura 5.49). Verifica-se que de forma geral o E* é diretamente

proporcional à claridade do fundo. Exceção pode ser verificada para a classe C6, visto

que esta subclasse já apresenta um grande valor de claridade (aproximadamente 80%).

Fig. 5.49: E* para cada subclasse de amadurecimento (C1 a C7) usando diferentes

cores de fundo em comparação ao fundo preto.

Verifica-se que uma mesma subclasse de amadurecimento pode ter

interpretações diferentes dependendo da cor de fundo utilizada na avaliação. Usando um

fundo vermelho, o erro em relação ao valor de a* aumenta, fazendo com que a banana

tenha uma aparência mais madura (a* varia do verde (-a*) ao vermelho (+a*)). Isto

pode ser constatado no alto valor de E* (> 3,0) apresentado para o fundo vermelho

para cinco subclasses quando comparado com um fundo preto. Usando um fundo azul, o

erro em relação ao valor de b* aumenta, fazendo com que a banana tenha uma aparência

mais amarela (b* varia do azul (-b*) ao amarelo (+b*)). Isto pode ser constatado no alto

valor de E* (> 3,0) apresentado para o fundo azul para quatro subclasses quando

comparado com um fundo preto. O fundo branco apresenta uma maior diferença de cor


para a maioria das subclasses, com exceção daquelas fortemente influenciadas pelo

fundo azul ou vermelho. O alto valor do fator de radiância do fundo branco utilizado

( >80%) influencia a medida da luminância da fruta, inserindo luz espalhada no sistema

de medida, o que é menos percebido na avaliação da classe C6, que apresenta

luminosidade maior que 80%. Desta forma, frutas mais escuras (no caso mais verdes)

aparentam-se mais claras quando avaliadas com um fundo branco.


5.3 Sistema de visão computacional (SVC)

O Sistema de Visão Computacional (SVC) usado para análise das frutas foi o

descrito no item 4.3 (Figuras. 4.12 e 5.50). Neste sistema, uma câmera digital modelo

Nikon Powershot P5000, 10 Megapixel, foi posicionada de forma simétrica ao

espectrocolorímetro PR650, em um ângulo também de 45º, no Laraf (Diopt/Inmetro).

Fig. 5.50: Sistema espectrocolorimétrico do Laraf com sistema de aquisição de imagem.

5.3.1 Calibração do sistema SVC

Com o objetivo de avaliar a exatidão do sistema de aquisição, imagens foram

adquiridas durante as medições realizadas utilizando os padrões colorimétricos

brilhosos do conjunto Ceram DP01, conforme metodologia descrita no item 4.3.1. As

fotos foram adquiridas usando o fundo de cor preta e a fonte F03 (semelhante ao

iluminante D65).

A partir das imagens das placas vermelha, verde e azul (Figura 5.27) foram

calculadas as coordenadas de cromaticidade para verificação da exatidão da medição de

cor por imagem, a partir de um programa desenvolvido em Matlab. Foram obtidos

diretamente da imagem os valores de RGB, e plotados contra os valores medidos pelo

PR650 no sistema espectrofotométrico. Pode-se observar a partir da figura 5.51 a não

Fruta

Espectro colorímetro

Câmera digital

Fonte


linearidade do sistema, fazendo-se necessário a correção dos valores para o sistema

sRGB conforme descrito no item 4.3.1, para posterior calibração.

Fig. 5.51: Resposta do SVC em relação às medidas do sistema espectrofotométrico.

A partir dos valores de RGB não lineares obtidos diretamente da imagem foi

realizada a transformação para o sistema sRGB. Os valores de sRGB foram

transformados nos valores triestímulos XYZ da CIE e usando a equação 3.3 obtiveram-

se as coordenadas de cromaticidade das placas padrão colorimétricas a partir da imagem

(Tabela 5.14), usando a fonte F03 e observador 2º.

Tab. 5.14: Coordenadas de cromaticidade das placas coloridas obtidas pelo SVC.

Placa Padrão Itens PR650

F03 2º

PR650 uc

k=2

SVC F03 2º

Erro SVC - PR650

Vermelho

x 0,5798 0,0013 0,4722 -0,1076

y 0,3576 0,0016 0,3761 0,0185

Y% 8,41 1,43 38,12 29,7131

Verde

x 0,2861 0,0015 0,2894 0,0034

y 0,4989 0,0015 0,4288 -0,0701

Y% 21,43 1,36 79,97 58,5397

Azul

x 0,2168 0,0015 0,2445 0,0278

y 0,3151 0,0017 0,3259 0,0107

Y% 18,86 1,37 78,09 59,2281


Os erros encontrados foram grandes devido à diferença na distribuição espectral

dos sensores usados na câmera digital aos valores das funções de equalização de cor

definidos pela CIE e usados no cálculo dos valores triestímulos XYZ. Desta forma,

torna-se necessário fazer a calibração do sistema e a correção para que as distribuições

espectrais dos sensores da câmera se igualem às funções de equalização de cor da CIE.

A partir dos valores obtidos das coordenadas de cromaticidade no sistema

espectrofotométrico para os três padrões, foi feita a transformação inversa dos valores

triestímulos CIEXYZ 1931 para os valores R’G’B’ usando as equações 3.21 a 3.24,

conforme descrito no item 3.5.1. Comparando os valores em RGB para os dois sistema

(espectrofotométrico e SVC) pode-se determinar o erro da sensibilidade colorimétrica

da câmera utilizada na aquisição da imagem e fazer a correção dos valores para

porterior cálculo dos valores triestímulos XYZ (equações 3.18 a 3.20). Assim, a

resposta espectral dos sensores CCD da câmera digital são equalizadas aos valores das

funções de equalização de cor de CIE (CIE 1931) (Figura 5.52).

Fig. 5.52: Valores XYZ do SVC após correção.

Após a correção da sensibilidade colorimétrica da câmera digital, uma relação

linear é obtida com uma boa correlação entre os valores CIEXYZ do sistema

espectrocolorímetrico (PR650) e os valores XYZ obtidos da imagem. Desta forma, os


valores de XYZ obtidos a partir da imagem digital deverão ser corrigidos a partir das

correlações da equação 5.2.

XPR650=0,98 XSVC

YPR650=0,98 YSVC (5.2)

ZPR650=0,98 ZSVC,

onde XYZPR650 representam os valores corrigidos de XYZ obtidos no SVC. Usando a

correção da equação 5.2, novos valores de coordenadas de cromaticidade foram

calculados, conforme apresentados na tabela 5.15.

Tab. 5.15: Coordenadas de cromaticidade obtidas a partir do SVC calibrado.

Placa Padrão Itens PR650

F03 2º

PR650 uc

k=2

SVC F03 2º

erro SVC - PR650

Vermelho

x 0,5798 0,0013 0,6072 0,0275

y 0,3576 0,0016 0,3564 -0,0012

Y% 8,41 1,43 6,45 -1,9608

Verde

x 0,2861 0,0015 0,2809 -0,0051

y 0,4989 0,0015 0,4896 -0,0093

Y% 21,43 1,36 21,95 0,5249

Azul

x 0,2168 0,0015 0,2226 0,0058

y 0,3151 0,0017 0,3083 -0,0069

Y% 18,86 1,37 21,42 2,5591

Os resultados obtidos são considerados satisfatórios, demonstrando a eficiência

da correção realizada na sensibilidade colorimétrica da câmera digital a partir da

medição dos padrões rastreados. Pior resultado foi obtido para a coordenada x na placa

vermelha, que mesmo com a correção realizada apresenta um erro maior em relação ao

outros desvios encontrados para as outras placas. Para melhor verificar a exatidão das

medidas foi necessário estimar a incerteza da medida de cor a partir do sistema de visão

computacional. A câmera adquire a imagem e partir desta são calculados os valores

triestímulos XYZ e as coordenadas de cromaticidade CIExy 1931. As características


que contribuem para a incerteza das coordenadas de cromaticidade são: incerteza do

cálculo da coordenada, rastreabilidade e repetibilidade.

d) Influência devido à incerteza do cálculo da coordenada - as incertezas das

coordenadas de cromaticidade (x, y) será a incerteza do método de cálculo, que foi

calculada a partir da exatidão das medidas em relação ao PR650.

e) Influência devido à rastreabilidade - O valor considerado na incerteza devido à

rastreabilidade foi a incerteza declarada no certificado NPL das placas padrão.

f) Influência devido à repetibilidade - Para a análise da repetitividade, foram

realizados cálculos da coordenadas de cromaticidade em três regiões diferentes na

superfície da placa, para verificar a homogeneidade dos cálculos. Os valores de desvio

padrão encontrados serão utilizados no cálculo de incerteza.

As maiores incertezas estimadas para o sistema de medição de cor por imagem

foram de Ux=0,0551 (vermelho), Uy=0,0187 (verde) e UY%=5,04% (azul), com um fator

de abrangência de k=1,96. A partir da estimativa da incerteza compararam-se os valores

das coordenadas calculadas aos valores medidos pelo sistema espectrofotométrico, para

as três placas padrão do conjunto BCRA brilhoso, de forma a determinar o desvio entre

os valores e o erro normalizado (Eq. 5.1) (Tabela 5.12).

Tab. 5.16: Comparação entre o SVC e o sistema espectrofotométrico.

Placa Padrão Itens

PR650 F03 2º

PR650 uc

k=2

SVC F03 2º

SVC uc

k=2 Desvio EN.

Vermelho

x 0,5798 0,0013 0,6072 0,0551 0,0275 0,50

y 0,3576 0,0016 0,3564 0,0029 -0,0012 0,36

Y% 8,41 1,43 6,45 3,86 -1,96 0,48

Verde

x 0,2861 0,0015 0,2809 0,0106 -0,0051 0,48

y 0,4989 0,0015 0,4896 0,0187 -0,0093 0,50

Y% 21,43 1,36 21,95 2,86 0,52 0,17

Azul

x 0,2168 0,0015 0,2226 0,0120 0,0058 0,48

y 0,3151 0,0017 0,3083 0,0139 -0,0069 0,49

Y% 18,86 1,37 21,42 5,04 2,56 0,49


Pode-se verificar que todas as medidas tiveram os erros normalizados

satisfatórios (EN<1). Confirmando a exatidão do sistema com rastreabilidade nas placas

calibradas, pode-se agora calcular a cor das frutas medidas no SVC com confiabilidade.

5.3.2 Análise da cor da casca da banana por análise de imagem

Conforme descrito no item 4.3.2 da metodologia, imagens foram adquiridas das

bananas durante todas as etapas de execução do projeto. Após cada medida realizada

pelo espectrocolorímetro PR650, uma foto foi tirada da fruta para posterior análise e

determinação da cor, e posterior caracterização da subclasse de amadurecimento.

As fotos utilizadas são as obtidas sob a fonte F03, com a qual o SVC foi

validado (Tabela 5.17). A partir da foto adquirida para cada fruta, em cada subclasse de

amadurecimento, foram calculados, a partir do programa de análise de imagem

desenvolvido em Matlab, “calc_cor_im”, as coordenadas CIELAB para posterior

correlação com a subclasse de amadurecimento. As coordenadas CIELAB do SVC

foram comparadas com as calculadas no sistema espectrofotométrico e a diferença de

cor E* (Eq. 3.5) foi calculada.

Comparando os dois sistemas, verifica-se uma grande diferença de cor para

algumas subclasses de amadurecimento. Estas diferenças podem ser atribuídas à maior

influência da iluminação no SVC do que na medida do PR650 visto que a imagem

avalia a cor como um todo e o PR650 mede a cor em apenas um ponto central do objeto.

Cabe ressaltar que esta fonte apresenta uma tendência para a cor verde, comum para

altos valores de TCC. Esta diferença pode ser percebida nas fotos na tabela 5.17, onde

se verifica visualmente que as bananas estão mais esverdeadas.

Mais uma vez cabe ressaltar a importância da iluminação na aquisição da

imagem e avaliação da cor, principalmente em sistemas onde a reprodução ou

comparação de padrões de cor são requeridas.


Bananas

PR650 SVC E*

L* a* b* L* a* b*

C1_F03_ preto

47,9 -19,0 37,1 54,1 -26,5 36,7 10

C2_F03_ preto

51,4 -15,8 38,3 54,5 -18,4 30,9 8

C3_F03_ preto

48,7 -15,8 38,0 55,9 -12,3 20,9 19

C4_F03_ preto

69,6 -5,9 47,9 50,3 2,3 8,3 45

C5_F03_ preto

69,4 -3,4 59,3 58,4 4,1 10,1 51

C6_F03_ preto

81,6 0,7 48,1 54,0 5,8 5,6 51

C7_F03_ preto

56,7 8,8 47,5 54,6 1,5 24,6 24

Tab. 5.17: Resultado de CIELAB das bananas sob a fonte F03 e sobre o fundo preto.

174

Capítulo 6

Conclusões e trabalhos futuros

6.1. Conclusões

A necessidade de padronização e melhoria da qualidade dos produtos tem

aumentado enormemente no setor da fruticultura devido ao grande crescimento das

exportações. Muitos países utilizam normas para classificação, rotulagem e embalagem

a fim de padronizar a qualidade dos produtos comercializados e atender as exigências

do consumidor. A classificação da fruta engloba vários parâmetros, tais como, estádio

do amadurecimento, quantidade, tamanho, etc.

Conforme definido no capítulo 1, o objetivo desta tese foi definir uma nova

metodologia de ensaio não destrutivo utilizando técnicas de colorimetria e visão

computacional para caracterização de cor, considerando aspectos importantes, tais como

os efeitos da iluminação, características do ambiente, tipos de iluminantes,

observadores, etc., além da rastreabilidade das medidas.

6. Conclusões e trabalhos futuros 175

De forma a atender ao objetivo proposto, a banana foi escolhida como estudo de

caso nesta pesquisa, e como resultado, uma nova metodologia foi desenvolvida para

caracterização das etapas de amadurecimento da banana a partir de análise

colorimétrica.

Esta tese apresenta um novo indicador para as etapas de amadurecimento da

banana a partir de análises colorimétricas possibilitando a padronização do processo de

classificação. Os resultados do acompanhamento diário da evolução da cor e da

radiância espectral da casca da banana ‘Prata’ brasileira (Musa sapientum AAB) durante

as sete classes da escala de maturação de Von Loesecke foram apresentados.

A partir destas análises foi estabelecido o RCI (Ripening Color Index), índice

prático para a classificação de bananas baseado no sistema CIELAB. O índice RCI para

a banana ‘Prata’ varia de 140 a 300, e cada subclasse de amadurecimento teve seus

limites definidos, permitindo uma direta correlação com a classificação de Von

Loesecke. Os resultados mostram que um índice científico é uma alternativa viável para

ser usada no empacotamento, evitando eventuais erros humanos. A mesma abordagem

pode ser desenvolvida para outros cultivares e frutas.

A tese também compara o uso de nove diferentes lâmpadas comerciais

(incandescente, fluorescente e led) na classificação do amadurecimento da banana

(subclasses C1 a C7 de Von Loesecke). Durante a análise verificou-se que a coordenada

de cromaticidade a* do sistema CIELAB foi fortemente influenciada com o uso de

diferentes fontes no sistema de iluminação. Diferenças de cor foram percebidas

visualmente quando observada uma mesma subclasse de amadurecimento com

diferentes lâmpadas. Uma aparência mais verde foi percebida com o uso de lâmpadas

com maiores CCT e uma aparência mais amarela foi percebida com lâmpadas com

menores CCT, influenciando a classificação durante a embalagem.


Independente da compatibilidade dos resultados entre algumas lâmpadas, nada

impede que as demais possam ser usadas em análise visual, desde que sejam

convencionadas como padrão para os sistemas de medição e classificação, de forma que

os sistemas de análise visual tenham os sistemas de iluminação padronizados entre si ou

tenham suas especificações claramente identificadas.

Grandes diferenças de cor foram encontradas quando comparada a mesma

subclasse de amadurecimento com diferentes fontes. As diferenças apresentadas

justificam a necessidade de maior preocupação quanto ao sistema de iluminação

empregado nas salas de classificação da banana, assim como com as demais frutas e

alimentos em geral.

Além de diferentes fontes, esta tese também comparou o uso de seis diferentes

cores de fundo (preto, azul, verde, vermelho, cinza e branco) na classificação do

amadurecimento da banana (subclasses C1 a C7 de Von Loesecke). Durante a análise

verificou-se que a claridade L* do fundo influencia diretamente a análise da cor da

banana aumentando a diferença de cor E* quando analisada com diferentes cores de

fundo. O fundo azul e o vermelho também influenciaram a avaliação das subclasses de

amadurecimento, principalmente para as classes C1 e C5.

Diferenças de cor foram percebidas visualmente quando observada uma mesma

subclasse de amadurecimento com diferentes cores de fundo, influenciando

erroneamente a classificação durante a embalagem. Faz-se, portanto, necessário um

maior cuidado na escolha e padronização da cor do fundo nas bancadas ou esteiras

utilizadas nos sistemas de inspeção visual para classificação de frutas para

comercialização.

Um programa computacional foi desenvolvido para medição de cor por imagem,

e uma metodologia de calibração de um sistema de visão computacional para análise de


cor foi descrita. A técnica de visão computacional foi usada devido à praticidade das

medições e por proporcionar uma medição global da amostra analisada, diferente do que

ocorre com equipamentos de medição de cor que medem pontualmente. Foi realizada

também a análise da exatidão dos dois sistemas espectrofotométricos utilizados na

pesquisa, e a partir dos resultados obtidos é possível afirmar que estes sistemas

apresentam confiabilidade nos resultados.

Para seguir a metodologia proposta no desenvolvimento desta tese alguns itens

importantes devem ser considerados como recomendação para sistemas de classificação

de cultivares, podendo ser aplicados para outros produtos:

1 – Definir o sistema de iluminação a ser usado para avaliar as subclasses de

amadurecimento do fruto. Verificou-se que para uma análise visual, quanto maior o IRC

da lâmpada, melhor será a percepção da cor. Para o sistema atual de cálculo do IRC, as

lâmpadas incandescentes apresentam maiores IRC, porém estas lâmpadas estão em

desuso devido ao seu alto consumo de energia. Desta forma, buscam-se novas lâmpadas

com alto IRC para melhor desempenho de um sistema de análise visual. A fonte F05

demonstrou ser uma boa opção.

2 - Definir a cor do fundo a ser usado para avaliar as subclasses de amadurecimento do

fruto. Verificou-se que para uma análise visual, quanto maior a claridade do fundo,

maior a influencia deste na percepção da cor do objeto. Quanto mais neutro o fundo,

menor será a influência deste na análise da cor, deste que a luminância não tenha

valores próximos a do objeto a ser avaliado. O fundo preto demonstrou ser uma boa

opção.

Com base na pesquisa desenvolvida, faz-se importante ressaltar a relevância da

padronização da avaliação de amadurecimento de frutos, devido à diversidade adotada

dentre os diferentes países exportadores deste setor, como forma de garantir a qualidade


do produto final. A metodologia proposta pode ser reproduzida para outros cultivares de

banana e diferentes frutas.

Em resumo a tese propõe: um novo indicador de amadurecimento nomeado

RCI_banana, um programa computacional para cálculo da cor a partir da imagem; um

metodologia de calibração e análise de incerteza para o cálculo da cor a partir da

imagem.

6.2. Trabalhos Publicados

Durante o desenvolvimento desta pesquisa, alguns trabalhos técnicos foram

publicados, tanto em eventos nacionais quanto em periódicos internacionais, conforme

listado abaixo:

1. Gomes J. F. S., Vieira R. R., Grieneisen H. P. H., Caracterização do Sistema

Espectrocolorimétrico do Inmetro, Anais do V Congresso Brasileiro de Metrologia –

9 a 13 de Novembro de 2008, Salvador, Bahia – Brasil.

2. Gomes J. F. S., Costa C. L. M., Grieneisen H. P. H., Avaliação da resposta espectral

de um colorímetro de filtro, Anais do V Congresso Brasileiro de Metrologia – 9 a 13

de Novembro de 2008, Salvador, Bahia – Brasil.

3. Gomes J. F. S., Vieira R. R., Grieneisen H. P. H., Avaliação do desempenho de um

colorímetro de filtro, Anais do Enqualab 2009 – Encontro para a Qualidade de

Laboratórios, 1 a 4 junho 2009, São Paulo, SP.

4. Gomes J. F. S., Vieira R. R., Grieneisen H. P. H., Desempenho de colorímetros:

emprego dos padrões de Referência, Anais do 11º Congresso Internacional de

Tintas, 23 a 25 setembro 2009, São Paulo, SP.

5. Delfino A., Leta F. R., Gomes J. F. S., Costa P. B., Caracterização da escala de

maturação de bananas utilizando técnicas de processamento e análise de imagens


digitais, Anais do VI Congresso Nacional de Engenharia Mecânica (Conem), 18 a

21 de agosto de 2010, Campina Grande, Paraíba, Brasil.

6. Gomes J. F. S., de Souza M. A., da Silva E. M., Guedes M. B., Costa C. L. M.,

Alves L. C., Alvarenga A. D., Grieneisen H. P. H., Método do colorímetro ASTM –

A importância da Metrologia, Apresentação oral no 4º Seminário de Laboratório do

IBP, 16 e 17 de maio de 2012, Rio de Janeiro, RJ, Brasil.

7. Gomes J. F. S. & Leta F. R., Applications of computer vision techniques in the

agriculture and food industry: a review, Publicação na revista European Food

Research and Technology, European Food Research and Technology, 235 (2012),

989-1000, DOI 10.1007/s00217-012-1844-2.

8. Gomes J. F. S., Vieira R. R., Leta F. R., Padronização da etapa de seleção e

classificação de frutas, Apresentação oral no XXII Congresso Brasileiro de

Fruticultura, 22 a 26 de outubro de 2012, Bento Gonçalves, RS, Brasil.

9. Gomes J. F. S. e Leta F. R., Aplicação da visão computacional na etapa de seleção e

classificação de frutas, Apresentação oral no XXII Congresso Brasileiro de

Fruticultura, 22 a 26 de outubro de 2012, Bento Gonçalves, RS, Brasil.

10. Gomes J. F. S., Vieira R. R., Leta F. R., Colorimetric indicator for classification of

bananas during ripening, Scientia Horticulturae, 150 (2013), 201-205, DOI

10.1016/j.scienta.2012.11.014.

6.3. Trabalhos Futuros

Com o objetivo de dar continuidade à pesquisa desenvolvida neste doutorado,

algumas sugestões de trabalhos futuros podem ser destacadas:

Análise da influencia do posicionamento/curvatura da banana na medida da cor.

Análise de outros cultivares de banana e outras frutas para verificar a abrangência

do indicador RCI proposto.


Análise das lâmpadas comerciais consideradas daylight disponíveis no comércio

quando as suas características de CCT e IRC e distribuição espectral.

Emprego de um maior número de padrões de cor para a calibração do sistema de

visão computacional, de forma a verificar outros comprimentos de onda de

sensibilidade do sensor da câmera digital.

Desenvolvimento de um sistema de aquisição de imagem com o grupo de visão

computacional do LMDC da UFF.

181

Capítulo 7

Bibliografia

Abanorte - Associação Central dos Fruticultores do Norte de Minas, site

http://www.abanorte.com.br, acessado em 01 de julho de 2010.

Abdullah M. Z., Saleh J. M., Fathinul-Syahir A. S., Mohd-Azemi B. M. N.

Discrimination and classification of fresh-cut starfruits (Averrhoacarambola L.) using

automated machine vision system, Journal of Food Engineering, 76: 506–523 (2006).

ABNT ISO GUIA 43:1999 partes 1, Ensaios de Proficiência por Comparações

Interlaboratoriais Desenvolvimento e Operação de Programas de Ensaios de

Proficiência.

ABNT NBR 5461, 1980, Iluminação, Cancelada em 29/12/1991.

Ahmad S., Thompson A.K., Hafiz I. A., Asi A. A.. Effect of temperature on the ripening

behavior and quality of banana fruit. International Journal of Agriculture & Biology, 3:

224-227 (2001).

Amarasinghe D. I., Sonnadara D. U. J.. Surface colour variation of Papaya fruits with

maturity, Proceedings of the Technical Sessions, 25 (2009) 21-28, Institute of Physics –

Sri Lanka.

http://www.abanorte.com.br/

Bibliografia 182

Amri A., Kobayashi T., Nagatomi S., Tallada J., Gejima Y., Nagata M.. Color analysis

of carrots and lemons by using spectrophotometer. Bulletin of the Faculty of

Agriculture, University of Miyazaki, 50: 1-2, 49-44 (2004).

Apex-Brasil - Agência de Promoção de Exportações e Investimentos, site

www.apexbrasil.com.br, acessado em 01 de julho de 2010.

ASTM E2214:2008 - Standard Practice for Specifying and Verifying the Performance

of Color-Measuring Instruments.

ASTM E284:2012 - Standard Terminology of Appearance.

Atencio P., Sanchez T., Germán B., William J.. Automatic visual model for

classification and measurement of quality of fruit: case Mangifera indica L, Dyna, 176:

317-326 (2009).

Avaliação de dados de medição - Guia para a expressão de incerteza de medição –

GUM 2008. Tradução da 1ª edição de 2008 da publicação Evaluation of measurement

data - Guide to the expression of uncertainty in measurement – GUM 2008, do BIPM.

Duque de Caxias - RJ, 2012. Publicado pelo Inmetro. Disponível em:

http://www.inmetro.gov.br/infotec/publicacoes/gum_final.pdf.

Bennedsen B. S. e Peterson D. L.. Performance of a system for apple surface defect

identification in near infrared images. Biosystems Engineering, 90: 419–431(2005b).

Bennedsen B. S., Peterson D. L., Tabb A.. Identifying defects in images of rotating

apples. Computers and Electronics in Agriculture, 48: 92–102 (2005a).

Bially A. el, El-Ganainy M.M., Al-kamel A.. Color Rendering – Uncertainty. Australian

Journal of Basic and Applied Sciences, 4(10): 4601-4608 (2010).

BIPM - Bureau Internacional de Pesos e Medidas, site http://www.bipm.org, acessado

em 01 de julho de 2010.

Blasco J., Aleixos N., Gomez J., Molto E.. Citrus sorting by identification of the most

common defects using multispectral computer vision. Journal of Food Engineering, 83:

384–393, 2007b.

http://www.apexbrasil.com.br/

http://www.inmetro.gov.br/infotec/publicacoes/gum_final.pdf

http://www.bipm.org/

Bibliografia 183

Blasco J., Aleixos N., Gomez-Sanchis J., Molto E.. Recognition and classification of

external skin damage in citrus fruits using multispectral data and morphological

features. Biosystems Engineering, 103: 137–145, 2009a.

Blasco J., Aleixos N., Molto E.. Computer vision detection of peel defects in citrus by

means of a region oriented segmentation algorithm. Journal of Food Engineering,

81(3): 535–543, 2007a.

Blasco J., Aleixos N., Molto E.. Machine Vision System for Automatic Quality Grading

of Fruit. Biosystems Engineering, 85 (4): 415–423, 2003.

Blasco J., Cubero, S., Gomez-Sanchıs J., Mira P., Molto E.. Development of a machine

for the automatic sorting of pomegranate (Punicagranatum) arils based on computer

vision. Journal of Food Engineering, 90: 27–34 (2009b).

Blasco J.,Cubero-García S., Alegre-Sosa S., Gómez-Sanchís J., López-Rubira V., Moltó

E.. Short communication. Automatic inspection of the pomegranate (Punicagranatum

L.) arils quality by means of computer vision. Spanish Journal of Agricultural

Engineering, 6 (1): 12–16 (2008).

Camelo A. F. L. e Gomez P. A.. Comparison of colour indexes for tomato Ripening.

Horticultura Brasileira, Brasilia, 22, 534-537 (2004).

CEAGESP, PBMH & PIF – Programa Brasileiro para a Modernização da Horticultura

& Produção Integrada de Frutas, Normas de Classificação de Banana, São Paulo,

CEAGESP, 2006 (Documentos, 29).

Chen C. R. e Ramaswamy H. S.. Color and texture change kinetics in ripening bananas,

Lebensm.Wiss. U. Technol., 35, 415–419 (2002).

Chitarra M. I. F. e Chitarra A. B.. Pós-colheita de frutas e hortaliças – Fisiologia e

Manuseio. Editora UFLA, 2005.

Choi K., Lee G., Han Y.J., Bunn J.M.. Tomato maturity evaluation using colour image

analysis. Transactions of the American Society of Agricultural Engineers, 38 (1): 171–

176 (1995).

Bibliografia 184

CIE 13.3:1995; Method of Measuring and Specifying colour rendering properties of

light sources.

CIE 15.3:2004; Colorimetry; Publicação CIE.

CIE 17.4:1987; International Lighting Vocabulary; Publicação CIE.

Coleman W. K.. Comparative performance of the L* a* b* colour space and North

American colour charts for determining chipping quality in tubers of potato

(Solanumtuberosum L.). Canadian Journal of Plant Science, 84: 291–298 (2004).

Conci A., Azevedo E., Leta F. R. Computação Gráfica – Teoria e Prática, Volume 2,

2008, Editora Campus, Elsevier.

Delfino A., Leta F. R., Gomes J. F. S., Costa P. B.. Caracterização da escala de

maturação de bananas utilizando técnicas de processamento e análise de imagens

digitais, VI Congresso Nacional de Engenharia Mecânica (Conem), 18 a 21 de agosto

de 2010, Campina Grande, Paraíba, Brasil.

Ditchfield C. e Tadini C. C.. Acompanhamento do processo de amadurecimento da

banana nanicão (Musa cavendishii Lamb.). XVIII Congresso Brasileiro de Ciência e

Tecnologia de Alimentos, Porto Alegre, RS, Brasil (2002).

Embrapa - Empresa Brasileira de Pesquisa Agropecuária, site

http://www.cpact.embrapa.br, acessado em 14 de abril de 2010.

Embrapa, A Cultura da Banana, Coleção Plantar, Embrapa Informação Tecnológica, 3ª.

Edição, 2006.

Embrapa, Banana Pós-Colheita, Coleção Frutas do Brasil, Embrapa Informação

Tecnológica, 1ª. Edição, 2001.

Expressão da Incerteza de Medição na Calibração: versão brasileira da publicação

EA-4/02 – Expression of the Uncertainty of Measurement in Calibration. Rio de

Janeiro: Inmetro, ABNT, SBM, 1999. Disponível em:

http://repositorios.inmetro.gov.br/bitstream/10926/771/1/EA-4_02-S1.pdf.

http://www.cpact.embrapa.br/

http://repositorios.inmetro.gov.br/bitstream/10926/771/1/EA-4_02-S1.pdf

Bibliografia 185

Feriotti D. G.. Proposta de aproveitamento do pseudocaule da bananeira, Dissertação

de Mestrado em Engenharia de Processos Químicos e Bioquímicos, Instituto Mauá de

Tecnologia, São Caetano do Sul, Brasil, 2010.

García F. L., García G. A., Blasco J, Aleixos N, Valiente J. M.. Automatic detection of

skin defects in citrus fruits using a multivariate image analysis approach. Computers

and Electronics in Agriculture, 71: 189–197, 2010.

Gardner J. L.. Correlated Colour Temperature - uncertainty and estimation. Metrologia

2000, 37: 381-384 (2000b).

Gardner J. L.. Uncertainties in Colour Measurements; NMI TR 8, 1 ed., agosto 2005.

Gardner J. L… Uncertainty Estimation in Colour Measurement. Color Research and

application, 25: 5 (2000a).

Gattass M., 2002, Introdução a cor, site: http://www.vision.ime.usp.br, visitado em

outubro de 2012.

GE iluminação, site http://www.gelampadas.com.br, acessado em 01 de julho de 2010.

Gomes J. F. S. e Leta F. R.. Applications of computer vision techniques in the

agriculture and food industry: a review. European Food Research and Technology, 235:

989-1000, 2012.

Gomes J. F. S., Vieira R. R., Grieneisen H. P. H.. Desempenho de Colorímetros:

Emprego dos Padrões de Referência. Proceeding 11ºCongresso Internacional de Tintas,

23 a 25 setembro de 2009, São Paulo, SP.

Gomez J., Blasco J., Molto E. e Camps-Valls G.. Hyperspectral detection of citrus

damage with a Mahalanobis kernel classifier. Electronic Letters, 43: 1082–1084, 2007.

Gomez-Sanchis J., Molto E., Camps-Valls G., Gomez-Chova L., Aleixos N. e Blasco J..

Automatic correction of the effects of the light source on spherical objects. An

application to the analysis of hyperspectral images of citrus fruits. Journal of Food

Engineering, 85: 191–200, 2008.

Hunter R. S. The measurement of appearance, 1975, Wiley-Intercience Publication.

http://www.vision.ime.usp.br/

http://www.gelampadas.com.br/

Bibliografia 186

ICC, 2004, White Paper #5, Glossary of terms.

IEC – International Electrotechical Commission, 2011, Three-digit-code for designation

of colour rendering and correlated colour temperature, IEC/TR 62732:2012(E).

Imatic, Sistemas Industriais de Visão, site http://www.imatic.com.br/, acessado em

junho de 2010.

Inmetro – Instituto Nacional de Metrologia, e Qualidade e Tecnologia, site

http://www.inmetro.gov.br/, acessado em 14 de abril de 2010.

International Electrotechnical Commission (IEC), através da norma IEC 61966-2-1

ISO GUM, Avaliação de dados de medição - Guia para a expressão de incerteza de

medição – GUM 2008. Tradução da 1ª edição de 2008 da publicação Evaluation of

measurement data - Guide to the expression of uncertainty in measurement – GUM

2008, do BIPM. Duque de Caxias - RJ, 2012. Publicado pelo Inmetro. Disponível em

http://www.inmetro.gov.br/infotec/publicacoes/gum_final.pdf .

Jahns G., Nielsen H. M. e Paul W. Measuring image analysis attributes and modelling

fuzzy consumer aspects for tomato quality grading. Computers and Electronics in

Agriculture, 31: 17-29 (2001).

Jarimopas B. e Jaisin N.. An experimental machine vision system for sorting sweet

tamarind, Journal of Food Engineering 89: 291–297 (2008).

Kang S. P., East A. R., Trujillo F. J.. Colour vision system evaluation of bicolourfruit:

A case study with ‘B74’ mango. Postharvest Biology and Technology, 49: 77–85

(2008).

Kavdir I. e Guyer D. E.. Evaluation of different pattern recognition techniques for apple

sorting. Biosystems Engineering, 99: 211–219, 2008.

Kleynen O., Leemans V., Destain M. F.. Development of a multispectral vision system

for the detection of defects on apples. Journal of Food Engineering, 69: 41–49 (2005).

http://www.imatic.com.br/

http://www.inmetro.gov.br/

http://www.inmetro.gov.br/infotec/publicacoes/gum_final.pdf

Bibliografia 187

Kondo N., Ahmad U., Monta M., Murase H.. Machine vision based quality evaluation

of Iyokan orange fruit using neural networks. Computers and Electronics in

Agriculture, 29: 135-147, 2000.

Lana M. M., Tijskens L. M. M., Theije A, Hogenkamp M., van Kooten O.. Assessment

of changes in optical properties of fresh-cut tomato using video image analysis,

Postharvest Biology and Technology, 41: 296-306 (2006b).

Lana M. M., Tijskens L. M. M., van Kooten O.. Modelling RGB colour aspects and

translucency of fresh-cut tomatoes, Postharvest Biology and Technology, 40: 15-25

(2006a).

LDP LLC, http://www.maxmax.com/, site acessadoem 10 de outubro de 2012.

Lee D.J., Archibald J. K., Chang Y. C., Greco C. R.. Robust color space conversion and

color distribution analysis techniques for date maturity evaluation. Journal of Food

Engineering, 88: 364–372 (2008).

Leemans V., Magein H., Destain M. F.. Defects segmentation on ‘Golden Delicious’

apples by using colour machine vision. Computers and Electronics in Agriculture, 20:

117-130 (2010).

Li Q., Wang M., Gu W.. Computer vision based system for apple surface defect

detection. Computers and Electronics in Agriculture 36: 215-223, 2002.

Lii C. Y., Chang S. M., Young Y. L.. Investigation of the physical and chemical

properties of banana starches, Journal of Food Science, 47: 1493-1497 (1982).

Liming X. e Yanchao Z.. Automated strawberry grading system based on image

processing. Computers and Electronics in Agriculture, 71S: S32–S39 (2010).

Lino A. C. L., Sanches J., Fabbro I. M. D.. Image processing techniques for lemons and

tomatoes classification, Bragantia, Campinas, v.67, n.3, 785-789 (2008).

Louro A. H. F., Mendonça M. M., Gonzaga A.. Classificação de tomates utilizando

redes neurais artificiais, WVC2006, II Workshop de Visão Computacional, São Carlos,

SP, 2006.

http://www.maxmax.com/

Bibliografia 188

Madieta E.. Apple color measurements. Some metrological approaches. ActaHort, 599;

337-342 (2003).

MDIC – Ministério do Desenvolvimento, Indústria e Comércio Exterior, site

http://www.desenvolvimento.gov.br/, acessado em 15 de outubro de 2012.

Mendoza F. e Aguilera J. M.. Application of image analysis for classification of

ripening bananas. Journal of Food Science, 69(9): 471–477 (2004).

Mendoza F., Dejmek P., Aguilera J. M..Calibrated colour measurements of agricultural

products using image analysis. Postharvest Biology and Technology, 41: 285–295

(2006).

Mohan L. A., Karunakaran C., Jayas D.S., White N.D.G.. Classification of bulk cereals

using visible and NIR reflectance characteristics. Canadian Biosystems Engineering,

47:7.7 – 7.14 (2005).

Moneruzzaman K.M., Hossain A.B.M.S., Sani W., Saifuddin M.. Effect of stages of

maturity and ripening conditions on the physical characteristics of tomato. American

Journal of Biochemistry and Biotechnology, 4: 329-335 (2008).

Moretti, C. L.. Processamento mínimo de hortaliças: tendências e desafios. Horticultura

Brasileira, Brasília, v.19, n.2, p.172, 2001.

Morita K., Shiga T., Taharazako S.. Evaluation of change in quality of ripening bananas

using light reflectance technique. Mem. Fac. Agr. Kagoshima Univ, 28: 125-134 (1992).

Nagata M., Tallada J., Ishino F., Gejima Y., Kai S.. Estimation of tomato ripening

stages using three color models. Bulletin of the faculty of Agriculture, University of

Miyazaki, 50: 1-2, 65-71 (2004).

Novicki J. M. e Martinez R. Leds para Iluminação Pública. Projeto de final do curso de

Engenharia Elétrica da Universidade do Paraná, 2008.

Ohno Y.. CIE Fundamental for Color Measurements. IS&T NIP16 Conference,

Vancouver, Canadá, 2000.

http://www.desenvolvimento.gov.br/

Bibliografia 189

Omid M., Khojastehnazhand M., Tabatabaeefar A.. Estimating volume and mass of

citrus fruits by image processing technique. Journal of Food Engineering, 100: 315–

321, 2010.

Philips, 1981, Manual de Iluminação, Impresso na Holanda pela Philips.

Philips, site http://www.philips.com.br, acessado em 01 de julho de 2010.

Polder G., van der Heijden G. W. A. M. e Young I. T.. Tomato sorting using

independent component analysis on spectral images, Real-Time Imaging, 9: 253–259

(2003).

Quevedo R., Mendoza F., Aguilera J. M., Chanona J., Gutierrez-Lopez G..

Determination of senescent spotting in banana (Musa cavendish) using fractal texture

Fourier image. Journal of Food Engineering, 84: 509–515 (2008).

Ramalho G. L. B. e Medeiros F. N. S.. Um sistema de inspeção visual automática

aplicado à classificação e seleção de laranjas. Anais do IV Congresso Brasileiro da

Sociedade Brasileira de Informática Aplicada à Agropecuária e à Agroindústria, 2003.

Rashidi M., Seyfi K.. Determination dof Kiwifruit volume using image processing,

World Applied Sciences Journal, 3, 184-190 (2008).

Riquelme M. T., Barreiro P., Ruiz-Altisent M., Valero C.. Olive classification according

to external damage using image analysis, Journal of Food Engineering, 87: 371–379

(2008).

Rizam M. S. B. S., Yasmin A. R. F., Ihsan M. Y. A., Shazana K.. Non-destructive

watermelon ripeness determination using image processing and artificial neural network

(ANN). International Journal of Computer Systems Science and Engineering, 4: 130-

134 (2009).

RTC-Lacoe-002 - Relatório Técnico de Caracterização do Sistema de Colorimetria e

Calibração do Espectrocolorímetro PR650 – Estimativa da Incerteza da Medição, de 05

de maio de 2010.

RTC-Lacoe-003 - Relatório Técnico de Caracterização do Sistema de Temperatura de

Cor Correlata – Estimativa da Incerteza da Medição, de 01 de junho de 2010.

http://www.philips.com.br/

Bibliografia 190

RTC-Lacoe-015 - Implementação do Sistema de Medição de IRC, de 04 de junho de

2012.

Salvador A., Sanz T., Fiszman S. M. Changes in colour and texture and their

relationship with eating quality during storage of two different dessert bananas.

Postharvest Biology and Technology, 43: 319–325 (2007).

Santos J. L. V., Martins D. R., Vitorazi L., Resende E. D.. Avaliação da escala de cor da

casca do mamão (CaricaPapaya L.) por análise de imagem, XX Congresso Brasileiro

de Fruticultura, 54th Annual Meeting oftheInteramericanSociety for Tropical

Horticulture, Vitória, ES, 2008.

Shanda J. Colorimetry – Understanding the CIE System; Wiley Interscience; 2007.

Silva T. V., Resende E. D., Viana A. P., Pereira S. M. F., Lanamar A. C., Vitorazi L..

Determinação da escala de coloração da casca e do rendimento em suco do maracujá-

amarelo em diferentes épocas de colheita, Revista Brasileira de Fruticultura, Jaboticabal

- SP, v. 30, 880-884 (2008).

Simões, A. S., Costa, A. H. R.. Classificação de laranjas baseada em padrões visuais,

Simpósio Brasileiro de Automação Inteligente, pp 77-81, 2003.

Sirisathitkul Y., Thumpen N., Puangtong W.. Automated Chokun Orange Maturity

Sorting by Color Grading, Walailak J Sci& Tech, 3: 195-205 (2006).

Sistema Internacional de Unidades - SI – 1ª Edição Brasileira da publicação Le Système

international d’unités - The International System of Units 8. ed. 2006, do BIPM. Duque

de Caxias - RJ, 2012. Publicado pelo Inmetro. Disponível em:

http://www.inmetro.gov.br/infotec/publicacoes/si_versao_final.pdf.

Smartphones, Guia Prático, site www.hardware.com.br/livros/smartphones, visitado em

10 de outubro de 2012.

Stajnko D. e Emelik Z.. Modelling of apple fruit growth by application of image

analysis. Agriculturae Conspectus Scientificus, 70: 59–64, 2005.

Bibliografia 191

Stajnko D., Lakota M., Hocevar M.. Estimation of number and diameter of apple fruits

in an orchard during the growing season by thermal imaging. Computers and

Electronics in Agriculture, 42: 31–42, 2004.

Stokes M., Anderson M., Chandrasekar S., Motta R.. A standard default color space for

the internet—sRGB, Version 1.10. International Color Consortium (ICC), 1899 Preston

White Drive, Reston, VA, November 5, 1996.

Tepić A. N., Vujičić B. L. Colour change in pepper (Capsicum Annuum) during storage,

APTEFF, 35: 1-280 (2004).

Tezuka E. S., Herrmann P. S. P., Cruviel P. E.. Desenvolvimento de um modelo de

visão computacional para inferência da qualidade de frutas. XI Encontro de Modelagem

Computacional, 2008, Volta Redonda, RJ.

Throop J.A., Aneshansley D.J., Anger W.C., Peterson D.L.. Quality evaluation of

apples based on surface defects of an automated inspection system. Postharvest Biology

and Technology, 36: 281–290 (2005).

Unay D. e Gosselin B.. Stem and calyx recognition on ‘Jonagold’ apples by pattern

recognition. Journal of Food Engineering, 78: 597–605 (2007).

Unay, D. e Gosselin, B.. Automatic defect segmentation of ‘Jonagold’ apples on multi-

spectral images: a comparative study. Postharvest Biology and Technology, 42: 271–

279, 2006.

Vermeir S., Hertog M. L. A. T. M., Vankerschaver K., Swennen R., Nicolaı B. M.,

Lammertyn J.. Instrumental based flavor characterisation of banana fruit. LWT - Food

Science and Technology, 42: 1647–1653 (2009).

VIM 2012 – Vocabulário Internacional de Metrologia - Conceitos Fundamentais e

Gerais e Termos Associados – 1ª edição Luso-Brasileira - 2012. Tradução da publicação

International Vocabulary of Metrology – Basic and general concepts and associated

terms – JCGM 200:2012. Inmetro - Portaria n.º 232, de 08 de maio de 2012. Disponível

em: http://www.inmetro.gov.br/infotec/publicacoes/vim_2012.pdf.

http://www.inmetro.gov.br/infotec/publicacoes/vim_2012.pdf

Bibliografia 192

Werner S. S., Coelho S. R. M., Poncio A. P., Ferreira L.. Utilização de imagens digitais

para avaliação da coloração de banana prata submetida a diferentes tratamentos pós-

colheita. Seminário de Ciências Agrárias, Londrina, v. 30, n. 2, p. 381-388 (2009).

Wikipedia, site http://pt.wikipedia.org/wiki, “Teoria das cores”, acessado em 21 de abril

de 2010.

Wyszecki G. e Stiles W.S.. Color Science: Concepts and Methods, Quantitative Data

and Formulae, 1982, Second Edition.

Xiao-bo Z., Jie-wen Z., Yanxiao L., Holmes M.. In-line detection of apple defects using

three color cameras system. Computers and Electronics in Agriculture, 70: 129–134,

2010.

Xing J., Saeys W., Baerdemaeker J. Combination of chemometric tools and image

processing for bruise detection on apples. Computers and Electronics in Agriculture,

56: 1–13 (2007).

Yimyam P., Chalidabhongse T., Sirisomboon P., Boonmung S. Physical properties

analysis of mango using computer vision. In Proceedings of International Conference

on Control, Automation and Systems (ICCAS’05) (June 2-5), Korea, 2005.

Zhang P., Whistler R. L., BeMiller J. N., Hamaker B. R.. Banana starch: production,

physicochemical properties, and digestibility—a review. Carbohydrate Polymers, 59:

443–458 (2005).

Zheng, C., Sun, D., Zheng, L.. Recent developments and applications of image features

for food quality evaluation and inspection – a review, Trends in Food Science and

Technology, 17: 642-655, 2006.

Zhu B., Jiang L., Luo Y. e Tao Y.. Gabor feature based apple quality inspection using

kernel principal component analysis. Journal of Food Engineering, 81: 741–749, 2007.

Zou X. B., Zhao J. W., Li Y. X.. Apple color grading based on organization feature

parameters. Pattern Recognition Letters, 28:2046–2053, 2007.

Zou X. e Zhao J.. On-line detecting size and color of fruit by fusing information from

images of three color camera systems. Computer and Computing Technologies in

Agriculture II, 2: 1087–1095, 2009. Eds. D. Li, Z. Chunjiang, (Boston: Springer).

http://pt.wikipedia.org/wiki

193

APÊNDICE A

Glossário

A.1 Glossário de alguns termos importantes em colorimetria

Neste apêndice é apresentada a tradução de inglês para o português, e do

português para o inglês, em ordem alfabética, de alguns termos importantes empregados

na área de colorimetria e aparência de cor, de forma a complementar a teoria

apresentada e discutida no capítulo 3 e utilizada neste documento, visando padronizar

alguns termos empregados nesta área, além de servir de base para futuras publicações

sobre o assunto.

Apêndice A – Glossário 194

Inglês - Português

Absorbance or Transmittance (optical) density - Absorbância ou Densidade

(óptica) de transmitância (A)

Absorptance - Absortância ( )

Absorption - Absorção

Angle of illumination - Ângulo de iluminação

Angle of view - Ângulo de observação

Appearance - Aparência

Bright - Luminoso

Brightness (luminosity – obsolete) - Luminosidade

Brilliance (point) - Brilhância pontual (Ev, E)

Chroma - Croma

Chromaticity - Cromaticidade

Chromaticity coordinates - Coordenadas de cromaticidade

Chromaticity diagram - Diagrama de cromaticidade

Chromaticness, colourfulness – Cromatismo

CIE 1931 standard colorimetric observer - Observador colorimétrico padrão

CIE 1931

CIE 1964 supplementary standard colorimetric observer - Observador

colorimétrico padrão suplementar CIE 1964

CIE 1974 especial colour rendering index - Índice especial de reprodução de cor

CIE 1974 (Ri)

CIE 1974 general colour rendering index - Índice geral de reprodução de cor

CIE 1974 (Ra)

CIE standard illuminants - Iluminantes padrão CIE


CIE standard photometric observer - Observador fotométrico padrão CIE

CIE standard sources - Fontes padrão CIE

Clarity or Lightness - Claridade

Colorant - Corante

Colorimetric purity - Pureza colorimétrica (pc)

Colour constancy - Constância de cor

Colour matching - Equalização de cor

Colour rendering - Reprodução de cor

Colour rendering index - Índice de reprodução de cor (R)

Colour stimulus - Estímulo de cor

Colour stimulus function - Função de um estímulo de cor ( ( ))

Colour temperature - Temperatura de cor (Tc)

Colour fulness, chromaticness - Cromatismo

Colour-matching functions - Funções de equalização de cor (de um sistema

tricromático)

Cones - Cones

Contrast - Contraste

Correlated colour temperature - Temperatura de cor correlata (Tcp)

Dark - Escuro

Daylight illuminant - Iluminante luz do dia

Detector - Detetor

Diffraction - Difração

Diffuse reflectance - Refletância difusa ( d)

Diffuse reflection - Reflexão difusa

Diffuse transmission - Transmissão difusa


Diffuse transmittance - Transmitância difusa ( d)

Diffuser - Difusor

Diffusion factor - Fator de difusão ( )

Diffusion, scattering - Difusão, espalhamento

Direct transmissionor regular - Transmissão direta ou regular

Dispersion - Dispersão

Distribution temperature - Temperatura de distribuição (TD)

Flicker - Tremeluzir

Glare - Ofuscamento

Gloss - Brilho (de uma superfície)

Haze - Nebulozidade

Hue - Matiz

Illuminance - Iluminância (Ev, E)

Illuminant - Iluminante

Infrared radiation - Radiação infravermelha

Irradiance - Irradiância (Ee, E)

Lambertian surface - Superfície lambertiana

Light - Claro

Light - Luz

Lightness or clarity - Claridade

Luminance - Luminância (Lv, L)

Luminance coefficient - Coeficiente de luminância (qv; q)

Luminance factor - Fator de luminância ( v; )

Luminosity (obsolete), Brightness - Luminosidade


Matte - Fosco

Mesopic vision - Visão mesópica

Mixed reflection - Reflexão mista

Mixed transmission - Transmissão mista

Monochromatic radiation - Radiação monocromática

Opacity - Opacidade

Opaque - Opaco

Opaque medium - Meio opaco

Optical radiation - Radiação óptica

Perfect reflecting diffusor - Difusor perfeito por reflexão

Perfect transmitting diffusor - Difusor perfeito por transmissão

Photopic vision - Visão fotópica

Purity - Pureza (de um estímulo de cor)

Radiance - Radiância (Le, L)

Radiance coefficient - Coeficiente de radiância (qe; q)

Radiance factor - Fator de radiância ( e; )

Radiation - Radiação (eletromagnética)

Reference illuminant - lluminante de referência

Reflectance - Refletância ( )

Reflectance (optical) density - Densidade (óptica) de refletância (D )

Reflectance factor - Fator de refletância (R)

Reflectance factor (optical) density - Densidade (óptica) do fator de refletância

(DR)

Reflection - Reflexão

Refraction - Refração


Regular reflectance - Refletância regular ( r)

Regular reflection or specular - Reflexão regular ou especular

Regular transmission or direct- Transmissão regular ou direta

Regular transmittance - Transmitância regular ( r)

Relative colour stimulus function - Função relativa do estímulo de cor ( ( ))

Relative spectral distribution - Distribuição espectral relativa (S( ))

Retroreflection - Retrorreflexão

Retroreflector - Retrorrefletor

Rods - Bastonetes

Saturation - Saturação

Scattering, diffusion - Espalhamento, difusão

Scotopic vision - Visão escotópica

Spectral distribution - Distribuição espectral (Xλ(λ))

Spectral luminous efficiency - Eficiência luminosa espectral (V(λ) para a visão

fotópica, V’(λ) para a visão escotópica)

Spectrum - Espectro (de uma radiação)

Specular reflection or regular - Reflexão especular ou regular

Texture - Textura

Thermochromism - Termocromismo

Translucent medium - Meio translúcido

Transmission - Transmissão

Transmittance - Transmitância ( )

Transmittance (optical) density or absorbance - Densidade (óptica) de

transmitância ou absorbância (D )


Transparent medium - Meio transparente

Tristimulus values - Valores triestímulos (de um estímulo de cor)

Turbidity - Turbidez

Ultraviolet radiation - Radiação ultravioleta

Uniform colour space - Espaço de cor uniforme

Visible radiation - Radiação visível

Wavelength - Comprimento de onda (λ)

Whiteness - Brancura

Yellowness– Amarelecimento


Português - Inglês

Absorbância ou Densidade (óptica) de transmitância (A) - Absorbance or

Transmittance (optical) density

Absorção - Absorption

Absortância ( ) - Absorptance

Amarelecimento - Yellowness

Ângulo de iluminação - Angle of illumination

Ângulo de observação - Angle of view

Aparência - Appearance

Bastonetes - Rods

Brancura - Whiteness

Brilhância pontual (Ev, E) - Brilliance (point)

Brilho (de uma superfície) - Gloss

Claridade - Clarity or Lightness

Claridade - Lightness or clarity

Claro - Light

Coeficiente de luminância (qv; q) - Luminance coefficient

Coeficiente de radiância (qe; q) - Radiance coefficient

Comprimento de onda (λ) - Wavelength

Cones - Cones

Constância de cor - Colour constancy

Contraste - Contrast

Coordenadas de cromaticidade - Chromaticity coordinates

Corante - Colorant

Croma - Chroma


Cromaticidade - Chromaticity

Cromatismo - Chromaticness, colourfulness

Cromatismo - Colourfulness, chromaticness

Densidade (óptica) de refletância (D ) - Reflectance (optical) density

Densidade (óptica) de transmitância ou absorbância (D ) - Transmittance

(optical) density or absorbance

Densidade (óptica) do fator de refletância (DR) - Reflectance factor (optical)

density

Detetor - Detector

Diagrama de cromaticidade - Chromaticity diagram

Difração - Diffraction

Difusão, espalhamento - Diffusion, scattering

Difusor - Diffuser

Difusor perfeito por reflexão - Perfect reflecting diffusor

Difusor perfeito por transmissão - Perfect transmitting diffusor

Dispersão - Dispersion

Distribuição espectral (Xλ(λ)) - Spectral distribution

Distribuição espectral relativa (S( ))- Relative spectral distribution

Eficiência luminosa espectral (V(λ) para a visão fotópica, V’(λ) para a visão

escotópica) - Spectral luminous efficiency

Equalização de cor - Colour matching

Escuro - Dark

Espaço de cor uniforme - Uniform colour space

Espalhamento, difusão - Scattering, diffusion

Espectro (de uma radiação) - Spectrum


Estímulo de cor - Colour stimulus

Fator de difusão ( ) - Diffusion factor

Fator de luminância ( v; ) - Luminance factor

Fator de radiância ( e; ) - Radiance factor

Fator de refletância (R) - Reflectance factor

Fontes padrão CIE - CIE standard sources

Fosco - Matte

Função de um estímulo de cor ( ( ))- Colour stimulus function

Função relativa do estímulo de cor ( ( ))- Relative colour stimulus function

Funções de equalização de cor (de um sistema tricromático) - Colour-matching

functions

Iluminância (Ev, E) - Illuminance

Iluminante - Illuminant

Iluminante luz do dia - Day light illuminant

Iluminantes padrão CIE - CIE standard illuminants

Índice de reprodução de cor (R) - Colour rendering index

Índice especial de reprodução de cor CIE 1974 (Ri) - CIE 1974 especial colour

rendering index

Índice geral de reprodução de cor CIE 1974 (Ra) - CIE 1974 general colour

rendering index

Irradiância (Ee, E) - Irradiance

lluminante de referência - Reference illuminant

Luminância (Lv, L) - Luminance

Luminosidade - Brightness (luminosity - obsolete)

Luminosidade - Luminosity (obsolete), Brightness


Luminoso - Bright

Luz - Light

Matiz - Hue

Meio opaco - Opaque medium

Meio translúcido - Translucent medium

Meio transparente - Transparent medium

Nebulozidade - Haze

Observador colorimétrico padrão CIE 1931 - CIE 1931 standard colorimetric

observer

Observador colorimétrico padrão suplementar CIE 1964 - CIE 1964

supplementary standard colorimetric observer

Observador fotométrico padrão CIE - CIE standard photometric observer

Ofuscamento - Glare

Opacidade - Opacity

Opaco - Opaque

Pureza (de um estímulo de cor) - Purity

Pureza colorimétrica (pc) - Colorimetric purity

Radiação (eletromagnética) - Radiation

Radiação infravermelha - Infrared radiation

Radiação monocromática - Monochromatic radiation

Radiação óptica - Optical radiation

Radiação ultravioleta - Ultraviolet radiation

Radiação visível - Visible radiation

Radiância (Le, L) - Radiance

Refletância ( ) - Reflectance


Refletância difusa ( d) - Diffuse reflectance

Refletância regular ( r) - Regular reflectance

Reflexão - Reflection

Reflexão difusa - Diffuse reflection

Reflexão especular ou regular - Specular reflectionor regular

Reflexão mista - Mixed reflection

Reflexão regular ou especular - Regular reflection or specular

Refração - Refraction

Reprodução de cor - Colour rendering

Retrorrefletor - Retroreflector

Retrorreflexão - Retroreflection

Saturação - Saturation

Superfície lambertiana - Lambertian surface

Temperatura de cor (Tc) - Colour temperature

Temperatura de cor correlata (TCC) - Correlated colour temperature

Temperatura de distribuição (TD) - Distribution temperature

Termocromismo - Thermochromism

Textura - Texture

Transmissão - Transmission

Transmissão difusa - Diffuse transmission

Transmissão direta ou regular - Direct transmissionor regular

Transmissão mista - Mixed transmission

Transmissão regular ou direta - Regular transmission or direct

Transmitância ( ) - Transmittance


Transmitância difusa ( d) - Diffuse transmittance

Transmitância regular ( r) - Regular transmittance

Tremeluzir - Flicker

Turbidez - Turbidity

Valores triestímulos (de um estímulo de cor) - Tristimulus values

Visão escotópica - Scotopic vision

Visão fotópica - Photopic vision

Visão mesópica - Mesopic vision


A.2 Algumas definições importantes em colorimetria

Neste apêndice são apresentados e definidos alguns termos importantes

empregados na área de colorimetria e aparência de cor, de forma a complementar a

teoria apresentada e discutida no capítulo 3 e utilizada neste documento, visando

padronizar alguns termos empregados nesta área, além de servir de base para futuras

publicações sobre o assunto, visto a carência de definições de terminologias nesta área.

Esta terminologia teve como base normas ABNT NBR 5461 (1980), ASTM

E284 (2012), ICC (2004), e CIE 17.4 (1987), que abrangem o assunto colorimetria,

além de publicações citadas no capítulo referências bibliográficas. Para alguns termos é

utilizada a correlação com o vocabulário internacional de iluminação (CIE 17.4, 1987)

de forma a harmonizar as definições adotadas internacionalmente. Desta forma, o

número de refererência usado pela CIE é citado entre parênteses no final do texto.

Os termos são definidos e apresentados em ordem alfabética.


1. Absorção (absorption) – Fenômeno pelo qual a energia radiante é convertida a uma

diferente forma de energia por interação com a matéria. (845-04-74)

2. Absortância ( ) (absorptance) – Razão do fluxo radiante ou luminoso absorvido

pelo fluxo incidente em dadas condições. Unidade: 1. (845-04-75)

3. Amarelecimento (yellowness) – Atributo de percepção da cor pelo qual a cor de um

objeto é comparada em relação a um branco amarelado padrão.

4. Ângulo de iluminação (angle of illumination) – Ângulo entre a normal da

superfície do objeto e o eixo do iluminador.

5. Ângulo de observação (angle of view) – Ângulo entre a normal da superfície do

objeto e o eixo do observador.

6. Aparência (appearance) – Manifestação da natureza de um objeto ou material a

partir de atributos visuais, tais como o tamanho, a forma, a cor, a textura, o brilho, a

transparência, a opacidade, etc..

7. Bastonetes (rods) - Fotorreceptores da retina que contêm um pigmento sensível à

luz e capazes de iniciar o processo de visão escotópica. (845-02-03).

8. Brancura (whiteness) – Atributo de percepção da cor pelo qual a cor de um objeto é

comparada em relação a um branco padrão.

9. Brilhância pontual (Ev, E) (point brilliance) – Quantidade envolvida na observação

visual de uma fonte de luz, quando vista diretamente de uma distância tal que seu

diâmetro aparente se torna insignificante. A brilhância pontual é medida pela

iluminância produzida pela fonte sobre um plano, no olho do observador e normal à

direção da fonte. Unidade: lx. (845-01-59)

10. Brilho (de uma superfície) (gloss) – Aspecto (aparência) pelo qual são percebidos

reflexos luminosos de objetos, como se estivessem superpostos à superfície, devido às

propriedades direcionais seletivas dessa superfície. (845-04-73)


11. Claridade (lightness or clarity) – É a luminosidade de uma superfície apreciada em

relação à luminosidade de uma superfície que é iluminada de maneira semelhante e que

parece branca ou altamente transmissiva. (845-02-31)

12. Claro (light) – Adjetivo utilizado para descrever altos níveis de claridade. (845-02-

32)

13. Coeficiente de luminância (qv; q) (luminance coefficient) – Quociente da

luminância de um elemento de superfície em uma dada direção pela iluminância do

meio. Unidade: sr-1. (845-04-71)

14. Coeficiente de radiância (qe; q) (radiance coefficient) – Quociente da radiância de

um elemento de superfície em uma dada direção pela irradiância do meio. Unidade: sr-1.

(845-04-70)

15. Comprimento de onda (λ) (wavelength) – É a distância, medida na direção de

propagação de uma onda periódica, entre dois pontos sucessivos nos quais a fase é a

mesma. Unidade: metro (m). Em colorimetria normalmente o comprimento de onda ( )

é representado em unidades de nanômetro (nm). (845-01-14)

16. Cones (cones) - Fotorreceptores da retina que contêm um pigmento sensível à luz e

capazes de iniciar o processo de visão fotópica. (845-02-02)

17. Constância de cor (colour constancy) – Tendência geral da cor de um objeto em se

manter constante quando a cor da iluminação é mudada.

18. Contraste (contrast) - Avaliação da diferença de aspecto de duas ou mais partes do

campo observado, justapostos no espaço ou no tempo. Em sentido psicofísico, é uma

grandeza associada à diferença de luminosidade percebida. (845-02-47)

19. Coordenadas de cromaticidade (chromaticity coordinates) - Razão de cada um

dos três valores triestímulos pela sua soma. A soma das três coordenadas de

cromaticidade é igual a 1 (um), sendo duas delas suficientes para definir uma


cromaticidade. Nos sistemas colorimétricos de referência CIE, as coordenadas de

cromaticidade são representadas pelos símbolos x, y, z ou x10 y10, z10. (845-03-33)

20. Corante (colorant) – Pigmento ou outro agente usado para dar cor a um material.

21. Croma (chroma) – Atributo de uma superfície apreciada em relação à luminosidade

de uma superfície que é iluminada de maneira semelhante e que parece branca ou

altamente transmissiva. Para dadas condições de observação e níveis de luminância

dentro dos limites de visão fotópica, um estímulo de cor percebido de uma dada

cromaticidade, proveniente da uma superfície com um dado fator da luminância, tem

croma aproximadamente constante em todos os níveis de iluminância, exceto quando a

luminosidade é muito alta. Nas mesmas circunstâncias, sob um dado nível de

iluminância, se o fator de luminância aumenta o croma geralmente aumenta. (845-02-

42)

22. Cromaticidade (chromaticity) – Propriedade de um estímulo de cor definida por

suas coordenadas de cromaticidade, ou pelo seu comprimento de onda dominante ou

complementar junto com a sua pureza. (845-03-34)

23. Cromatismo (chromaticness, colourfulness) – Atributo de uma sensação visual

segundo o qual a cor percebida de uma superfície parece ser mais ou menos cromática.

Para um estímulo de cor com uma dada cromaticidade e um dado fator de luminância,

este atributo geralmente aumenta quando a luminância aumenta, exceto quando a

luminosidade é muito alta. Antigamente o cromatismo era considerado como uma

percepção combinada do matiz e da saturação, isto é, a percepção correlacionada a

cromaticidade. (845-02-40)

24. Densidade (óptica) de refletância (D ) (reflectance (optical) density) – Logaritmo

decimal do inverso da refletância: D = - .(845-04-65)


25. Densidade (óptica) de transmitância ou absorbância (D ) (transmittance

(optical) density or absorbance) – Logaritmo decimal do inverso da transmitância: D =

- .(845-04-66)

26. Densidade (óptica) do fator de refletância (DR) (reflectance factor (optical)

density) – Logaritmo decimal do inverso do fator de refletância: DR = - . (845-04-

67)

27. Detetor (detector) (fotodetetor) – Dispositivo que converte a energia radiante (luz)

em um sinal elétrico (por exemplo, fotomultiplicadora, fotocélula, fotodiodo, etc.).

28. Diagrama de cromaticidade (chromaticity diagram) – Diagrama plano no qual os

pontos, especificados pelas suas coordenadas de cromaticidade, representam as

cromaticidades dos estímulos de cor (845-03-35).

29. Difração (diffraction) – Desvio da direção de propagação de uma radiação,

determinado pela natureza ondulatória desta, e que ocorre quando a radiação tangencia a

borda de um obstáculo. (845-01-13)

30. Difusão (diffusion, scattering) – Fenômeno no qual a distribuição espacial de um

feixe de radiação é modificada quando este é desviado em muitas direções por uma

superfície ou por um meio, sem modificar a freqüência dos seus componentes

monocromáticos (845-04-44).

31. Difusor (diffuser) – Dispositivo utilizado para modificar a distribuição espacial de

uma radiação essencialmente por meio do fenômeno de difusão (845-04-53).

32. Difusor perfeito por reflexão (perfect reflecting diffusor) – Difusor isótropo ideal

cuja refletância é igual a 1. (845-04-54)

33. Difusor perfeito por transmissão (perfect transmitting diffusor) – Difusor

isótropo ideal cuja transmitância é igual a 1. (845-04-55)


34. Dispersão (dispersion) – Fenômeno que consiste na modificação da velocidade de

propagação de radiações monocromáticas em um meio em função das suas freqüências.

(845-04-104)

35. Distribuição espectral (Xλ(λ)) (spectral distribution) – É a razão da grandeza

energética dXλ(λ), contida em um intervalo do comprimento de onda dλ, em torno do

comprimento de onda λ. Para esse intervalo: X (λ)=dXλ( )/d . Unidade: [X ].m-1 Este

termo é geralmente usado para expressar a distribuição de uma grandeza em função do

comprimento de onda. (845-01-17)

36. Distribuição espectral relativa (S( )) (relative spectral distribution) – É a razão da

distribuição espectral X (λ) de uma grandeza qualquer X(λ) (radiância, irradiância, etc),

por um valor fixo de referência R, que pode ser um valor médio, um valor máximo, ou

um valor dessa distribuição escolhido arbitrariamente (S( )=X (λ)/R. Unidade: 1. Em

colorimetria o valor de referência utilizado na distribuição espectral relativa da fonte é o

valor da distribuição referente ao comprimento de onda 560nm. (845-01-18)

37. Eficiência luminosa espectral (V(λ) para a visão fotópica, V’(λ) para a visão

escotópica) (spectral luminous efficiency) - É a razão do fluxo radiante no

comprimento de onda λm pelo fluxo radiante no comprimento de onda λ, desde que

ambas as radiações produzam sensações luminosas igualmente intensas sob condições

fotométricas específicas e λm seja escolhido tal que o valor máximo desta razão seja

igual a 1. Os valores utilizados para a eficácia luminosa espectral em visão fotópica e

escotópica são os valores admitidos internacionalmente em 1924 e em 1951 pela CIE,

completados por interpolação e extrapolação. Esses valores definem respectivamente as

funções V(λ) ou V’(λ), representadas pelas curvas V(λ) ou V’(λ) (Publicações CIE 18.2

a CIE 15.3). (845-01-22)


38. Equalização de cor (colour matching) – Ação de fazer um estímulo de cor aparecer

da mesma cor que um estímulo de cor dado. (845-03-16)

39. Escuro (dark) – Adjetivo utilizado para descrever baixos níveis de claridade. (845-

02-33)

40. Espaço de cor uniforme (uniform colour space) – Espaço de cor no qual distâncias

iguais são destinadas a representar o limiar das diferenças de cor percebidas de igual

amplitude. (845-03-51)

41. Espalhamento (scattering) – Difusão da energia radiante ao atingir partículas de

diferentes índices de refração.

42. Espectro (de uma radiação) (spectrum) – Representação ou especificação dos

componentes monocromático da radiação considerada, podendo ser espectros de linhas,

espectros contínuos e espectros que exibem ambas as características ao mesmo tempo.

(845-01-08)

43. Estímulo de cor (colour stimulus) – Radiação visível que penetra nos olhos e

produz uma sensação de cor, tanto cromática como acromática. (845-03-02)

44. Fator de difusão ( ) (diffusion factor) – Razão da média dos valores de luminância

medidos a 20º e 70º (0,35 rad e 1,22 rad), pela luminância medida a 5º (0,09 rad),

quando a superfície considerada é iluminada sob incidência normal:

. O fator de difusão é utilizado para dar uma

indicação da distribuição espacial do fluxo difundido e é igual a 1 para todo difusor

isótropo, qualquer que seja o valor da refletância ou da transmitância difusa. (845-04-

89)

45. Fator de luminância ( v; ) (luminance factor) – Razão da luminância de um

elemento de superfície em uma dada direção, pela luminância de um difusor perfeito por

reflexão ou transmissão, identicamente iluminado. Unidade: l. (845-04-69)


46. Fator de radiância ( e; ) (radiance factor) – Razão da radiância de um elemento

de superfície em uma dada direção, pela radiância de um difusor perfeito por reflexão

ou transmissão, identicamente irradiado. Unidade: l. (845-04-68)

47. Fator de refletância (R) (reflectance factor) – Razão do fluxo radiante ou

luminoso refletido nas direções delimitadas por um dado cone, por aquela refletida nas

mesmas direções por um difusor perfeito por reflexão, identicamente irradiado ou

iluminado. Se o ângulo sólido do cone tende para 2 sr, o fator de refletância tende para

a refletância, para as mesmas condições de irradiação. c) Se o ângulo sólido do cone

tende para zero, o fator de refletânciatende para o fator da radiância ou de luminância,

para as mesmas condições de irradiação. (845-04-64)

48. Fontes padrão CIE (CIE standard sources) – Fontes artificiais especificadas pela

CIE cujas radiações se aproximam da dos iluminantes padrão. (845-03-13)

49. Fosco (matte) – Falta de brilho.

50. Função de um estímulo de cor ( ( )) (colour stimulus function) – Descrição de

um estímulo de cor pela concentração espectral de uma grandeza radiométrica, tais

como a radiância ou a potência radiante, em função do comprimento de onda. (845-03-

03)

51. Função relativa do estímulo de cor ( ( )) (relative colour stimulus function) -

Distribuição da potência espectral relativa da função de um estímulo de cor. (845-03-

04)

52. Funções de equalização de cor (de um sistema tricromático) (colour-matching

functions) - Valores triestímulos do estímulo monocromático de mesma potência

radiante. As funções de igualação de cor podem ser utilizadas para calcular os valores

triestímulos de um estímulo de cor, a partir de sua função de estímulo de cor ( ). Nos

sistemas colorimétricos de referência CIE, as funções de igualação de cor são


representadas pelos símbolos , , no sistema colorimétrico de referência

CIE 1931, ou , , no sistema colorimétrico de referência suplementar

CIE 1964. (845-03-23)

53. Iluminância (Ev, E) (illuminance) – É a razão do fluxo luminoso d v, incidente

num elemento de superfície que contém o ponto dado, pela área dA desse elemento.

Unidade: lx = lm.m-2. (845- 01-38)

54. Iluminante (illuminant) – Radiação que tem uma distribuição de potência espectral

relativa definida no intervalo de comprimento de onda capaz de influenciar a percepção

da cor do objeto. (845-03-10)

55. Iluminante luz do dia (daylight illuminant) - Iluminante que tem a mesma, ou

aproximadamente a mesma distribuição de potência espectral relativa que certa fase da

luz do dia. (845-03-11)

56. Iluminantes padrão CIE (CIE standard illuminants) – Iluminantes definidos pela

CIE em termos de suas distribuições de potência espectral relativa (por ex. iluminante

A, D65, etc.). (845-03-12)

57. Índice de reprodução de cor (R) (colour rendering index) – Avaliação

quantitativa do grau de aproximação entre a cor psicofísica de um objeto iluminado por

um iluminante teste, e a cor do mesmo objeto iluminado pelo iluminante de referência.

(845-02-61)

58. Índice especial de reprodução de cor CIE 1974 (Ri) (CIE 1974 especial colour

rendering index) – Avaliação quantitativa do grau de aproximação entre a cor

psicofísica de uma amostra de cor CIE iluminada por um iluminante teste, e a cor da

mesma amostra iluminada pelo iluminante de referência. (845-02-62)


59. Índice geral de reprodução de cor CIE 1974(Ra) (CIE 1974 general colour

rendering index) – Média dos índices especiais de reprodução de cor CIE 1974, para

um conjunto especificado de oito amostras de cor teste. (845-02-63)

60. Irradiância (Ee, E) (irradiance) – É a razão do fluxo radiante d e, incidente num

elemento de superfície que contém o ponto dado, pela área dA desse elemento.

Unidade: W.m-2. (845-01-37)

61. lluminante de referência (reference illuminant) – lluminante com o qual outros

iluminantes são comparados. Nota: Uma interpretação mais particular pode ser

necessária, no caso de iluminantes para reprodução de cores. (845-02-60)

62. Luminância (Lv, L) (luminance) – Numa direção dada e em um ponto dado sobre

uma superfície real ou imaginária, é a grandeza definida pela fórmula LV

=d v/dA.cos .d onde d V, é o fluxo luminoso transmitido por um feixe elementar que

passa pelo ponto dado e que se propaga no ângulo sólido d , que contém a direção

dada; dA é a área de uma seção desse feixe que contém o ponto dado; é o ângulo entre

a normal a essa seção e a direção do feixe. O valor da luminância Lv é dado em

unidades de [lmsr-1 m2 = cd. m-2]. A respectiva grandeza fotométrica é a radiância Le

especificada em unidades de [W sr-1 m -2]. (845-01-35)

63. Luminosidade (brightness, luminosity (obsolete)) – Atributo da sensação visual

segundo a qual uma superfície parece emitir mais ou menos luz. (845-02-28)

64. Luminoso (bright) – Adjetivo utilizado para descrever altos níveis de luminosidade.

(845-02-29)

65. Luz (light) – O termo luz é normalmente empregado em substituição ao termo

“radiação visível” que compreende a radiação óptica capaz de produzir diretamente uma

sensação visual. (845-01-06)


66. Matiz (hue) – Atributo de uma sensação visual segundo o qual uma superfície

parece semelhante a uma das cores percebidas, vermelho, amarelo, verde e azul, ou a

uma combinação de duas delas. (845-02-35)

67. Meio opaco (opaque medium) – Meio que não transmite radiação na faixa espectral

de interesse. (845-04-110)

68. Meio translúcido (translucent medium) – Meio que transmite a radiação visível

quase predominantemente por transmissão difusa, de modo que os objetos não podem

ser vistos distintamente através desse meio. (845-04-109)

69. Meio transparente (transparente medium) – Meio na qual a transmissão é

predominantemente regular, e que em geral tem uma alta transmitância regular na faixa

espectral de interesse. (845-04-108)

70. Nebulosidade (haze) – Falta de clareza; espalhamento da luz em uma superfície

brilhosa responsável pela aparente redução no contraste do objeto visto pela reflexão na

superfície.

71. Observador colorimétrico padrão CIE 1931 (CIE 1931 standard colorimetric

observer) – Observador ideal cujas propriedades de equalização de cor correspondem às

funções de equalização de cor CIE , , adotadas pela CIE em 1931. (845-

03-31)

72. Observador colorimétrico padrão suplementar CIE 1964 (CIE 1964

supplementary standard colorimetric observer) – Observador ideal cujas propriedades

de equalização de cor correspondem às funções de equalização de cor CIE

, , adotadas pela CIE em 1964. (845-03-32)

73. Observador fotométrico padrão CIE (CIE standard photometric observer) –

Observador ideal cuja curva de sensibilidade espectral relativa segue a função V(λ) para


a visão fotópica, ou a função V’(λ) para a visão escotópica, e que satisfaz a lei de

adição, implícita na definição de fluxo luminoso. (845-01-23)

74. Ofuscamento (glare) - Condição de visão na qual há desconforto ou redução na

capacidade de ver detalhes ou objetos, causados por uma distribuição inadequada de

luminância, ou contraste excessivo. (845-02-52)

75. Opacidade (opacity) – Propriedade de um material evitar a transmissão da luz,

recíproco ao fator de transmitância.

76. Opaco (opaque) – quando nenhuma radiação óptica é transmitida, quando não se

pode ver através do material, não transparente.

77. Pureza (de um estímulo de cor) (purity) – Medida da proporção das quantidades de

um estímulo monocromático e de um estímulo acromático especificado que, quando

misturados aditivamente, equalizam o estímulo de cor considerado. (845-03-46)

78. Pureza colorimétrica (pc) (colorimetric purity) – Grandeza definida pela relação:

pc=Ld/(Ln+Ld) onde Ld e Ln são respectivamente as luminâncias do estímulo

monocromático e do estímulo acromático especificado que equalizam o estímulo de cor

considerado por meio de mistura aditiva. (845-03-47)

79. Radiação (eletromagnética) (radiation) – É a emissão ou transferência de energia

sob forma de ondas eletromagnéticas. (845-01-01)

80. Radiação infravermelha (infrared radiation) – É a radiação óptica cujos

comprimentos de onda são maiores do que aqueles da radiação visível. Para a radiação

infravermelha, a faixa compreendida entre 780 nm e 1 mm é geralmente dividida em:

IV-A (780nm - 1400 nm), IV-B (1,4 μm - 3 μm), IV-C (3μm - 1mm). (845-01-04)

81. Radiação monocromática (monochromatic radiation) – É a radiação caracterizada

por uma única freqüência. Na prática, é a radiação compreendida numa faixa de


freqüências muito estreita que pode ser descrita pela especificação de uma única

freqüência. (845-01-07)

82. Radiação óptica (optical radiation) – É a radiação eletromagnética cujos

comprimentos de onda estão compreendidos entre a região dos raios X (λ~1 nm) e a

região das ondas radioelétricas (λ~1 mm). (845-01-02)

83. Radiação ultravioleta (ultraviolet radiation) – É a radiação óptica cujos

comprimentos de onda são menores do que aqueles da radiação visível. Para a radiação

ultravioleta, a faixa compreendida entre 100nm e 400nm é geralmente dividida em: UV-

A (315nm - 400nm), UV-B (280 nm – 315 nm), UV-C (100 nm – 280 nm). (845-01-05)

84. Radiação visível (visible radiation) – É a radiação óptica capaz de produzir

diretamente uma sensação visual. Não existem limites precisos para a faixa espectral da

radiação visível, uma vez que esses limites dependem do fluxo energético que atinge a

retina e da sensibilidade do observador. O limite inferior é tomado geralmente entre

360nm e 400nm, e o limite superior entre 760nm e 830nm. (845-01-03)

85. Radiância (Le, L) (radiance) - Numa direção dada e em um ponto dado sobre uma

superfície real ou imaginária, éa grandeza definida pela fórmula Le=d e/dA.cos .d

onde d e, é o fluxo radiante transmitido por um feixe elementar que passa por um ponto

dado e se propaga no ângulo sólido d , que contém a direção dada; dA é a área de uma

seção desse feixe que contém o ponto dado; é o ângulo entre a normal a essa seção e a

direção do feixe. O valor da radiância Le é dado em unidades de [W sr-1 m -2] e da

radiância espectral Le, ( ) em unidades de [W sr-1 m -3]. A respectiva grandeza

fotométrica é a luminância Lv, especificada em unidades de [lmsr-1 m2]. (845.01.34)

86. Refletância ( ) (reflectance) - Razão do fluxo radiante ou luminoso refletido pelo

fluxo incidente em dadas condições. ( = r + d) Unidade: 1. (845-04-58)


87. Refletância difusa ( d) (diffuse reflectance) – Razão da parte difusamente refletida

do fluxo (total) refletido pelo fluxo incidente. Unidade: 1. (845-04-62)

88. Refletância regular ( r) (regular reflectance) – Razão da parte regularmente

refletida do fluxo (total) refletido pelo fluxo incidente. Unidade: 1. (845-04-60)

89. Reflexão (reflection) – Fenômeno no qualuma radiação, que incide numa superfície

ou num meio, retorna sem modificar a freqüência dos seus componentes

monocromáticos. (845-04-42)

90. Reflexão difusa (diffuse reflection) – Difusão por reflexão na qual, em escala

macroscópica, não há reflexão regular ou especular. (845-04-47)

91. Reflexão mista (mixed reflection) – Reflexão parcialmente regular ou especular e

parcialmente difusa. (845-04-49)

92. Reflexão regular ou especular (regular or specular reflection) – Reflexão sem

difusão que obedece às leis da óptica geométrica. (845-04-45)

93. Refração (refraction) – Fenômeno pelo qual a direção de propagação de uma

radiação é mudada como resultado de variações de sua velocidade de propagação, ao

passar através de um meio opticamente não-homogêneo ou ao atravessar uma superfície

de separação de dois meios diferentes. (845-04-100)

94. Reprodução de cor (colour rendering) – Efeito de um iluminante na aparência de

cor dos objetos, mediante comparação com sua aparência de cor sob um iluminante de

referência. (845-02-59)

95. Retrorrefletor (retroreflector) – Superfície ou dispositivo no qual a maior parte da

radiação refletida é retrorrefletida. (845-04-93)

96. Retrorreflexão (retroreflection) – Reflexão na qual a radiação retorna em direções

próximas a oposta daquela que provém, sendo esta propriedade mantida para variações

significativas de direção da radiação incidente. (845-04-92)


97. Saturação (saturation) – Atributo de uma superfície apreciada em relação à sua

luminosidade. Para dadas condições de observação e níveis de luminância dentro dos

limites de visão fotópica, um estímulo de cor percebido de uma dada cromaticidade tem

saturação aproximadamente constante para todos os níveis de luminância, exceto

quando a luminosidade é muito alta. (845-02-41)

98. Superfície lambertiana (Lambertian surface) – Superfície ideal no qual a radiação

proveniente dessa superfície é distribuída angularmente de acordo com a lei dos

cossenos de Lambert. (845-04-57)

99. Temperatura de cor (Tc) (colour temperature) – Temperatura do corpo negro que

emite uma radiação que tem a mesma cromaticidade que a de um dado estímulo.

Unidade: K. (845-03-49)

100. Temperatura de cor correlata (Tcp) (correlated colour temperature) –

Temperatura do corpo negro no qual a cor percebida mais se assemelha a um dado

estímulo de mesma luminosidade e sob condição de observação especificada. Unidade:

K. (845-03-50)

101. Temperatura de distribuição (TD) (distribution temperature) – Temperatura

do corpo negro cuja distribuição espectral relativa S( ) é a mesma ou aproximadamente

a mesma que a da radiação considerada no intervalo espectral de interesse. Unidade: K.

(845-04-14)

102. Termocromismo (thermochromism) – é a mudança da cor devido à mudança da

temperatura.

103. Textura (texture) – É o aspecto de uma superfície que permite identificá-la e

distingui-la de outras formas. Quando tocamos ou olhamos para um objeto ou superfície

sentimos se é lisa, rugosa, macia, áspera ou ondulada.

http://pt.wikipedia.org/wiki/Superf%C3%ADcie

http://pt.wikipedia.org/wiki/Lisa

http://pt.wikipedia.org/wiki/Rugosa


104. Transmissão (transmission) – Fenômeno no qual umaradiação passa através de

um meio sem modificar a freqüência dos seus componentes monocromáticos. (845-04-

43)

105. Transmissão difusa (diffuse transmission) – Difusão por transmissão na qual,

em escala macroscópica, não há transmissão regular ou direta. (845-04-48)

106. Transmissão mista (mixed transmission) – Transmissão parcialmente regular

ou direta e parcialmente difusa. (845-04-50)

107. Transmissão regular ou direta (regular or direct transmission) – Transmissão

sem difusão que obedece às leis da óptica geométrica. (845-04-46)

108. Transmitância ( ) (transmittance) – Razão do fluxo radiante ou luminoso

transmitido pelo fluxo incidente em dadas condições. ( = r + d) Unidade: 1. (845-04-

59)

109. Transmitância difusa ( d) (diffuse transmittance) – Razão da parte

difusamente transmitida do fluxo (total) transmitido pelo fluxo incidente. Unidade: l.

(845-04-63)

110. Transmitância regular ( r) (regular transmittance) – Razão da parte

regularmente transmitida do fluxo (total) transmitido pelo fluxo incidente. Unidade: l.

(845-04-61)

111. Tremeluzir (flicker) – Impressão de instabilidade da sensação visual devido a

um estímulo luminoso cuja luminância ou a distribuição espectral flutuam com tempo.

(845-02-49)

112. Turbidez (turbidity) – Redução da transparência de um material devido a

presença de particulado fosco.

113. Valores triestímulos (de um estímulo de cor) (tristimulus values) –

Quantidades dos três estímulos de cor de referência de um dado sistema tricromático


requeridas para equalizar a cor do estímulo considerado. Nos sistemas colorimétricos de

referência CIE, os valores triestímulos são representados pelos símbolos X, Y, Z, ou

X10, Y10, Z10. (845-03-22)

114. Visão escotópica (scotopic vision) – Visão do olho normal quando adaptado a

níveis de luminância inferiores a poucos centésimos de candela por metro quadrado. Os

bastonetes são os principais fotorreceptores ativos na visão escotópica. (845-02-10)

115. Visão fotópica (photopic vision) – Visão do olho normal quando adaptado a

níveis de luminância no mínimo iguais a várias candelas por metro quadrado. Os cones

são os principais fotorreceptores ativos na visão fotópica. (845-02-09)

116. Visão mesópica (mesopic vision) – Visão intermediária entre a visão fotópica e

a visão escotópica. Na visão mesópica, tanto os cones como os bastonetes são ativos.

(845-02-11)

223

APÊNDICE B

Tabela comparativa das referências

Neste apêndice é apresentado um resumo dos artigos citados no capítulo de

revisão bibliográfica (Tabela B.1) que é organizado em ordem cronológica, onde são

apresentados para cada artigo: título, autores, revista, ano, produto abordado, tipo,

sistema de cor empregado, característica estudada e resumo/conclusão, etc.

Apêndice B – Tabela comparativa das referências 224

Tabela B.1 - Tabela comparativa das referência

Nº Autores Ano Título Referência Revista Produto Tipo Sistema de cor Características estudadas Resumo/Conclusão

1 Brearley N., Breeze J. E. 1966

Spectrophotometric measurements of skin colours of apples

J. Sci. Fd. Agric., vol 17 (1966), 62-64 J. Sci. Fd. Agric. fruta maça CIE xyY refletância

Medidas foram feitas com espectrômetro para medir a curva de refletância espectral da maçã no intervalo do visível, com passo de 10nm

2 Lii, C. Y., Chang, S. M., & Young, Y. L.

1982

Investigation of the physical and chemical properties of banana starches

Journal of Food Science, v.47 (1982), p.1493-1497

Journal of Food Science fruta banana Diversas

caracteristicas - tabela de classificação com nove etapas para amadurecimento da banana

3 Ramaswamy, H. S ., Tung, M. A. 1989

Technical note: Textural changes as related to color of ripening bananas

International Journal of Food Science and Technology, 24(1989), 217–221.

International Journal of Food Science and Technology

fruta banana - - Análise da evolução da textura com o amadurecimento

4 Kawano S. 1994

Present Condition of Nondestructive Quality Evaluation of Fruits and Vegetables in Japan

Jarq, 28 (1994), 212-216 Jarq fruta e

vegetais - - cor, forma, defeito e tamanho

revisão de metodologias e trabalhos realizados no Japão

5 Choi, K., Lee, G., Han, Y.J., Bunn, J.M.

1995 Tomato maturity evaluation using colour image analysis

Trans. Am. Soc. Agric. Eng. 38 (1), 171–176

Trans. Am. Soc. Agric. Eng. fruta tomate RGB para HSI cor

Um procedimento de análise de cor foi desenvolvido por Choi para classificar tomates frescos em seis estágios de maturação de acordo com os padrões da USDA (EUA): verde, Breakers, Turning, rosa, luz vermelha, e vermelho. Imagens de RGB de cada tomate foram capturado e convertido a valores HSI, e a classificação foi baseada no percentual da área da superfície sob determinados ângulos de hue. Um índice de maturação do tomate (TMI) foi desenvolvido para indicar o grau de maturidade dentro de cada estágio e prover um índice continuo do completo intervalo de maturidade. Os resultados da classificação concordaram em 77% com a classificação manual dos tomates testados, e todas as amostras forma classificadas dentro de um estágio diferente de maturidade.

6 Leemans, V., Magein, H., &Destain, M.-F.

1998

Defects segmentation on ‘Golden Delicious’ apples by using colour machine vision

Computers and Electronics in Agriculture, 20 (1999), 117-130.

Computers and Electronics in Agriculture

fruta maçã RGB Cor para identificar defeitos

Apresenta um novo algoritmo capaz de identificar defeitos, usando toda informação colorida significante. Esse algoritmo consiste em três passos. O primeiro é uma segmentação de defeitos grosseiros baseados em uma comparação estatística entre a cor de um pixel individual e a cor global da fruta. Após isto, baseado em uma aproximação global ou local, é possível fazer a identificação.



7

Kondo, N., Ahmad, U., Monta, M., Murase, H.

2000

Machine vision based quality evaluation of Iyokan orange fruit using neural networks

Computers and Electronics in Agriculture, 29 (2000) 135-147


fruta laranjas sinal NTSC foi convertido em 8 bit RGB

cor, forma e rugosidade da superfície, açúcar e pH (acidez)

A partir de imagens obtidas da laranja, foram utilizadas aspectos como cor, rugosidade, diâmetro, peso para obter informações sobre o açúcar e a acidez (pH) da fruta a partir de redes neurais com razoável exatidão.

8

Noordam, J.C., Otten, G.W., Timmermans, A.J.M., Zwol, B.H. van

2000

High speed potato grading and quality inspection based on a colour vision system

Proc. SPIE Vol. 3966, p. 206-217, Machine Vision Applications in Industrial Inspection VIII, Kenneth W. Tobin; Ed

Machine Vision Applications in Industrial Inspection VIII

legumes batata - -

Batatas são analisadas de todos os lados e para isto uma câmera com espelhos são utilizados para obter uma imagem global. Experimentos com batatas vermelhas e amarelas foram realizadas mostrando que o sistema empregado é robusto para a classificação.

9

Ahmad S., Thompson A.K., Hafiz I. A., Asi A. A.

2001

Effect of Temperature on the Ripening Behavior and Quality of Banana Fruit

Int. J. Agri. Biol., Vol. 3 (2001), No. 2, 224-227

Int. J. Agri. Biol. fruta banana CIE Lab cor

Ahmad em 2001 conduziu um estudo para determinar o efeito da temperatura, etileno e suas interações na velocidade de amadurecimento e qualidade da banana. A interação entre o etileno e a temperatura mostraram que o etileno tem um efeito maior no amadurecimento em temperaturas entre 14-18 ºC do que em 20ºC. A temperatura de 20ºC aparenta ser a temperatura ótima de amadurecimento da banana, apresentando um bom desenvolvimento da cor e sabor. Para amadurecimento em baixas temperaturas (14-16 ºC) a banana necessidade se exposta a etileno para manutenção de suas qualidades.

10 Jahns, G., Nielsen, H. M. and Paul, W

2001

Measuring image analysis attributes and modelling fuzzy consumer aspects for tomato quality grading

Computers and Electronics in Agriculture, 31 (2001), 17-29


fruta tomate

RGB image, IRGB(i, j ), é convertido para o padrão CIE:XYZ image

tamanho, a forma tridimensional, a cor e a uniformidade da cor

Como em outras frutas, a aparência do tomate é um dos importantes parâmetros para estimar a qualidade interna e para isto algumas características devem ser analisadas, tais como o tamanho, a forma tridimensional, a cor e a uniformidade da cor, além da observação de possíveis defeitos. Todos estes aspectos foram estudados por Jahns (2001) utilizando lógica fuzzy, demonstrando a importância da visão computacional na inspeção deste fruto. Jahns apresentou este trabalho para classificação de tomates visando atender principalmente os requisitos definidos na regulamentação americana quanto a qualidade do tomate. De acordo com Jahns, a classificação de qualidade é realizada pelos consumidores a partir de seus sentidos, inclusive o



tato e o olfato e a aparência visual é a principal fonte de informação e pode ser realizada através da análise de imagens a partir de atributos como tamanho, cor, forma, defeitos, etc. Entretanto, estes atributos são freqüentemente correlacionados com parâmetros nutricionais. A partir desses atributos de qualidade, um exemplo de classificação de tomate é proposto a partir de lógica fuzzy, considerando a percepção humana quanto a característica do fruto.

11

Visen, N. S., Shashidhar, N. S., Paliwal, J. and Jayas, D.S.

2001

Identification and segmentation of occluding groups of grain kernels in a grain sample image

J. Agric. Eng. Res., 79 (2001), 159–166 J. Agric. Eng. Res. grão trigo e milho

Desenvolveu um algoritmo para análise da forma dos grãos de trigo, adotando a forma de uma elipse, onde a curvatura do grão era estimada a partir de fórmulas desenvolvidas por ele

12 Chen C. R., Ramaswamy H. S.

2002 Color and Texture Change Kinetics in Ripening Bananas

Lebensm. Wiss. U. Technol., 35 (2002), 415–419.

Lebensm. Wiss. U. Technol fruta banana CIE Lab cor e firmeza da

polpa

Chen em 2002 desenvolveu um estudo sobre a cinética de mudança da cor e da textura no amadurecimento da banana como função da temperatura de armazenamento (10, 16, 22, 28 ºC). A medida da cor foi avaliada em termos de valores de CIE Lab e diferença de cor E, representando a desvio entre os estágios de amadurecimento.

13 Ditchfield C., Tadini C. C. 2002

Acompanhamento do processo de amadurecimento da banana nanicão (Musa cavendish Lamb.)

XVIII Congresso Brasileiro de Ciência e Tecnologia de Alimentos

XVIII Congresso Brasileiro de Ciência e Tecnologia de Alimentos

fruta banana pH, acidez, Brix -

Em 2002, Ditchfield apresentou um estudo sobre o amadurecimento da banana avaliando as mudanças apresentadas durante o processo de amadurecimento, sendo medidos os seguintes parâmetros nos ensaios realizados: firmeza da banana, pH, °Brix e acidez. O estudo constatou que o melhor parâmetro para determinar o estágio de maturação da banana é a firmeza da banana. A razão °Brix/acidez também fornece um bom parâmetro para o estágio de maturação da banana e o pH e a acidez titulável não são bons parâmetros pois apresentam valores semelhantes nos estágios iniciais e finais de maturação. Cabe ressaltar que Ditchfield (2002) considera uma outra classificação para as fases de amadurecimento da banana, diferente da escala de maturação de Von Loesecke. No trabalho é citada a seguinte classificação: etapa1= fruta verde, etapa 2=Fruta verde com traços amarelos, etapa 3 = Fruta mais verde que amarela, etapa 4= Fruta mais amarela que verde, etapa 5 =Fruta amarela com extremidade verde, etapa 6= Fruta amarela, etapa 7



=Fruta amarela com pequenas manchas pardas e etapa 8 =Fruta amarela com grandes manchas pardas.

14 Li Q., Wang M., Gu W. 2002

Computer vision based system for apple surface defect detection

Computers and Electronics in Agriculture 36 (2002) 215-223


fruta maçã - -

Em 2002 Li desenvolveu um novo sistema experimental automatizado para detector defeitos da superfície da maçã baseado na tecnologia de imagem. O sistema tem a vantagem de ser capaz de inspecionar simultaneamente quatro lados de cada maçã na linha de processamento. O método foi desenvolvido para remover o fundo da imagem, segmentar os defeitos e identificar algumas áreas na maçã. Os resultados mostraram que o sistema é prático e acessível, e que o algoritmo proposto de detecção dos defeitos é efetivo.

15 Blasco J.,Aleixos N., Molto E. 2003

Machine Vision System for Automatic Quality Grading of Fruit

Biosystems Engineering 85 (4) (2003), 415–423

Biosystems Engineering fruta maçã, pera e

laranja RGB tamanho e cor

desenvolveu uma técnica de visão computacional para estimar a qualidade de laranjas, peras e maças, e avaliar a eficiência dessas técnicas quanto aos atributos: tamanho, cor, etc. O procedimento de segmentação usado, baseado na análise discriminante Baysiana, permitiu que as frutas fossem precisamente distinguidas do background. Assim a determinação do tamanho foi resolvida. As estimativas da cor das frutas pelo sistema foram bem correlacionadas com o valor do índice colorimétrico que são normalmente usados como padrões. A classificação do sistema foi testada em linha com maçãs obtendo um bom desempenho quando as frutas foram classificadas em batelada. A precisão e repetitividade do sistema foram similares aquelas exigidas nos padrões de classificação.

16 Madieta E. 2003

Apple color measurements. Some metrological approaches

ActaHort 599 (2003), 337-342 ActaHort fruta maçã Lch cor

De acordo com Madieta (2003) é necessário conhecer o intervalo de variação da cor da casca da maçã par decidir o melhor modo de medi-la, dependendo do objetivo de cada medida. De acordo com o tipo de distribuição a maçã pode ser classificada como homogênea, heterogênea ou bi-colorida. Apresenta medidas metrológicas para classificar o tipo de coloração da maça, a partir do desvio padrão das medidas efetuadas em diversos pontos da fruta.



17

Polder, G., van der Heijden, G. W. A. M. and Young, I. T.

2003

Tomato sorting using independent component analysis on spectral images

Real-Time Imag., 9 (2003), 253–259 Real-Time Imag fruta tomate RGB

tamanho, a forma tridimensional, a cor e a uniformidade da cor

Como em outras frutas, a aparência do tomate é um dos importantes parâmetros para estimar a qualidade interna e para isto algumas características devem ser analisadas, tais como o tamanho, a forma tridimensional, a cor e a uniformidade da cor, além da observação de possíveis defeitos. Polder (2003) analisou estas características em tempo real, mostrando que dois componentes principais da distribuição espectral da imagem do amadurecimento do tomate correspondem a diminuição da clorofila e aumento do caroteno, demonstrando que a distribuição de cor é suficiente para acompanhar o amadurecimento.

18 Ramalho G. L. B., Medeiros F. N. S.

2003

Um sistema de inspeção visual automática aplicado à classificação e seleção de laranjas

Anais do IV Congresso Brasileiro da Sociedade Brasileira de Informática Aplicada à Agropecuária e à Agroindústria, 2003.

Anais do IV Congresso Brasileiro da Sociedade Brasileira de Informática Aplicada à Agropecuária e à Agroindústria, 2003.

fruta laranja forma, cor, rugosidade -

Ramalho propôs um algoritmo de processamento de imagens aplicado à extração automática de características de frutas a partir de imagens digitais em níveis de cinza. A metodologia proposta avalia de forma não destrutiva a qualidade das frutas usando suas características visuais, utilizando as características de tamanho, forma, cor e rugosidade extraídas da análise de imagens monocromáticas. A cor da laranja foi estimada a partir da análise do histograma de níveis de cinza de uma região retangular, calculando-se a intensidade média dos tons de cinza nessa região. De acordo com Ramalho uma laranja verde-amarelada tem intensidade média de cinza (Im) no terço médio do histograma, para laranjas verdes o valor de Im tende para o terço inferior e para laranjas amarelas tende para o terço superior. Estes algoritmos foram testados em um sistema experimental automático de inspeção visual de laranjas visando a incorporação deste em um sistema de classificação e seleção automática de frutas.



19 Simões, A. S., Costa, A. H. R. 2003

Classificação de laranjas baseada em padrões visuais

Simposio Brasileiro de Automação Inteligente, 2003, pp 77-81

Simposio Brasileiro de Automação Inteligente, 2003

fruta laranja - cor

O presente trabalho propõe umsistema automático completo para tarefa da classificação delaranjas baseado no padrão brasileiro de cores (CEAGESP,2000) e investiga a aplicabilidade da quantização vetorial paraa tarefa da comparação de padrões. A aplicação prática destametodologia é fortemente estimulada pelos resultados obtidos,que tem como característica inerente a robustez à variação dascondições de iluminação do ambiente.

20 Søgaard, H. T. and Olsen, H. J. 2003

Determination of crop rows by image analysis without segmentation

Comput. Electron. Agric., 38 (2003), 141–158

Comput. Electron. Agric. plantações Plantas

verdes - - Definiu um indicador para o grau de verde (greenness) para identificar as plantas, GI=2G-R-B, que a principio só é aplicado em plantas verdes

21

Amri A., Kobayashi T., Nagatomi S., Tallada J.,Gejima Y., Nagata M.

2004

Color analysis of carrots and lemons by using spectrophotometer

Bulletin of the Faculty of Agriculture, University of Miyazaki, 50 (2004), 1-2, 49-44

Bulletin of the Faculty of Agriculture, University of Miyazaki

fruta e legume

limão e cenoura Lab

O estudo da cor de limões também foi realizado para estimar a qualidade do fruto. Amri em 2004 realizou uma pesquisa para determinar a distribuição da cor de cenouras, limões verdes e amarelos para estimativa da qualidade. As medidas da cor dessa frutas foram feitas por um sistema de coordenadas de pontos sobre a superfície, e um espectrofotômetro Minolta (CM-508i) foi usado para media as coordenadas do sistema CIE Lab com o iluminante D65 do como iluminante padrão e o intervalo do visível (400 nm-700 nm). Para a análise da cor usando o coeficiente de variação (CV) como um indicador da homogeneidade da cor, cenouras e limões amarelos tiveram um CV dos valores a e b menores que o limão verde.

22 Camelo A. F. L. and Gomez P. A. 2004

Comparison of colour indexes for tomato ripening

Horticultura Brasileira, Brasilia, 22, (2004), 534-537

Horticultura Brasileira fruta tomate RGB, HSI e CIE Lab -

Comparou índices de cor do amadurecimento do tomate usando diferentes espaços de cor. Valores de L*, a* e b* correspondentes a frutos que haviam sido previamente classificados em seis estádios de maturação de acordo com a escala USDA, foram empregados para calcular os valores de hue, croma, índice de cor, diferença de cor com o vermelho puro, relação a*/b* e (a*/b*)2. A variação de cor durante a maturação provocou variações significativas em L*, a* e b*. Neste trabalho o índice de cor, diferença de cor e relação a*/b* tiveram, essencialmente, a mesma expressão, com as categorias de cor significativamente diferentes em termos da



percepção humana, entretanto, o valor de hue mostrou uma variação mais ampla de valores. O croma não foi um bom parâmetro para expressar os diferentes estádios de maturação, entretanto, seria um bom indicador de aceitação por parte dos consumidores quando os frutos se encontrassem totalmente maduros. A relação (a*/b*)2 apresentou as mesmas limitações que o croma. Os valores de hue, índice de cor, diferença de cor e relação a*/b* podem ser utilizados indistintamente como índices quando os frutos amadurecem na planta. Para Camelo seria interessante um estudo para determinar qual é o melhor índice quando a maturação ocorre sob condições inadequadas de temperatura e iluminação.

23 Mendoza F., Aguilera J. M. 2004

Application of image analysis for classification of ripening bananas

Journal of Food Science, 69(9) (2004), 471–477

Journal of Food Science fruta banana RGB, CIE XYZ, CIE

Lab cor

Mendonza implementou um sistema para identificar os estágios de amadurecimento da banana baseado em cor. Nove parâmetros forma analisados (valores de L, a e b; percentual de área marrom, número de pontos marrom, área de pontos marrom, homogeneidade, contraste, correlação e entropia da textura da imagem) extraídos das imagens das bananas que foram usadas na classificação. Os resultados mostram que a simples técnica de classificação é boa para identificar os estágios de amadurecimento da banana, obtendo 98% de exatidão na classificação de 49 bananas em sete estágios de amadurecimento. De acordo com Mendonza, a técnica de visão computacional se mostra promissora no uso para classificação dos estágios de amadurecimento da banana.

24

Nagata M., Tallada J.,Ishino F., Gejima Y., Kai S.

2004 Estimation of tomato ripening stages using three color models

Bulletin of the faculty of Agriculture, University of Miyazaki, 50 (2004), 1-2, 65-71

Bulletin of the faculty of Agriculture, University of Miyazaki

fruta manga RGB para HSI e CIE Lab cor

Nagata em 2004 realizou uma pesquisa comparando a efetividade de três modelos de cor na estimativa de amadurecimento do tomate usando parâmetros da imagem, tal como histograma e analise discriminante linear como um modelo estatístico de classificação. Imagens digitais foram adquiridas de nove tomates de cada classe de amadurecimento com um total de 45 amostras. Em cada classe, cinco amostras foram usadas para o desenvolvimento enquanto quatro amostras para a verificação do modelo. As imagens foram processadas em histogramas usando RGB,



HSV e CIE Lab. A analise discriminante linear usando software de analise estatística foi usada para determinar o modelo de classificação multivariável. Todos os modelos classificaram entre 80 a 100% das amostras, porém não tiveram um bom desempenho para amostras variadas. A média da taxa de classificação foi de 62,5% para o HSV e 60% para o CIELab e foram muito melhores que o RGB com 35%.

25 Stajnko, D., Lakota, M. and Hocevar, M.

2004

Estimation of number and diameter of apple fruits in an orchard during the growing season by thermal imaging


Comput. Electron. Agric. fruta maçã RGB quantidade de

frutas e tamanha

um novo método para estimar o número de maçãs e seu respectivo diâmetro em pomares foi desenvolvido e testado. Uma câmera térmica capturou as imagens das macieiras cinco vezes durante o período de safra. As imagens foram processadas usando vários algoritmos e o coeficiente de correlação R2 foi estabelecido de 0,83 a 0,88 entre a medida manual da fruta e o estimado pelo algoritmo. Stajnko adotou novo índice para separar as características pela análise da cor chamado de índice de diferença normalizada (NDI=(g-r)/(g+r). O NDI tem valores entre -1 a 1 pois é computado para todos os valores de pixel da imagem. Entretanto para imagens cinza, um intervalo de 0 a 255 foi requerido.

26 Tepić A. N., Vujičić B. L. 2004

Colour change in pepper (capsicum annuum) during storage

APTEFF, 35(2004), 1-280, 59-64 APTEFF pimenta páprica ASTA 20 method cor

Estudo para avaliar a qualidade do pó de pimenta, avaliando a influencia da exposição a luz e a temperatura ambiente na qualidade do produto final, avaliando a cor ASTA do produto. Tepic investigou a relação entre a medida da superfície da pimenta e correlacionou com a cor final do pó, relacionando com a padronização ASTA. Para isto usou o espaço CIE Lab e buscou uma correlação dos valores medidos com o padrão de cor ASTA da páprica.

27 Bennedsen, B. S. and Peterson, D. L.

2005

Performance of a system for apple surface defect identification in near infrared images

Biosyst. Eng, 90 (2005), 419–431 Biosyst. Eng fruta maçã - -

Bennedsen desenvolveu um sistema experimental de visão computacional para identificar defeitos e machucados da superfície de maçãs, apresentando uma nova metodologia para localizar e identificar a área escura da imagem tratada na escala cinza. O método é baseado na rotação na maçã em frente a câmera, adquirindo múltiplas imagens, possibilitando desta forma analisar a mudança da área escura na imagem, identificando assim os



defeitos. Com esta técnica de rotação da maçã foi possível melhorar o método de identificação de defeitos em 90%.

28 Bennedsen, B. S., Peterson, D. L., Tabb, A.

2005 Identifying defects in images of rotating apples


Comput. Electron. Agric fruta maçã - -

Bennedsen desenvolveu um sistema experimental de visão computacional para identificar defeitos e machucados da superfície de maçãs, apresentando uma nova metodologia para localizar e identificar a área escura da imagem tratada na escala cinza. O método é baseado na rotação na maçã em frente a câmera, adquirindo múltiplas imagens, possibilitando desta forma analisar a mudança da área escura na imagem, identificando assim os defeitos. Com esta técnica de rotação da maçã foi possível melhorar o método de identificação de defeitos em 90%.

29 Du, C.J., Sun, D.W. 2005

Comparison of three methods for classification of pizza topping using different colour space transformations

Journal of Food Engineering, 66 (2005a)., 277-287

Journal of Food Engineering alimentos pizza

RGB e NRGB (RGB normalizado), HSV (hue, saturação e valor), I1I2I3 (OHTA), CIE Lab e YCbCr

Um importante trabalho foi o realizado por Du e Sun em 2005, onde cinco transformações do RGB foram realizadas para verificar o melhor desempenho de outros sistemas de cor na classificação de pizza. Os seguintes sistemas foram avalizados: NRGB (RGB normalizado), HSV (hue, saturação e valor), I1I2I3, CIE Lab e YCbCr. Usando essas cinco transformações do espaço de cores, o desempenho de três SVM (vetor suporte) classificadores (linear, polinomial e RBF) na classificação de pizza foram comparados com duas classificações clássicas, isso é, o classificador C4.5 e um RBF_NN(função base radial de rede neural). O classificador C4.5 obteve a melhor classificação com exatidão de 93,3% com o CIE Lab ou I1I2I3, e o RBF_NN obteve a melhor exatidão (86,7%) com o YCbCr, HSV ou CIE Lab. Para os classificadores SVM, o classificador polinomial teve a melhor exatidão na classificação, com 96,7% com o espaço de cor HSV, enquanto que a função RBF obteve 90% com o YCbCr, CIE Lab e HSV. Du e Sun concluíram que os classificadores SVM e o SVM polinomial combinado com o espaço HSV provaram ser uma boa aproximação para o uso em visão computacional para classificação de pizza.



30 Kleynen, O., Leemans, V., Destain, M.-F.

2005

Development of a multispectral vision system for the detection of defects on apples

J. Food Eng. 69 (2005), 41–49 J. Food Eng. fruta maçã Lab defeitos

Kleyne desenvolveu um método para selecionar maçãs baseado na presença de defeitos. Um sistema de visão multiespectral, incluindo quatro bandas de comprimento de onda no visível/IVP foi desenvolvido, e as imagens das frutas foram adquiridas. Os defeitos foram agrupados em quatro categorias e sua segmentação consistiu em classificação por pixel baseada na teoria baseana. Testes foram feitos para verificar o desempenho do método e nenhum erro no rejeito da fruta pelo defeito ocorreu e alta taxa de classificação foi obtida para maçãs com defeitos classificados como sérios, porém a exatidão do sistema para alguns defeitos não atendeu a exigência da legislação européia

31 Stajnko, D. and Emelik, Z. 2005

Modelling of apple fruit growth by application of image analysis

Agric. Consp. Sci., 70 (2005), 59–64 Agric. Consp. Sci fruta maçã RGB e HSI -

Stajnko investigou a possibilidade de empregar o processamento de imagem em RGB no crescimento de maças em pomares durante o período de safra. Como a deteção da fruta dependia significativamente do tamanho e da cor em cada estágio de crescimento, o coeficiente de correlação variou ente 0,71 a 0,89, apresentando uma exatidão de aproximadamente 94%.

32

Throop, J.A., Aneshansley, D.J., Anger,W.C., Peterson, D.L.

2005

Quality evaluation of apples based on surface defects of an automated inspection system

Postharvest Biology and Technology 36 (2005) 281–290

Postharvest Biology and Technology fruta maçã - -

Throop em 2005 desenvolveu um sistema experimental de visão computacional para a etapa de classificação de maçãs de forma a atender os padrões americanos, incluindo um sistema de posicionamento das maçãs, uma câmera para captura das imagens, um sistema de iluminação e algoritmos de processamento para segmentar aos defeitos da superfície em tempo. O diâmetro e altura de cada maçã foi medida para estimar o volume da maça e estas dimensões junto com o posicionamento da maçã na imagem permitiram a identificação do defeito.



33

Yimyam, P., Chalidabhongse, T., Sirisomboon, P., &Boonmung, S.

2005 Physical properties analysis of mango using computer vision

In Proceedings of International Conference on Control, Automation and Systems (ICCAS’05), Korea, June 2-5, 2005

International Conference on Control, Automation and Systems (ICCAS’05), Korea, June 2-5, 2005

fruta manga RGB para HSI tamanho, forma, área superficial e cor

Yimyam em 2005 descreveu uma técnica de processamento de imagem que podia detector, segmentar e analisar propriedades físicas da manga, tal como tamanho, forma, área superficial e cor a partir da imagem. Primeiro as imagens das mangas foram adquiridas por uma câmera digital, analisadas e segmentadas. A segmentação foi feita construindo um modelo hue das amostras de manga e algumas técnicas morfológicas e de filtragem foram aplicadas para limpar o ruído. Da imagem segmentada e limpa, a área da manga foi computada e a forma foi analisada usando alguns modelos de estrutura. A cor também foi analisada e indexada no banco de dados para classificação futura. Sessenta mangas de três tamanhos diferentes foram classificadas pelo sistema experimental e por humanos. O resultado mostra que a técnica é uma boa alternativa e prático para separação de manga, comparando com a separação manual.

34

Zhang P., Whistler R. L., BeMiller J. N., Hamaker B. R.

2005

Banana starch: production, physicochemical properties, and digestibility—a review

Carbohydrate Polymers 59 (2005) 443–458

Carbohydrate Polymers fruta banana Diversas

características -

Zhang em 2005 apresentou um resumo dos estudos e resultados obtidos para a composição estrutural da banana, suas principais propriedades químicas. Zhang também apresenta sugestões para pesquisas utilizando a banana verde.

35

Abdullah, M. Z., Saleh, J. M., Fathinul-Syahir, A. S., Mohd-Azemi, B. M. N.

2006

Discrimination and classification of fresh-cut starfruits (Averrhoacarambola L.) using automated machine vision system

Journal of Food Engineering 76 (2006) 506–523

Journal of Food Engineering fruta carambola RGB para HSI cor e forma

Desenvolveu um software para detectar características de qualidade da carambola por sistema de inspeção automática usando a tecnologia de visão computacional. As características consideradas foram cor e forma. O uso de classificadores artificiais tal como análise de discriminação linear e rede neural foram usados no espaço de cor HSI como ferramenta para detectar a maturidade das frutas como verde, médio, maduro e passado. O espectro das frutas maduras e não maduras foram caracterizados usando todas as características de cor no intervalo de hue de 10 a 74. O experimento analisou 200 frutas revelando que a analise discriminante linear foi mais precisa na classificação com 93% de classificação correta.



36

Lana M. M., Tijskens L. M. M., Theije A, van Kooten O.

2006

Assessment of changes in optical properties of fresh-cut tomato using video image analysis

Postharvest Biology and Technology, 41 (2006), 296-306

Postharvest Biology and Technology fruta tomate RGB e CIE Lab -

Analisando os resultados pode-se perceber que um aumento na translucência pode ser verificado pela diminuição da quantidade de pixels vermelhos quando a amostra foi medida contra o fundo preto. Mudanças da cor devido a maturação pode ser medida pela diminuição dos pixels verde ou pelo aumento proporcional dos pixels vermelhos (R/(R+G+B), quando a amostra foi colocada sob um fundo brando. Continuando seus estudos, Lana converteu os valores de RGB em CIE Lab e analisando os resultados percebeu-se que um aumento da translucência correspondia a uma diminuição da claridade e mudanças na cor devido a maturação resultou em um aumento do valor a.

37

Lana M. M., Tijskens L. M. M., van Kooten O.

2006

Modelling RGB colour aspects and translucency of fresh-cut tomatoes

Postharvest Biology and Technology, 40 (2006), 15-25

Postharvest Biology and Technology fruta tomate RGB -

Lana aplicou esta técnica para acompanhar os efeitos dos estágios de maturidade do tomate e os efeitos da temperatura. Os dados foram expressos como uma média de intensidades por pixel do R, G e B para os fundos branco e preto, separadamente. Um modelo foi desenvolvido e apresentado que descreve a mudança nos valores RGB dos tomates depois de estocados. No modelo o efeito observado foi considerado ser resultado de dois processos, mudança da cor devido a produção de degradação dos pigmentos e desenvolvimento da translucência. Os dados obtidos foram usados para desenvolver um modelo que estima a resposta em RGB das variáveis tempo, temperatura, estágio de maturação e cor do fundo.



38 Louro, A. H. F., Mendonça, M. M., Gonzaga, A.

2006

Classificação de tomates utilizando redes neurais artificiais

II Workshop de Visão Computacional, 2006, São Carlos, SP

WVC'2006 - II Workshop de Visão Computacional, 2006, São Carlos, SP

fruta tomate RGB

pixels médios (Rm, Gm, Bm) coordenadas cromáticas r, g, b

O objetivo deste trabalho foi constatar a possibilidade de se classificar tomates utilizando redes neurais artificiais e avaliar seu desempenho comparando as suas respostas com a opinião de um especialista. Técnicas de processamento de imagens e redes neurais foram aplicadas para classificar tomates em quatro classes diferentes baseadas em seu tamanho e cor. Primeiro, imagens de 102 tomates pertencentes ao grupo saladete foram digitalizadas através de um webcam. Segundo, características de cor e forma forma extraídas de cada imagem e terceiro, essas características foram apresentadas a uma combinação de duas redes neuras.

39 Mendoza F., Dejmek P., Aguilera J. M.

2006

Calibrated colour measurements of agricultural products using image analysis

Postharvest Biology and Technology, 41(3) (2006), 285–295

Postharvest Biology and Technology

40 Sirisathitkul Y., Thumpen N., Puangtong W.

2006

Automated Chokun Orange Maturity Sorting by Color Grading

Walailak J Sci& Tech; 3(2) (2006): 195-205

Walailak J Sci& Tech fruta laranjas RGB para HSI cor

Estudos de caracterização das fases do amadurecimento da laranja também têm sido realizados. Uma técnica de processamento de imagem foi desenvolvida por Sirisathitkul (2006) para desenvolver um guia para classificação da maturidade da laranja. O objetivo dessa pesquisa foi avaliar o amadurecimento da fruta pela classificação da cor. O processo foi dividido em duas principais etapas, treinamento e teste. No treinamento, imagens de 90 laranjas de três diferentes ângulos foram coletadas por uma câmera digital sob uma iluminação normal com lâmpada branca fluorescente. Então, a imagem original RGB colorida da laranja foi transformada em imagem HSI, e então o hue foi usado como forma de regra de decisão. Um classificar foi implementado usando essa regra de decisão. Na fase teste, o grau de maturidade de 50 laranjas foi testado. A classificação da maturidade da laranja foi feita usando o classificador obtido e os resultados experimentais mostraram que o método de classificação de laranjas pode ser uma alternativa, pois obteve um sucesso de 98% de acerto.



41 Unay, D. and Gosselin, B. 2006

Automatic defect segmentation of ‘Jonagold’ apples on multi-spectral images: a comparative study

Postharvest Biol. Technol., 42 (2006), 271–279

Postharvest Biol. Technol fruta maçã - Diversos

defeitos

O autor comparou diversas técnicas de segmentação na análise de defeitos da maçã, sendo o classificador supervisionado mais exato que o não supervisionado e a segmentação foi mais precisa quando realizada na vizinhança da pixel. Resultados desse trabalho mostrou que muitos metodos de classificação e thesholding foram promissores para serem usados na segmentação de defeitos de superfície em máquinas de inspeção visual de maça de alta velocidade.

42 Blasco, J., Aleixos, N., & Molto , E.

2007

Computer vision detection of peel defects in citrus by means of a region oriented segmentation algorithm

Journal of Food Engineering, 81(3) (2007), 535–543

Journal of Food Engineering fruta

Frutas cítricas (laranja, limão)

- manchas, injúrias, defeitos

Com algoritmo de segmentação com região orientada o contraste entre áreas diferentes na imagem tornam-se mais importante que o pixel colorido individual, resolvendo assim problemas de variedade das cores naturais das frutas. Esse trabalho propõe um algoritmo de segmentação por região orientada para detetar um defeito comum na casca de frutas cítricas. Esse método permite a segmentação de pequenos defeitos. O algoritmo foi testado em diferentes tipos de laranja e mandarins com defeitos e o algoritmo foi capaz de acertar 95% dos defeitos analisados.

43

Blasco, J.,Aleixos, N., Gomez, J. andMolto , E.

2007

Citrus sorting by identification of the most common defects using multispectral computer vision

J. Food Eng., 83 (2007), 384–393 J. Food Eng fruta


RGB, XYZ, HSI, La*b* and Lu*v*

manchas, injúrias, defeitos

Blasco (2007) direcionou sua pesquisa no uso da radiação infravermelha, ultravioleta e fluorescente nos sistemas de visão computacional para identificação de defeitos comuns em frutas cítricas, empregando algoritmos que combinam essas diferentes informações espectrais (incluindo a região visível) para classificar a fruta de acordo com o tipo de defeito. O resultado obtido mostra que a contribuição da informação da região não-visível pode prover a deteção e identificação de alguns defeitos. Comparado com os resultados de imagens coloridas, a exatidão da deteção de antracnose (doença causada por fungos) aumentou 86% com o emprego de imagens do infravermelho, e a exatidão de mofo verde aumento de 65% a 94% usando imagens fluorescentes.



44

Gomez, J., Blasco, J., Molto, E. e Camps-Valls, G.

2007

Hyperspectral detection of citrus damage with a Mahalanobis kernel classifier

Electron. Lett., 43 (2007), 1082–1084 Electron. Lett. fruta


- -

O realizado por Gomes em 2007 refere-se à recente tecnologia que permite a análise de uma imagem de diferentes comprimentos de onda e o resultado espectral pode ser usado para ajudar a identificar conhecidos tipos de defeitos.

45 Salvador A., Sanz T., Fiszman S. M., 2007

2007

Changes in colour and texture and their relationship with eating quality during storage of two different dessert bananas


Postharvest Biology and Technology fruta banana CIE Lab e hue e

croma diversas

Salvador em 2007 desenvolveu um trabalho para estudar os aspectos da qualidade de dois grupos diferentes de variedade de banana, normalmente consumidas na Espanha (M. cavendish e M. paradisíaca). O estudo analisou a evolução de parâmetros da qualidade e sua relação com a mudança da cor e textura durante o amadurecimento ocorrido a 20 C. Durante o estudo a mudança na cor e textura da casca da banana foi gradual para a banana M. Cavendish e apresentou diversidade na banana M. paradisíaca, que permaneceu verde durante oito dias e então mudou rapidamente a cor para amarela até o 12º dia. A análise da cor foi realizada com um colorímetro Hunter Labscan II usando o sistema CIE Lab, sendo os parâmetros de hue e croma também avaliados. O estudo mostra que o amadurecimento da banana ocorre de forma diferente para diferentes grupos desta fruta.

46 Unay, D. and Gosselin, B. 2007

Stem and calyx recognition on ‘Jonagold’ apples by pattern recognition

J. Food Eng., 78 (2007), 597–605 J. Food Eng. fruta maçã - Defeitos

superficie

Neste artigo um novo método para reconhecer o cabo e fundo da maça é proposto. O método começa com a remoção do fundo e a segmentação por threshold. Aspectos da textura e forma foram extraídos para cada objeto segmentado e foram introduzidas no algoritmo de classificação, apresentando bom desempenho comparado com a literatura.

47 Xing, J., Saeys, W. and de Baerdemaeker, J.

2007

Combination of chemometric tools and image processing for bruise detection on apples

Comput. Electron. Agric, 56 (2007), 1–13

Comput. Electron. Agric fruta maçã - Defeitos

superficie

Neste artigo um experimento usando um sistema de imagens hiperespectrais para deteção de machucados nas superfícies da maça. As ferramentas de PCA e PLSDA foram usados pra extrair e resumir as informações espectrais dos métodos segmentando a região de interesse, possibilitando a classificação.



48 Zhu, B., Jiang, L., Luo, Y. and Tao, Y.

2007

Gabor feature based apple quality inspection using kernel principal component analysis

J. Food Eng., 81 (2007), 741–749 J. Food Eng fruta maçã - -

Um sistema automatizado para selecionar boas maçãs foi pesquisado na geometria derivada das imagens da maçã.

49 Zou, X. B., Zhao, J. W. and Li, Y. X.

2007 Apple color grading based on organization feature parameters

Patt. Recogn. Lett, 28 (2007), 2046–2053

Patt. Recogn. Lett fruta maçã RGB e HSI

presença de defeitos, tamanho, forma e cor

Este artigo apresenta um sistema de classificação de maçãs a partir da cor em quatro classes de acordo com a classificação chinesa. O sistema, que consiste em uma câmera colorida CCD, foi projetado para capturar imagens a cada rotação de 90º da fruta, sendo extraído 17 parâmetros de cor de cada imagem da maçã, possibilitando a correta classificação, não funcionando para algumas classes.

50

Bakker, T., Wouters, H., van Asselt, K., Bontsema, J., Tang, L., Mu¨ ller, J. and van Straten, G

2008 A vision based row detection system for sugar beet


Comput. Electron. Agric. plantações beterraba RGB -

Testou o indicador GI=2G-R-B de Sogaard junto com outras duas versões normalizadas, onde o divisor normalizado foi [R+G+B], constatando ser seguro usar este indicador normalizado quando se tem mudanças no nível de iluminação. É interessante notar que por ser [r+g+b=1] a versão normalizada do indicador de grau verde GI definida por Søgaard passa a ser [gi=2g-r-b=3g-1], significando que g é uma boa variável para este tipo de aplicação sendo mais confiável do que usar a variável G sozinha

51

Blasco, J.,Cubero-García, S., Alegre-Sosa, S., Gómez-Sanchís, J., López-Rubira, V.,Moltó, E.

2008

Short communication. Automatic inspection of the pomegranate (Punicagranatum L.) arils quality by means of computer vision

Spanish Journal of Agricultural Engineering 6 (1) (2008), 12–16

Spanish Journal of Agricultural Engineering

fruta romã RGB cores

Blasco também realizou um estudo no desenvolvimento do protótipo para seleção dos caroços da romã, para avaliar qual seria a melhor cor da esteira onde seria realizada a aquisição a imagem para posterior seleção. Neste estudo ele analisou qual cor de esteira iria ser mais adequada na extração da imagem e classificação, utilizando esteiras nas cores branca, azul, verde escuro, verde claro e cinza. A cor azul apresentou melhor desempenho devido apresentar maior B em oposição as cores dos caroços a serem classificados que variavam do branco ao vermelho, apresentando alto R.

52 Cabrera, R. R, Juarez, I. L., Sheng-Jen, H.

2008 Ann analysis in a vision approach for potato inspection

Journal of Applied Research and Technology, Vol. 6 No. 2 (2008)106-119

Journal of Applied Research and Technology

legumes batata HSI -

Batatas são analisadas de todos os lados e para isto uma câmera com espelhos são utilizados para obter uma imagem global. Experimentos com batatas vermelhas e amarelas foram realizadas mostrando que o sistema empregado é robusto para a classificação.



53 Choudhary, R., Paliwal, J. and Jayas, D. S.

2008

Classification of cereal grains using wavelet, morphological, colour, and textural features of non-touching kernel images

Biosyst. Eng., 99 (2008), 330–337 Biosyst. Eng grão trigo RGB, HSI e CIE Lab

morfológia, ondulações, cor e textura

Realizou um estudo de classificação de grãos analisando os aspectos morfológicos, ondulações, cor e textura a partir de imagens.Um total de 51 aspectos morfológicos, 93 aspectos de cores, 56 de textura e 135 de ondulações foram extraídos de cada grão e uma classificação estatística foi usada para a classificação usando os aspectos individuais e suas combinações para encontrar o melhor conjunto e bom resultados foram obtidos, maioria acima de 98%.

54 Dana, W. and Ivo, W. 2008

Computer image analysis of seed shape and seed color for flax cultivar description

Comput. Electron. Agric., 61 (2008), 126–135.

Comput. Electron. Agric. sementes sementes Lab calculado a partir

do RGB cor e forma

A visão computacional foi empregada para analisar formas e cores de sementes com o objetivo de encontrar parâmetros que fornecem melhor classificação de toxidade. A análise de cor foi realizada empregando o sistema CIELab juntamente com a análise da forma de 53 variedades de sementes, concluindo que as cores são mais importantes que a forma para a análise de toxidade de sementes.

55

Gomez-Sanchis, J.,Molto , E., Camps-Valls, G., Gomez-Chova, L., Aleixos, N. andBlasco, J.

2008

Automatic correction of the effects of the light source on spherical objects. An application to the analysis of hyperspectral images of citrus fruits.

J. Food Eng., 85 (2008), 191–200 J. Food Eng fruta


- -

Gomez-Sanchez aborda que alguns problemas surgidos na inspeção de imagem de alguns produtos são devido a forma esférica, como é o caso de laranjas, peras, tomates, maçãs, etc. A metodologia apresentada usa um sistema de visão computacional hiperespectral baseada em filtros de cristal líquido harmonioso que minimiza o efeito produzido pela curvatura de fruta sobre a intensidade da radiação capturada pela câmera. O experimento mostra que aplicando este método o nível de cinza do pixel é homogeneizado a uma mesma classe, independente da região de origem na superfície da fruta , reduzindo também o desvio padrão no qual facilita a posterior classificação

56

Jackman P., Sun D. W., Du C., Allen P., Downey G.

2008

Prediction of beef eating quality from colour, marbling and wavelet texture feature

Meat Science 80 (2008) 1273–1281 Meat Science alimento carne - defeitos Examinar a superfície do bife para avaliação da

qualidade



57 Jarimopas B., Jaisin N. 2008

An experimental machine vision system for sorting sweet tamarind


Journal of Food Engineering fruta tamarindo - forma, tamanho,

defeitos

Jarimopas desenvolveu um experimento com um sistema de visão computacional para tamarindos baseado em técnicas de processamento de imagem. Os parâmetros relevantes avaliados foram forma, tamanho e defeitos. A classificação realizada pelo sistema de visão computacional teve uma eficiência média de 89,8% para uma capacidade de seleção de 1517 tamarindos/h, e uma razão de contaminação de 10,2%, que está dentro dos padrões de exportação exigidos pela Tailândia.

58 Kang S.P., East A.R., Trujillo F.J.

2008

Colour vision system evaluation of bicolourfruit:A case study with ‘B74’ mango


Postharvest Biology and Technology fruta manga RGB para CIE LAB e

hue e croma cor

Kang (2008) investigou o uso de um sistema de medida digital colorida para obter os valores de hue, croma, a e b da cor de frutas heterogeneamente coloridas, adotando como exemplo a manga. O objetivo do estudo foi determinar o efeito da curvatura da fruta sobre as medidas do Lab em um grande intervalo de cor, quantificar o efeito da curvatura no calculo do hue e do croma e demonstrar como os dados de hue capturados podem prover valores quantitativos da descrição do perfil de cor e mudanças de cor em frutas heterogeneamente coloridas. Como resultado foi confirmado que da medida dos valores de a e b da cores na superfície curva, 55% e 69% dos valores foram dentro do range da medida para a mesma superfície plana. Esse desvio das medidas da descrição do hue e croma resultaram em uma média de erro de 2 a 2,5 respectivamente.

59 Kavdir, I. and Guyer, D. E. 2008

Evaluation of different pattern recognition techniques for apple sorting

Biosyst. Eng., 99 (2008), 211–219 Biosyst. Eng fruta maçã Lab -

Kavdir desenvolveu um sistema para análise de maçãs a partir de alguns parâmetros, tais como, o matiz (cor), defeitos da forma, circunferência, firmeza, peso, pontos vermelhos na superfície e defeitos superficiais. Foi analisado o desempenho da combinação destes parâmetros para determinar a melhor opção de classificação, empregando redes neurais.

60

Lee, D.J., Archibald J. K., Chang Y. C., Greco C. R.

2008

Robust color space conversion and color distribution analysis techniques for date maturity evaluation


Journal of Food Engineering frutas - novo modelo linear -

Lee propôs em 2008 uma nova conversão de espaço de cor e uma nova técnica de análise de distribuição de índice de cor para avaliar automaticamente os dados de maturidade do fruto. Em contraste com as técnicas complexas de classificação de cor apresentada, o método proposto por Lee torna fácil



ao operador humano especificar e ajustar o conjunto de cores a serem analisadas.

61

Lino A. C. L., Sanches J.,Fabbro I. M. D.

2008

Image processing techniques for lemons and tomatoes classification

Bragantia, Campinas, v.67 (2008), n.3, p.785-789

Bragantia, Campinas fruta tamate e limão RBG pra HSI -

Em 2008 Lino apresentou um trabalho com o objetivo de classificar a forma, volume e cor em frutas, sendo aplicados em tomates e limões. De acordo com Lino a implementação tecnológica dos sofisticados sistemas de classificação de frutas se torna de difícil acesso para pequenos e médios produtores, devido ao alto custo de softwares, equipamentos, além dos custos operacionais. Com base nessas considerações Lino estudou a adaptação de um novo software, com código-fonte aberto para habilitar o sistema de classificação reconhecendo forma, volume, cor e possivelmente danos.

62 Manickavasagan, A., Sathya, G. and Jayas

2008

Comparison of illuminations to identify wheat classes using monochrome images


Comput. Electron. Agric. grão trigo - -

Realizaram um estudo para determinar a melhor iluminação a ser utilizada em análise de grãos. Lâmpadas incandescentes, fluorescentes de anel e tubo (ring and tube) foram testadas e a última foi a que obteve a melhor exatidão na classificação.

63

Moneruzzaman K.M., Hossain A.B.M.S., Sani W., Saifuddin M.

2008

Effect of Stages of Maturity and Ripening Conditions on the Physical Characteristics of Tomato

American Journal of Biochemistry and Biotechnology 4 (4): 329-335, 2008

American Journal of Biochemistry and Biotechnology

fruta tomate - -

Moneruzzaman em 2008 desenvolveu um estudo sobre os efeitos dos diferentes estágios de maturação e condições de amadurecimento do tomate nas características físicas durante o processo de amadurecimento. Diferentes condições de estágios de maturação e amadurecimento e suas combinações mostraram uma variação significante nas diferentes características físicas do tomate.

64

Quevedo R., Mendoza F., Aguilera J. M., Chanona J., Gutierrez-Lopez G.

2008

Determination of senescent spotting in banana (Musa cavendish) using fractal texture Fourier image


Journal of Food Engineering fruta banana - textura

Em 2008, Quevedo apresentou um trabalho onde usou a analise de textura de imagens como indicador do aparecimento dos pontos marrons de envelhecimento da banana (estágio 7 da escala de von Loesecke. No experimento as bananas forma armazenadas durante 10 dias à 20ºC e as imagens da superfície foram adquiridas por um sistema de visão computacional. O resultado do trabalho mostra que textura analisada com análise de Fourier aumento com o envelhecimento e pode ser usada como um indicador do processo de desenvolvimento de pontos marrons na superfície da banana.



65 Rashidi M., Seyfi K. 2008

Determination of Kiwifruit volume using image processing

World Applied Sciences Journal 2 (2) (2008):184-190

World Applied Sciences Journal fruta kiwi RGB volume Processo com tecnologia de imagem para analisar o

volume do kiwi

66

Riquelme, M. T., Barreiro, P., Ruiz-Altisent, M. e Valero, C.

2008

Olive classification according to external damage using image analysis

J. Food Eng., 87 (2008), 371–379 J. Food Eng frutas azeitona

RGB values were transformed into HSV e Lab using an algorithm of Matlab

-

Realizou um estudo sobre deteção de defeitos originados de diferentes causas e a análise a cor e da forma foi realizada a partir de imagens para classificar os individuais tipos de defeitos e também as azeitonas sem defeitos. O sistema de cor empregado foi o RGB e HSV e os testes no laboratório apresentaram uma média de 75% de correta classificação, porém foi percebido que para diferentes tipos de azeitona o acerto pode diminuir para até 38%. Este trabalho, assim como muitos outros de inspeção na área alimentícia apresenta a limitação de que um número insuficiente de amostras foi avaliado na classificação de defeitos para permitir um treinamento confiável do classificador usado.

67 Rutkowski P., Michalczuk B., Konopacki P.

2008

Nondestructive determination of ‘golden delicious’ apple quality and harvest maturity

Journal of Fruit and Ornamental Plant Research Vol. 16, 2008: 39-52

Journal of Fruit and Ornamental Plant Research

fruta maçã - - Medida da clorofila e firmeza da fruta

68

Santos J. L. V., Martins D. R., Vitorazi L., Resende E. D.

2008

Avaliação da escala de cor da casca do mamão (caricapapaya l.) por análise de imagem

XX Congresso Brasileiro de Fruticultura, 54th Annual Meeting of the Interamerican Society for Tropical Horticulture, Vitória, ES, 2008.

XX Congresso Brasileiro de Fruticultura, 54th Annual Meeting of the Interamerican Society for Tropical Horticulture

fruta mamão papaya RGB cor

Santos apresentou um estudo que a partir da aquisição de imagens fotográficas foi desenvolvido um protocolo de análise dos padrões de coloração da casca (RGB) para avaliar o processo de amadurecimento do mamão. A avaliação da cor foi realizada selecionando os parâmetros de RGB com maiores valores de área representativos das tonalidades verdes e amarelas da superfície da casca. O processo de amadurecimento do mamão, caracterizado pela mudança da coloração da casca, foi determinado pela análise de imagem fotográfica dos frutos obtida para diferentes estádios de maturação.



69

Silva T. V., Resende E. D., Viana A. P., Pereira S. M. F., Lanamar A. C., Vitorazi L.

2008

Determinação da escala de coloração da casca e do rendimento em suco do maracujá-amarelo em diferentes épocas de colheita

Rev. Bras. Frutic., Jaboticabal - SP, v. 30 (2008), n. 4, p. 880-884.

Rev. Bras. Frutic., Jaboticabal - SP fruta maracuja - cor

Determinar uma escala de coloração da casca para identificar o estádio de maturação do maracujá-amarelo e avaliar o rendimento em suco nas diferentes épocas de colheita. A coloração da casca foi medida, usando-se o Colorímetro Hunterlab Miniscan Spectrophotometer (MiniScan XE Plus), caracterizada pelo parâmetro b de Hunter, e mudança na coloração da casca foi identificada pela medida da reflectância da casca.

70 Tezuka,E. S., Herrmann, P. S. P., Cruviel, P. E.

2008

Desenvolvimento de um modelo de visão computacional para inferência da qualidade de frutas

XI Encontro de Modelagem Computacional, 2008, Volta Redonda, RJ

XI EMC - XI Encontro de Modelagem Computacional, 2008, Volta Redonda, RJ

fruta banana HSI e RGB textura, area e cor

Apresenta um modelo computacional para classificação de frutas através da análise de imagens adquiridas por câmera fotográfica. O sistema em desenvolvimento utiliza técnicas de processamento de imagens, tais como filtragem, processamento de cor baseado no modelo HSI, processamento de área, de textura e classificação que integram o modelo de decisão que se baseia em indicadores de interesse para especificação da qualidade dos produtos analisados.

71 Amarasinghe D. I.,Sonnadara D. U. J.

2009 Surface colour variation of Papaya fruits with maturity

Proceedings of the Technical Sessions, 25 (2009) 21-28

- fruta mamão papaya RGB e OHTA cor

Amarasinghe propõe a determinar uma relação entre a superfície colorida da fruta de uma categoria e a maturidade, desenvolvendo um sistema capaz de separar mamões papaya automaticamente dependendo do nível de amadurecimento. Dois espaços de cores, RGB e OHTA baseados em algoritmos de segmentação foram desenvolvidos para detectar regiões de cor amarela no mamão. Uma técnica de normalização foi aplicada para reduzir erros sistemáticos devido a luz da vizinhança. Resultados mostram um aumento não linear na superfície de cor amarela com a idade da fruta. Resultados preliminares mostram que a técnica normalizada pode ajudar a reduzir erros sistemáticos.



72

Atencio, P., Sanchez T., Germán, Branch, William J.

2009

Automatic visual model for classification and measurement of quality of fruit: case Mangiferaindica L

Dyna vol.76 (2009), no.160, p.317-326 Dyna fruta manga RGB para HSL cor

Atencio apresentou um trabalho de inspeção visual baseado no método de classificação de manga. O processo de classificação é feito de acordo com a Norma Técnica Colombiana (Colombian Technical Norm) NTC 5139, pela estimação automática das propriedades físicas da fruta, tal como peso, largura, volume, altura, diâmetro, e nível de maturidade usando componente principal de análise e um modelo de fruta 3D elipsoidal. O nível de maturidade é determinado através de similaridade medida da distribuição de cor entre as frutas e a medida experimental fixada no modelo HSL. Os resultados monstram que o método é computacionalmente eficiente, não evasivo, preciso e de baixo custo.

73

Blasco, J.,Aleixos, N., Gomez, J. andMolto , E.

2009

Recognition and classification of external skin damage in citrus fruits using multispectral data and morphological features

Biosystems Engineering 103 (2009) 137–145

Biosystems Engineering fruta laranja

Para luz florescente, 8 fluorescent tubes of black light (18 w each) that emit radiation with a wavelength between 350 and 400 nm, with the peak at 370 nm. Para o NIR 2 incandescente lamps (Philips R125-IR, 250w).

HSI melhor because it represents better the small colour variability in the samples (orange of the skin, grey orbrown of some defects and green of stems).

Em 2009, Blasco continuou sua pesquisa com laranjas desenvolvendo um sistema para identificar o tipo de defeitos externos em citrus usando visão computacional multiespectral. Os parâmetros morfológicos e espectrais, tal como a cor, área, comprimento, largura e raio foram calculados. Essas informações foram combinadas para identificar e distinguir entre os diferentes tipos de defeitos e para separar a fruta de acordo com a severidade do defeito, obtendo 86% de sucesso na separação de 2000 laranjas.

74

Blasco, J.,Cubero, S., Gomez-Sanchıs, J., Mira, P. andMolto E.

2009

Development of a machine for the automatic sorting of pomegranate (Punicagranatum) arils based on computer vision

J. Food Eng., 90 (2009), 27–34 J. Food Eng. fruta romã RGB cores

No caso da romã, fruto que possui muitas propriedades nutricionais, mas que possui uma casca difícil de ser removida, um sistema comum no seu processamento é a separação entre os pedaços da casca e os caroços sadios para diversas aplicações. Um estudo realizado por Blasco em 2009 consiste na separação dos caroços pela cor usando visão computacional obtendo 90% de exatidão na classificação. Para obter uma boa classificação Blasco utilizou a razão R/G que apresentou melhor desempenho na distinção de diferentes cores dos caroços do que o R, G ou B separados ou agrupados. Uma das justificativas para isto deve-se ao fato de que a razão R/G é intrinsecamente invariável a variações na iluminação.



75 Davies, E. R. 2009

The application of machine vision to food and agriculture: a review

The Imaging Science Journal, 57 (2009), 4, 197-217(21)

The Imaging Science Journal - - - - Revisão de publicação desde 2000 até 2008

76 Effendi Z., Ramli R., Ghani J. A., Yaakob Z.

2009

Development of JatrophaCurcas Color Grading System for Ripeness Evaluation

European Journal of Scientific Research, Vol.30 No.4 (2009), pp.662-669

European Journal of Scientific Research

semente (fruta) pinhão RGB cor

Effendi (2009) realizou um estudo com o pinhão (conhecido como pinhão manso). O pinhão tem sido ultimamente muito utilizado para produção de biodiesel e sua qualidade depende do tipo e do tamanho dos defeitos, bem como da cor da casca e do tamanho do fruto. No seu estudo Effendi apresentou o desenvolvimento de um sistema de classificação de pinhão usando histogramas de cor para distinguir os níveis de amadurecimento do fruto baseado na intensidade da cor. O sistema empregou a intensidade média da cor para analisar o vermelho, o verde e o azul do sistema RGB do fruto, concluindo a partir de algumas simulações que o sistema é usual para classificação do nível de amadurecimento deste fruto.

77

Rizam M. S. B. S., Yasmin A.R. F., Ihsan M. Y. A., Shazana K.

2009

Non-destructive Watermelon Ripeness Determination Using Image Processing and Artificial Neural Network (ANN)

International Journal of Computer Systems Science and Engineering 4:2 (2009), 130-134

International Journal of Computer Systems Science and Engineering

fruta melão RGB paraYCbCr cor

Rizam apresentou um sistema para medir e determinar o amadurecimento e a qualidade do melão. As imagens do melão foram filtradas usando técnica de processamento de imagem e as informações foram usadas para treinar uma rede neural para determinar com exatidão o amadurecimento do melão. Resultados iniciais mostram uma exatidão de 86,51%.

78

Vermeir S., Hertog M. L. A. T. M., Vankerschaver K., Swennen R., Nicolaı B. M., Lammertyn J.

2009 Instrumental based flavor characterisation of banana fruit

LWT - Food Science and Technology 42 (2009) 1647–1653

LWT - Food Science and Technology fruta banana -

Diversas caracteristicas de sabor

Vermeir em 2009 empregou diferentes técnicas instrumentais para avaliar o perfil do sabor de bananas durante o amadurecimento. Além de técnicas padronizadas para avaliar a qualidade da fruta (firmeza, etc), a cromatografia de massa foi usada para quantificar diferentes componentes voláteis presentes no amadurecimento da banana. Principalmente os componentes responsáveis pela doçura e acidez foram avaliados, sendo monitorados desde a etapa inicial de amadurecimento (etapa 1 – verde) até o amadurecimento completo. Diferenças nos sabores foram encontradas para as bananas que foram amadurecidas naturalmente e aquelas que foram amadurecidas com a exposição a etileno para uma mesma etapa de cor.



79

Werner S. S., Coelho S. R. M., Poncio A. P., Ferreira L.

2009

Utilização de imagens digitais para avaliação da coloração de banana prata submetida a diferentes tratamentos pós-colheita

Seminário de Ciências Agrárias, Londrina, v. 30 (2009), n. 2, p. 381-388

Seminário de Ciências Agrárias, Londrina

fruta banana RGB para CIE LAB e hue e croma cor

Werner apresentou em 2009 um trabalho com o objetivo de avaliar, a partir de imagens digitais, mudança da coloração durante o armazenamento de banana prata submetida a diferentes tratamentos pós-colheita. As bananas na primeira etapa de amadurecimento (verde) foi submetida a seis tipos diferentes de tratamento pós-colheita, sendo todas depois armazenadas em condições ambientais por 14 dias, sendo as imagens adquiridas nos dias 1, 7 e 14 de armazenagem. A observação visual da alteração da cor da casca foi realizada diariamente. Os dados obtidos através das imagens digitais confirmaram as observações visuais, indicando relação entre os métodos.

80 Zou, X. and Zhao, J. 2009

On-line detecting size and color of fruit by fusing information from images of three color camera systems

Computer and Computing Technologies in Agriculture II, Volume 2 (2009), eds. D. Li, Z. Chunjiang, (Boston: Springer), pp. 1087–1095

Computer and Computing Technologies in Agriculture II

fruta maçã RBG pra HSI

Apresenta um sistema de classificação de maçãs a partir da cor em quatro classes de acordo com a classificação chinesa, que consiste em uma câmera colorida CCD, foi projetado para capturar imagens a cada rotação de 90º da fruta,possibilitando a correta classificação, não funcionando para algumas classes.

81

Barnes M., Duckett T., Cielniak G., Stroud G., Harper G.

2010

Visual detection of blemishes in potatoes using minimalist boosted classifiers


Journal of Food Engineering legumes batata - manchas

Barnes introduziu em seu trabalho um novo método para detectar defeitos em batatas usando visão computacional. Depois da segmentação da batata do fundo, um classificador por pixel foi treinado par detectar manchas usando extração de características da imagem. Alguns parâmetros foram utilizados baseados em informações estatísticas extraídas da cor e da textura da região vizinha do pixel, e então um algoritmo foi usado para selecionar automaticamente entre as manchas e não-manchas. O resultado mostrou que o método é capaz de classificar e otimizar o desempenho de classificação com baixo custo computacional, apresentando uma exatidão para batatas brancas e vermelhas de 89,6% e 89,5% respectivamente.



82 Liming X., Yanchao Z. 2010

Automated strawberry grading system based on image processing

Computers and Electronics in Agriculture 71S (2010) S32–S39.


fruta morango CIE Lab tamanho, cor e forma

Liming desenvolveu um sistema automatizado para classificar o morango considerando três características, a forma, o tamanho e a cor. A cor do morango adota no método de cor dominante o canal a, onde foi adotado os limites de a ≥ 160 (vermelho escuro), 150 ≤ a≤ 160 (vermelho) e a≤ 150 (vermelho claro), e o tamanho é descrito pelo maior diâmetro. Resultados mostraram que o erro do sistema de detecção foi menor que 5%, a exatidão a cor foi de 88,8%, e a exatidão da classificação da forma foi de 90% para um tempo médio de classificação de 3 s.

83 Narendra V. G., Hareesh K. S. 2010

Prospects of computer vision automated grading and sorting systems in agricultural and food products for quality evaluation

International Journal of Computer Applications, Volume 1 (2010), No. 4

International Journal of Computer Applications

- - - - Resumo geral dos trabalhos realizados na área

84 Valous N. A., Mendoza F., Sun D. W.

2010

Emerging noncontact imaging, spectroscopic and colorimetric technologies for quality evaluation and control of hams: a review

Trends in Food Science & Technology 21 (2010) 26-43

Trends in Food Science & Technology

alimento presunto - - Revisão dos diversos estudos desenvolvidos na área, relacionando as diversas técnicas empregas nesta área.

85 Xiao-bo Z., Jie-wen Z., Yanxiao L., Holmes M.

2010

In-line detection of apple defects using three color cameras system

Computers and Electronics in Agriculture 70 (2010) 129–134.


fruta maçã - defeitos

Xiao em 2010 desenvolveu um sistema par detecção de defeitos da maçã, usando três câmeras coloridas para aquisição da imagem. Neste sistema as maçãs são colocadas em uma esteira rotativa, e se movimentam enquanto a imagem é capturada por cada uma das câmeras, totalizando nove imagens para cada maçã, sendo toda a superfície escaneada. Depois, a imagem da maçã é segmentada do fundo preto pelo método multi-thereshold, e os defeitos são separados. Boa separação é obtida entre as maçãs normais e com defeitos e a vantagem deste método é a possibilidade de identificação de vários tipos de defeitos.

249

APÊNDICE C

Resultados Adicionais

C.1 Coordenadas de cromaticidade das subclasses da banana usando diferentes

fundos e fontes

Neste apêndice são apresentados os resultados obtidos para as coordenadas de

cromatidade das subclasses da banana usando diferentes fundos e fontes, conforme

descrito no capítulo 5, item 5.2.2.4. As maiores incertezas obtidas nas medições foram

Uxy=0,0015 e UY%= 1,25 %.

As diferenças obtidas nos valores das coordenadas são, na maioria dos casos,

maiores que a incerteza da medição, podendo-se afirmar serem devidas às diferentes

fontes e fundos utilizados.

250

Tab. C.1 – Coordenadas de cromaticidade da subclasse C2, diferentes fundos e fontes.


C2 cinza

C2 branco

C2 azul

C2 verde

C2 vermelho


F01

x 0,4620 0,4633 0,4649 0,4620 0,4639 0,4736 0,0116

y 0,4779 0,4771 0,4739 0,4773 0,4768 0,4687 -0,0006

Y% 26,26 22,87 25,17 21,93 22,44 21,26 -1,10

F02

x 0,4656 0,4693 0,4670 0,4691 0,4670 0,4718 0,0062

y 0,4745 0,4744 0,4735 0,4707 0,4734 0,4714 -0,0001

Y% 24,9928 22,57 23,81 21,16 20,96 21,89 -1,18

F03

x 0,4655 0,4683 0,4654 0,4624 0,4674 0,4654 0,0028

y 0,4770 0,4741 0,4755 0,4794 0,4754 0,4729 0,0024

Y% 18,58 21,59 22,11 22,81 23,51 24,72 6,15

F04

x 0,4665 0,4686 0,4682 0,4665 0,4674 0,4711 0,0046

y 0,4766 0,4741 0,4741 0,4755 0,4758 0,4729 -0,0008

Y% 19,78 23,15 24,21 22,50 22,54 22,54 4,43

F05

x 0,4668 0,4673 0,4667 0,4663 0,4648 0,4731 0,0063

y 0,4803 0,4792 0,4774 0,4790 0,4829 0,4752 0,0026

Y% 18,70 21,99 23,01 20,51 18,68 22,47 4,30

F06

x 0,4915 0,4819 0,4634 0,4719 0,4681 0,4680 -0,0096

y 0,4567 0,4589 0,4701 0,4639 0,4696 0,4682 0,0133

Y% 13,0911 26,57 22,95 22,68 21,91 23,53 13,48

F07

x 0,4689 0,4690 0,4658 0,4678 0,4675 0,4762 0,0072

y 0,4662 0,4633 0,4713 0,4678 0,4710 0,4632 0,0051

Y% 23,87 26,73 25,23 21,15 22,46 21,71 2,86

F08

x 0,4676 0,4678 0,4679 0,4679 0,4677 0,4698 0,0022

y 0,4708 0,4704 0,4679 0,4691 0,4694 0,4682 -0,0004

Y% 33,02 33,52 28,90 30,96 30,92 33,21 0,50

F09

x 0,4784 0,4713 0,4703 0,4693 0,4720 0,4761 -0,0023

y 0,4639 0,4677 0,4685 0,4700 0,4687 0,4654 0,0061

Y% 31,01 31,11 29,19 28,73 29,83 28,37 0,10

251



C3 cinza

C3 branco

C3 azul

C3 verde

C3 vermelho


F01

x 0,4757 0,4814 0,4821 0,4810 0,4844 0,4868 0,0110

y 0,4795 0,4740 0,4749 0,4772 0,4730 0,4732 -0,0023

Y% 26,31 26,84 30,80 29,30 27,78 32,02 5,71

F02

x 0,4878 0,4678 0,4673 0,4665 0,4674 0,4794 -0,0084

y 0,4719 0,4756 0,4725 0,4739 0,4792 0,4687 0,0074

Y% 33,42 18,17 20,59 16,03 15,79 16,91 -12,83

F03

x 0,4651 0,4678 0,4657 0,4649 0,4660 0,4782 0,0131

y 0,4797 0,4770 0,4757 0,4775 0,4797 0,4703 -0,0001

Y% 16,33 16,65 19,37 16,52 16,78 16,68 3,03

F04

x 0,4670 0,4677 0,4648 0,4658 0,4809 0,0139

y 0,4786 0,4753 0,4768 0,4796 0,4677 0,0010

Y% 15,83 18,95 16,20 15,86 15,31 3,12

F05

x 0,4755 0,4755 0,4743 0,4754 0,4761 0,4806 0,0051

y 0,4695 0,4695 0,4697 0,4680 0,4688 0,4661 0,0003

Y% 21,96 23,18 24,17 22,68 23,17 22,59 2,21

F06

x 0,5090 0,4907 0,4786 0,4978 0,4883 0,4911 -0,0111

y 0,4545 0,4659 0,4727 0,4573 0,4657 0,4649 0,0181

Y% 16,61 28,25 26,35 31,00 35,02 33,60 18,41

F07

x 0,4917 0,4912 0,4940 0,4945 0,4916 0,4962 0,0045

y 0,4612 0,4618 0,4586 0,4592 0,4616 0,4575 0,0006

Y% 25,17 29,11 38,58 37,70 32,27 37,33 13,41

F08

x 0,4758 0,4767 0,4751 0,4694 0,4746 0,4847 0,0090

y 0,4683 0,4660 0,4639 0,4694 0,4694 0,4620 0,0010

Y% 12,61 16,37 20,50 16,04 17,30 19,26 7,89

F09

x 0,4917 0,4825 0,4815 0,4807 0,4822 0,4991 0,0074

y 0,4593 0,4628 0,4612 0,4639 0,4660 0,4533 0,0068

Y% 12,34 16,30 19,77 19,24 19,90 15,04 7,56

252



C4 cinza

C4 branco

C4 azul

C4 verde

C4 vermelho


F01

x 0,4903 0,4986 0,5008 0,4968 0,4980 0,5022 0,0119

y 0,4571 0,4515 0,4518 0,4531 0,4514 0,4493 -0,0040

Y% 41,25 36,05 35,43 36,64 43,98 41,18 2,73

F02

x 0,4940 0,4925 0,4927 0,4935 0,4955 0,4966 0,0025

y 0,4538 0,4539 0,4536 0,4531 0,4511 0,4499 0,0000

Y% 37,33 45,34 45,60 39,81 44,51 41,96 8,27

F03

x 0,4962 0,5002 0,5014 0,5009 0,5012 0,5026 0,0064

y 0,4521 0,4493 0,4482 0,4483 0,4489 0,4474 -0,0028

Y% 40,59 46,14 46,93 45,86 45,28 48,03 7,43

F04

x 0,5047 0,5049 0,5058 0,5060 0,5063 0,5087 0,0041

y 0,4459 0,4456 0,4449 0,4443 0,4443 0,4428 -0,0003

Y% 44,79 45,06 49,57 43,61 47,53 48,79 4,78

F05

x 0,4941 0,4958 0,4954 0,4939 0,4956 0,4972 0,0030

y 0,4655 0,4636 0,4642 0,4660 0,4649 0,4639 0,0006

Y% 38,64 39,94 39,82 35,99 36,95 38,68 1,30

F06

x 0,5273 0,5089 0,5017 0,5097 0,5270 0,5272 -0,0256

y 0,4345 0,4483 0,4505 0,4451 0,4342 0,4332 0,0161

Y% 16,83 30,42 29,44 28,44 35,61 37,37 20,54

F07

x 0,5093 0,5093 0,5075 0,5125 0,5148 0,5151 0,0059

y 0,4440 0,4447 0,4448 0,4413 0,4406 0,4405 0,0008

Y% 28,43 30,23 34,18 24,72 32,45 30,67 5,75

F08

x 0,4839 0,4845 0,4852 0,4832 0,4855 0,4895 0,0055

y 0,4606 0,4599 0,4588 0,4591 0,4605 0,4563 -0,0001

Y% 40,99 42,16 43,93 41,34 36,72 41,64 2,95

F09

x 0,4935 0,4898 0,4902 0,5000 0,4956 0,5052 0,0117

y 0,4541 0,4567 0,4552 0,4494 0,4542 0,4470 0,0026

Y% 39,82 42,47 41,88 38,25 39,21 27,94 2,65

253



C5 cinza

C5 branco

C5 azul

C5 verde

C5 vermelho


F01

x 0,5110 0,5124 0,5139 0,5099 0,5129 0,5146 0,0036

y 0,4412 0,4384 0,4365 0,4398 0,4376 0,4369 -0,0014

Y% 56,70 59,22 58,55 57,37 58,55 58,28 2,53

F02

x 0,5050 0,5065 0,5053 0,5066 0,5069 0,5105 0,0054

y 0,4551 0,4565 0,4560 0,4579 0,4569 0,4547 0,0028

Y% 39,54 40,26 40,61 37,78 41,33 39,68 1,79

F03

x 0,5095 0,5128 0,5137 0,5145 0,5189 0,5192 0,0097

y 0,4546 0,4520 0,4509 0,4511 0,4479 0,4477 -0,0026

Y% 40,93 42,56 45,93 43,08 52,02 50,79 11,10

F04

x 0,5159 0,5178 0,5179 0,5211 0,5187 0,5206 0,0051

y 0,4490 0,4484 0,4479 0,4455 0,4478 0,4469 -0,0006

Y% 42,27 45,65 46,68 53,16 44,02 45,95 10,89

F05

x 0,5090 0,5105 0,5104 0,5113 0,5119 0,5145 0,0055

y 0,4518 0,4501 0,4506 0,4497 0,4494 0,4476 -0,0012

Y% 45,59 42,95 47,53 45,84 43,88 44,77 1,94

F06

x 0,5403 0,5351 0,5181 0,5228 0,5190 0,5262 -0,0222

y 0,4321 0,4303 0,4415 0,4399 0,4421 0,4382 0,0099

Y% 26,96 55,21 49,14 48,07 51,01 48,19 28,25

F07

x 0,5219 0,5205 0,5192 0,5217 0,5229 0,5269 0,0050

y 0,4389 0,4399 0,4424 0,4401 0,4378 0,4371 0,0035

Y% 32,48 51,26 52,77 42,32 51,69 48,77 20,29

F08

x 0,5176 0,5179 0,5190 0,5169 0,5176 0,5206 0,0030

y 0,4418 0,4415 0,4400 0,4409 0,4417 0,4393 0,0000

Y% 47,46 46,75 52,14 49,02 47,14 48,26 4,68

F09

x 0,5213 0,5258 0,5224 0,5226 0,5262 0,5306 0,0093

y 0,4390 0,4347 0,4371 0,4369 0,4355 0,4328 -0,0019

Y% 45,31 51,16 49,81 46,88 46,16 50,14 5,85

254


Fonte Itens C6 cinza

C6 preto

C6 branco

C6 azul

C6 verde

C6 vermelho


F01

x 0,5218 0,5206 0,5209 0,5196 0,5220 0,5271 0,0052

y 0,4365 0,4386 0,4348 0,4390 0,4367 0,4326 0,0025

Y% 48,31 40,19 44,45 51,00 52,71 52,94 4,63

F02

x 0,5075 0,5069 0,5064 0,5098 0,5092 0,5064 0,0023

y 0,4356 0,4362 0,4350 0,4350 0,4353 0,4345 0,0006

Y% 64,35 63,65 64,02 63,65 63,66 63,42 -0,33

F03

x 0,5087 0,5063 0,5095 0,5086 0,5081 0,5085 0,0008

y 0,4354 0,4370 0,4362 0,4355 0,4357 0,4360 0,0015

Y% 63,72 61,92 62,91 62,66 63,17 63,30 -0,42

F04

x 0,5088 0,5094 0,5076 0,5091 0,5092 0,5097 0,0009

y 0,4353 0,4360 0,4350 0,4355 0,4355 0,4346 0,0007

Y% 60,83 62,89 63,65 62,24 62,04 61,82 2,82

F05

x 0,5275 0,5274 0,5276 0,5273 0,5274 0,5286 0,0011

y 0,4398 0,4401 0,4398 0,4399 0,4399 0,4393 0,0003

Y% 54,36 53,58 54,91 54,14 54,00 53,23 0,55

F06

x 0,5220 0,5498 0,5170 0,5213 0,5201 0,5203 -0,0050

y 0,4344 0,4200 0,4378 0,4360 0,4371 0,4377 0,0034

Y% 58,77 36,18 58,04 59,83 57,87 60,11 1,34

F07

x 0,5192 0,5179 0,5197 0,5203 0,5184 0,5208 0,0015

y 0,4362 0,4361 0,4363 0,4352 0,4373 0,4350 0,0011

Y% 60,64 59,67 58,06 59,41 58,67 59,93 -0,71

F08

x 0,5216 0,5210 0,5201 0,5187 0,5197 0,5287 0,0071

y 0,4372 0,4372 0,4366 0,4374 0,4376 0,4299 0,0004

Y% 36,94 36,92 47,86 30,23 36,92 38,96 10,92

F09

x 0,5319 0,5266 0,5245 0,5216 0,5349 0,5293 0,0029

y 0,4300 0,4355 0,4383 0,4376 0,4334 0,4310 0,0084

Y% 45,56 34,22 45,35 36,93 49,36 36,97 3,81

255



C7 cinza

C7 branco

C7 azul

C7 verde

C7 vermelho


F01

x 0,5138 0,5124 0,5156 0,5115 0,5145 0,5153 0,0018

y 0,4317 0,4313 0,4298 0,4339 0,4308 0,4317 0,0022

Y% 31,96 54,02 50,75 43,64 53,61 53,84 22,06

F02

x 0,5227 0,5231 0,5236 0,5235 0,5348 0,0121

y 0,4378 0,4357 0,4369 0,4372 0,4304 -0,0006

Y% 30,61 34,15 24,46 23,96 28,74 3,54

F03

x 0,5239 0,5260 0,5271 0,5248 0,5257 0,5334 0,0095

y 0,4388 0,4370 0,4371 0,4376 0,4384 0,4322 -0,0004

Y% 24,59 28,13 37,69 31,85 30,90 32,33 13,10

F04

x 0,5255 0,5247 0,5252 0,5244 0,5248 0,5348 0,0093

y 0,4369 0,4365 0,4374 0,4365 0,4378 0,4291 0,0008

Y% 26,62 30,07 36,09 27,51 26,07 30,03 9,47

F05

x 0,5189 0,5193 0,5189 0,5186 0,5190 0,5196 0,0007

y 0,4321 0,4325 0,4319 0,4334 0,4336 0,4330 0,0015

Y% 48,26 49,26 48,33 50,19 49,73 50,35 2,09

F06

x 0,5494 0,5439 0,5415 0,5318 0,5371 -0,5494

y 0,4149 0,4129 0,4171 0,4217 0,4155 0,0068

Y% 15,67 30,11 33,14 28,78 24,13 17,47

F07

x 0,5254 0,5249 0,5012 0,5242 0,5236 0,5269 0,0015

y 0,4191 0,4207 0,4175 0,4190 0,4231 0,4219 0,0040

Y% 23,83 24,04 25,39 22,75 25,50 27,19 3,36

F08

x 0,5294 0,5300 0,5294 0,5295 0,5294 0,5317 0,0023

y 0,4382 0,4381 0,4377 0,4372 0,4381 0,4361 -0,0001

Y% 49,72 50,87 52,80 48,48 49,73 48,84 3,08

F09

x 0,5376 0,5376 0,5318 0,5371 0,5313 0,5330 -0,0063

y 0,4326 0,4321 0,4363 0,4330 0,4369 0,4358 0,0043

Y% 48,90 52,90 49,65 48,06 50,06 48,19 4,00

256

Juliana Freitas Santos Gomes Contato: [email protected]

[email protected]

mailto:[email protected]

mailto:[email protected]

Documents

Lista de Tabelas - PGMEC - Programa Francisco Eduardo … · 2018-03-14 · (Oração da Serenidade, autoria do teólogo Rinhold Niebuhr) Agradecimentos ... Caracterização da fonte