SISTEMA AUTOMÁTICO DE ANÁLISE DO GRÃO DE ARROZ

LEANDRO LUÍS GALDINO DE OLIVEIRA1

VINICIUS ALVES DAS NEVES2

EDUARDO SIMÕES DE ALBUQUERQUE3

THIERSON COUTO ROSA4

RESUMO: A obtenção da medida do tamanho de grãos de arroz é um fator na determinação da sua qualidade e preço. É um trabalho tedioso e lento. Este trabalho apresenta uma solução para medir as caraterísticas do grão de arroz automaticamente. Implementamos um protótipo de um softare he identifica cada grão separadamente em uma imagem, determinando seu comprimento e largura. A implementação foi realizada em JAVA usando funções API JAI (Java Advanced Image).

PALAVRAS-CHAVE: Arroz, Processamento de Imagens, Sistemas Inteligentes.

TITLE IN ENGLISH – INSTRUCTIONS FOR AUTHORS

ABSTRACT: Obtaining the size of rice grains is one of the factors that defines its quality. It is a tedious and time demanding task. This work presents a based solution to automatically measure rice physical characteristic. We implemented a prototype of a software that identifies each rice grain in an image determining its length and width. The implementation used Java and the API JAI (Java Advanced Image).

KEY-WORDS: Rice, Image Processing, Intelligent Systems.

1. INTRODUÇÃO

O arroz é uma das maiores fontes de energia e saúde, sendo um dos alimentos mais consumidos em quase todo o mundo há mais de 5000 anos. Esse cereal é tido hoje como um dos produtos de maior importância econômica em todo o mundo, estabelecendo-se como um alimento básico para cerca de 2,4 bilhões de pessoas (Brondani et al., 2009). Estudos mostram que o arroz é a fonte primária de energia e proteína para os países mais populosos do mundo como a Ásia, África e América Latina. Muitos crêem que essa planta aquática tenha sido originada na Ásia e que seus primeiros cultivos tenham sido na Índia.Acredita-se que o Brasil foi o primeiro país a cultivar o arroz no continente americano, e que muitos anos antes de ele ter sido descoberto, os tupis já o colhiam, e o chamavam de “milho d’ água”. Atualmente 150 milhões de hectares de arroz no mundo são cultivados, obtendo 590 milhões de toneladas onde 75% disto é de origem de sistema de cultivo irrigado.De acordo com as últimas pesquisas, acredita-se que o Brasil está entre os dez principais produtores de arroz mundial, e sua safra em 2005 chegou em 272 mil toneladas exportadas. A produção brasileira hoje, está espalhada em todo território nacional, sendo que os principais sistemas básicos de produção são os de terras altas e o irrigado. As regiões que mais se destacam atualmente, com a produção do arroz é: região Sul, nos estados do Rio Grande do 1 Dr. Ciência da Computação, Instituição (INF – UFG), E-mail: leandroluis@inf.ufg.br2 Bch. Ciência da Computação, Instituição (UCG), E-mail: viniciusba@gmail.com3 Dr. Ciência da Computação, Instituição (INF – UFG), E-mail: eduardo@inf.ufg.br4 Dr. Ciência da Computação, Instituição (INF – UFG), E-mail: thierson@inf.ufg.br

Sul e Santa Catarina, e regiões Sudeste e Centro-Oeste , nos estados de São Paulo, Minas Gerais, Goiás e Mato Grosso (Brondani et al., 2009).A classificação do arroz baseia – se praticamente no estado físico dos grãos, variando de acordo com a quebra dos mesmos (de tipo 1 a 5), e no tamanho do grão, variando entre longo, médio e curto. No Rio Grande do Sul a maioria de seus grãos são do tipo longo-fino, e os sistemas mais utilizados na cultura do arroz irrigado são: sistema de cultivo convencional, onde o preparo do solo é feito em duas etapas sendo que na primeira consistem em operações mais profundas com o arado, rompimento de camada e eliminação da cobertura vegetal e na segunda etapa as ações são mais superficiais, sistema de plantio direto, onde o solo já não é tão modificado como no sistema de cultivo convencional, a semente é apenas colocada no solo com uma pequena cova de profundidade e largura, sendo depois controlado por herbicidas, e sistema pré-germinado, onde utiliza-se sementes pré–germinadas e o solo deve estar inundado, constando que na primeira fase do preparo do solo é a formação de lama e na segunda fase o nivelamento e o alisamento do terreno (Brondani et al., 2009).

2. OBJETIVOS

Este trabalho tem como objetivo desenvolver um software para analisar de forma automática as características físicas do grão do arroz utlizando técnicas de visão por computador. Essas informações extraídas das características físicas do grão de arroz teria a mínima interferência possível do usuário, com isso minimizando os errros na análise.

3. MATERIAIS E MÉTODOS

A partir de uma imagem digital, que contenha a amostra dos grãos que se deseja classificar, o software deverá ser capaz primeiro de identificar cada grão presente na imagem, e depois para cada grão, ser capaz de determinar, com o máximo de confiabilidade possível, o comprimento e a largura do grão para poder então classificá-lo quanto a relação comprimento/largura. Este projeto é divido em 2 (duas) etapas:

3.1. Identificação e Separação dos Grãos

O primeiro passo a ser tomado para essa etapa do projeto é a captura das imagens dos grãos de arroz. Neste projeto optou-se por utilizar uma câmera fotográfica digital comum. O modelo da câmera captura as imagens a uma resolução máxima de 4.0 MegaPixels. Pois como o objetivo do projeto é a medição dos objetos, ou seja, dos grãos de arroz, segundo Feliciano et al. (2009) quando maior a resolução, mais exatas serão as medidas, já que o número de pixels dentro da mesma área significativamente maior. No processo de captura, optou-se também, por colocar sob os grãos a serem capturados, um papel de cor preta, para que se restrinja aos grãos, as tonalidades claras e aumentando o contraste, podendo, assim facilitar um posterior processo de identificação do grãos.

Outro aspecto importante é que definiu-se como premissa do modelo onde nas imagens que serão capturadas, os grãos de arroz devem estar separados não havendo uma conectividade entre os grãos. As imagens então capturadas pela câmera fotográfica, serão transferidas ao computador para que sejam então analisadas.Apesar da captura gerar imagens coloridas, o processamento será realizado utilizando uma versão em escala de cinza e binarizadas da imagem (Gonzales, 2003). A escolha deve-se pelo fato de que o processamento envolvendo imagens coloridas é computacionalmente mais complexo e demanda alto poder computacional (Batista, 2009). Para efetuar a operação de binarização a imagem deve ser convertida para uma versão em escala de cinza, onde cada

pixel recebe um valor entre 0 (preto) e 255 (branco). Então um limiar de binarização é determinado (Conci et al., 2007).Um método factível para a escolha deste limiar é a análise do histograma da versão em escala de cinza da imagem (Pedrini, & Schwartz, 2008). Ao analisar o histograma, percebe-se a existência de vales, que indicam uma variação brusca no número de pixels em uma determinada faixa de valores (Figura 1). Como o fundo, devido a forma de captura, normalmente ser mais escuro do que os grãos, se tomarmos o valor do primeiro vale como o limiar de binarização da imagem, teremos uma região da imagem, contendo os grãos, representados por branco, e o restante, o fundo, representado por preto (Leite, 2009).

Figura 1. Exemplo de uma imagem e seu histograma.

Com a forma de captura definida, passamos ao início do processamento das imagens que realizará o reconhecimento de cada grão na imagem. Nessa etapa será necessário a aplicação de um algoritmo de segmentação que fará a identificação dos grãos (Soto, 2009). Foi escolhido para essa etapa o algoritmo de segmentação por crescimento de região com agregação de pixels, por ser um algoritmo de simples implementação e aparentar ser eficiente para a resolução do problema, que é a identificação dos grãos de arroz. Este método pode ser resumido da seguinte forma: A varredura na imagem inicia-se de cima para baixo, da esquerda para a direita. O primeiro pixel considerado semente é o primeiro pixel de valor 255 (branco), encontrado na varredura, cria-se um rótulo, e o pixel base tem seus 8 vizinhos analisados com o auxilio de uma pilha, e para cada pixel vizinho é feita a verificação do critério de agregação, ou seja, se o pixel vizinho visitado possui também tonalidade branca, satisfazendo-a é atribuído então ao pixel vizinho o mesmo rótulo do pixel base, e repete-se essa técnica até que se delimite o primeiro grão. Este mesmo processo é repetido até que se encontre um novo pixel de valor 255 (branco) ainda não rotulado, ou seja, sem pertencer a uma região, e prosseguindo até que toda imagem seja percorrida e todos os grãos sejam identificados (Gonzales, 2003) (Esquef et al, 2009).

3.2. Classificação dos Grãos

O processo de separação dos grãos irá apenas recortar as imagens de cada grão na imagem original, tendo nas imagens resultantes, grãos em posições diferentes (em relação ao eixo central) podendo estar tanto na horizontal, diagonal, vertical, o que dificulta o cálculo das medidas do comprimento e largura. Para resolver isso decidimos então rotacionar, em relação ao eixo central, os grãos até que eles fiquem todos na horizontal, facilitando o cálculo das medidas destes para a classificação, ou seja, com o grão na horizontal, suas extremidades gerarão as métricas desejadas.Com o grão separado é necessário identificar as coordenadas do grão e calcular os pontos máximos e mínimos dele. Os pontos máximos e mínimos se referem ao menor Y e seu respectivo X e o maior Y com seu respectivo X, depois de ter feito isso será identificado para

qual lado rotacionar o grão (esquerda ou direita) a partir das coordenadas máximas e mínimas. Identificado o sentido de rotação, o grão é rotacionado em 1 (um) grau. Após a rotação, novamente é identificado as coordenadas do grão rotacionado, calculados os pontos máximos e mínimos e testado se este se encontrada na horizontal, ou seja, é calculada a diferença das coordenadas Y (maiorY-menorY) e guardada em uma variável, após cada rotação é calculada novamente a diferença das coordenadas e comparada com a anterior, isso é feito até que a diferença anterior seja menor ou igual que a diferença atual, caso não esteja continua a rotação em 1(um) grau, em relação ao grau anterior, até que o mesmo se encontre na horizontal. A Figura 2 mostra o processode rotação.

Figura 2. Processo de rotação do grão de arroz.

Com a imagem do grão ajustada, ou seja, na horizontal serão usados novos pontos para encontrar a largura e o comprimento do grão. Para o comprimento será usada a diferença entre o ponto de maior e o de menor coordenada X, e para a largura será usada a diferença entre o ponto de maior e o de menor coordenada Y. A Figura 3 ilustra este processo.

Figura 3. Medição do comprimento do grão e largura do grão.

4. RESULTADO E DISCUSSÃO

Os resultados obtidos com o modelo proposto mostra que é factivel realizar a medição do grão de arroz de forma automática utilizando técnicas de visão por computador. A Figura 3b mostra o resultado da segmentação, os grãos de arroz foram binarizados para mostrar a identificação de cada grão de forma individual. Em alguns momnetos pode-se notar a existência de pequenos ruídos nas imagens capturadas este ruidos foram retirados aplicando-se algoritmos de morfologia matemática. A Figura 3a mostra a existência destes ruídos.

(a) (b)Figura 3. Exemplo de uma imagem com ruído e o resultado da segmentação dos grãos de

arroz após a filtragem por meio de morfologia matemática (2).

Com a eliminação dos ruídos pela aplicação do método de abertura da morfologia matemática, aplicamos novamente o método de segmentação proposto. Este método mostrou-

se muito eficaz na segmentação dos grãos nas imagens capturadas, uma vez que ao padronizarmos a forma de captura e aplicarmos um processamento, usando uma binarização seguida de abertura, que garantem que os pontos brancos na imagem resultante pertençam exclusivamente aos grãos de arroz na imagem. Com base nos estudos feitos esta foi a melhor e mais simples opção encontrada para a solução do problema.

5. CONCLUSÕES

O Algoritmo desenvolvido permitiu que fossem encontradas as medidas (comprimento e largura) relativas ao grão de arroz. Estas medidas são encontradas individualmente permitindo assim que uma analise estatistica dos valores sejam processadas. A partir destas funcionalidades foi construído om programa de computador que realiza todos estes procedimentos de forma automática e realiza uma análise das caracteristicas da amostra em estudo.

REFERÊNCIAS

BATISTA, L.V.. Introdução ao Processamento Digital de Imagens. Disponível em :<http://lucianowjr.googlepages.com/PDI2006.ppt>. Acesso em 8 de maio de 2009.

BRONDANI, G.; VEY, I. H.; MADRUGA, S. R.; TRINDADE, L. L.; VENTURINI, J.. Diferenciais de custos em culturas de arroz: A experiência do rio grande do sul. Disponível em:<http://proxy.furb.br/ojs/index.php/universocontabil/article/viewFile/106/65>. Acesso em 20 de março de 2009.

CONCI, A.; AZEVEDO, E.; LETA, F.. Computação Gráfica: Processamento de Imagens Digitais - Vol. 2, ed. Elservier, 2nd Edition, 2007. 780 p.

ESQUEF, I. A.; ALBUQUERQUE, M. P.; ALBUQUERQUE, M. P.. Processamento Digital de Imagens. Disponível em: <http://www.cbpf.br/cat/pdsi/pdf/cap3webfinal.pdf>. Acesso em 20 de maio de 2009.

FELICIANO, F. F.; SOUZA, I. L.; Leta, F. R.. Visão Computacional Aplicada à Metrologia Dimensional Automatizada: Considerações sobre sua Exatidão. Disponível em: <http://www.uff.br/engevista/2_7Engevista04.pdf>. Acesso em 02 de maio de 2009.

GONZALEZ, R. C. e WOODS, R. E. Processamento de Imagens Digitais, ed. Edgard Blücher Ltda, 2nd Edição, 2003. 653 p.

LEITE, E.. Histograma – Controle Digital da Fotometria. Disponível em :<http://200.161.203.137/dicas/histograma_sistema_zonas.pdf>. Acesso em 28 de maio de 2009.

PEDRINI, H.; SCHWARTZ, W. R.. Análise de Imagens Digitais: Princípios, Algorítmos e Aplicações. ed. Cengage Learning, 2008. 420 p.

SOTO, M. P.. Processamento Digital de Imagens Macroarray para Detecção dos resultados de Hibridização nos Processos de estudos de Expressão Gênica utilizando Redes Neurais. Disponível em :<http://wwwp.coc.ufrj.br/teses/doutorado/inter/2003/teses/SOTO_MP_03_t_D_int.pdf>. Acesso em 28 de maio de 2009.