DISSERTAÇÃO_Sistema de Visão Computacional Para Avaliação Física de Cafés (Coffea Arabica L.) de Diferentes Colorações

7/25/2019 DISSERTAO_Sistema de Viso Computacional Para Avaliao Fsica de Cafs (Coffea Arabica L.) de Diferentes C

1/105

EMANUELLE MORAIS DE OLIVEIRA

SISTEMA DE VISO COMPUTACIONAL PARAAVALIAO FSICA DE CAFS (Coffea

arabicaL.) DE DIFERENTES COLORAES

LAVRAS - MG2015


2/105


SISTEMA DE VISO COMPUTACIONAL PARA AVALIAO FSICADE CAFS (Coffea arabica L.) DE DIFERENTES COLORAES

Dissertao apresentada UniversidadeFederal de Lavras, como parte dasexigncias do Programa de Ps-Graduao em Cincia dos Alimentos,rea de concentrao Cincia dosAlimentos, para a obteno do ttulo deMestre.

Orientadora

Dra. Rosemary Gualberto Fonseca Alvarenga Pereira

Coorientador

Dr. Bruno H. G. Barbosa

LAVRAS - MG

2015


3/105

Ficha catalogrfica elaborada pelo Sistema de Gerao de Ficha Catalogrfica da BibliotecaUniversitria da UFLA, com dados informados pelo(a) prprio(a) autor(a).

Oliveira, Emanuelle Morais de.Sistema de viso computacional para avaliao fsica de cafs

(Coffea arabica L.) de diferentes coloraes / Emanuelle Morais deOliveira.Lavras : UFLA, 2015.

104 p. : il.

Dissertao(mestrado acadmico)Universidade Federal deLavras, 2015.

Orientador(a): Rosemary Gualberto Fonseca Alvarenga Pereira.Bibliografia.

1. Redes neurais. 2. Caf. 3. Sistema de viso computacional. I.Universidade Federal de Lavras. II. Ttulo.


4/105


SISTEMA DE VISO COMPUTACIONAL PARA AVALIAO FSICADE CAFS (Coffea arabica L.) DE DIFERENTES COLORAES

Dissertao apresentada UniversidadeFederal de Lavras, como parte dasexigncias do Programa de Ps-Graduao em Cincia dos Alimentos,rea de concentrao Cincia dosAlimentos, para a obteno do ttulo deMestre.

APROVADA em 27 de fevereiro de 2015.

Dr. Danton Diego Ferreira UFLA

Dra. Mirian Pereira Rodarte UFJF

Dra. Rosemary Gualberto Fonseca Alvarenga PereiraOrientadora

Dr. Bruno H. G. BarbosaCoorientador

LAVRAS - MG2015


5/105

minha me que sempre foi meu cho, em seus longos conselhos me fez amulher que sou hoje, graas a seu esforo e amor. Sozinha lutou e conseguiu oque prometeu a meu pai. Sempre ao meu lado nos momentos felizes e tristes.

Amo-te, meu pai e meTeresinha.

DEDICO


6/105

AGRADECIMENTOS

Agradeo em primeiro lugar a Deus por iluminar meu caminho e por ser

meu guia. Agradeo Universidade Federal de Lavras pela minha formao,

pelo apoio concedido dos Departamentos. Agradeo FAPEMIG pelo apoio ao

projeto, a Capes pelo financiamento e apoio enquanto fui bolsista.

Agradeo ao Programa de Ps- graduao em Cincia dos Alimentos

pelo aprendizado disponibilizado por meio dos professores e do meu orientador.

Agradeo ao pessoal do Polo de Tecnologia do Caf pela ajuda e

amizade Adriene, Fernanda, Katiany, Miriam Helena, Edson, Larissa e Mirian

Rodarte, Raquel.

Agradeo, em especial, minha amiga Sandra que foi minha parceira

nestes momentos difceis de viagens por que passei, ela sempre esteve ao meu

lado me ajudando e me aconselhando.

Agradeo ao professor Bruno e ao Dimas pela grande ajuda e

contribuio no artigo, pelas longas reunies que tivemos todas as sextas e

pacincia nos resultados e momentos mais conturbados.

Agradeo em especial minha orientadora Rosemary Gualberto que

vem me acompanhando por mais de cinco anos. Agradeo, primeiramente, a

amizade, os conselhos que somente ela, com sua experincia, saberia me

auxiliar. Agradeo a orientao em todos os momentos, a compresso pela fase

conturbada que passei e, principalmente, o apoio que sempre me deu. Agradeo

o conhecimento passado para mim em todos os momentos at nos nossos

cafezinhos. Agradeo, em especial, a alegria e preocupao que sempre teve

comigo fazendo com que eu me sentisse em casa e protegida por uma pessoa

com um corao enorme, enfim agradeo tudo que fez por mim e faz pelos seus

orientados.


7/105

Agradeo ao IFMG pelo apoio para minha capacitao e pelo

entendimento nos meus horrios das sextas - feiras para o mestrado. minha me, que sempre esteve ao meu lado, apoiando-me em tudo!

s minhas irms Ellen, Suellen e a Melzinha pela amizade e companheirismo.

minha Tia Lica, s minhas amigas Mayara, Paula, Sandra, Raquel que estiveram

ao meu lado nas horas difceis e, tambm, na diverso.

Tambm, em especial, minha mais nova famlia Flvio H. e Belinha

vocs so minha base, meu espelho para a vida, amo vocs mais que tudo nesta

vida. Flvio, agradeo a sua pacincia e compreenso comigo, sabemos que no

foi fcil chegar aqui, mas voc foi meu parceiro e, ainda, continuaremos nanossa jornada, muito obrigada, voc luz na minha vida.

E a todos que de alguma maneira contriburam para realizao deste

sonho.


8/105

RESUMO GERAL

A cor do caf varia em decorrncia da espcie, condies dearmazenamento e tipo de processamento. A avaliao da cor nos gros de caf feita por inspeo visual por provadores treinados, mtodo este subjetivo. Existe,assim, a demanda pelas empresas de comrcio por metodologias rpidas eobjetivas para avaliao da cor. O sistema de viso computacional surge comouma alternativa para verificao da cor em gros de caf, assim, objetiva-se comeste trabalho a construo de um sistema de viso computacional paraidentificao das diferentes cores nos gros de caf. Para isso, foi realizada umaconverso do RGB de cmaras digitais, visto que so capazes de obterinformaes em pixels, nos parmetros de cor L* a* e b* para cada pixel daimagem digital, obtendo assim uma informao mais geral da cor do gro decaf. Para criao do sistema de viso computacional, foram utilizados: umacaixa metlica escura, cmera digital, sistema de iluminao e um softwareprocessador de imagens baseado em redes neurais. Na construo do modelo detransformao, foram usadas cartelas de cores e para o reconhecimento dopadro foram adquiridas amostras de cafs de diferentes coloraes:esbranquiadas, verde cana, verde e verde azulada. Cada classe de cor possua30 amostras contendo 50 g cada. Alm disso, foi utilizado um sistema declassificao (classificador bayesiano) para separao das amostras em classes everificao da eficincia do sistema criado. O modelo de transformaodestacou-se com um erro de apenas 1,20 + 1,24 para treinamento e 1,15 + 1,1para o teste. O sistema de classificao bayesiano foi eficiente para classificaodas amostras utilizadas na validao dentro das classes. As amostras foramclassificadas dentro das classes de cores, o que representa uma eficincia de100%. Por meio dos resultados obtidos, verificou-se que as amostrasesbranquiadas apresentaram um elevado valor dos parmetros L*, a* e b* o querepresenta uma aproximao ao branco, j as amostras verde cana e verdemostraram valores dos parmetros intermedirios, porm o parmetro b* para averde cana foi mais alto demonstrando um amarelamento da amostra. Asamostras verdes obtiveram valores mais baixos de a* o que demonstra que estaest mais prxima da cor verde, no entanto as amostras verde azuladasapresentaram baixos valores de L*, a* e b* o que representa a aproximao ascores verde e azul. As amostras de diferentes cores foram eficientementeclassificadas demonstrando a eficcia do sistema de viso computacional. Osistema implementado neste trabalho poder futuramente ser expandido paracooperativas e empresas proporcionando uma maneira mais rpida e objetiva de

avaliao da cor.

Palavras-chave: Cor. Caf. Redes neurais. Sistema de viso computacional.


9/105

GENERAL ABSTRACT

The color of coffee varies due to species, storage conditions and type ofprocessing. The evaluation of coffee bean color is done by visual inspection bytrained panelists, a very subjective method. Thus, trading companies demand forrapid and objective methods for color evaluation. The computer vision systememerges as an alternative for verifying the color of coffee beans, therefore, thiswork aims at building a computer vision system for identifying the differentcolors in coffee beans. To do so, we performed a conversion of the RGB ofdigital cameras, given that they are capable of obtaining information in pixels inthe color parameters L * a * b * for each pixel of the digital image, thusobtaining a more complete set of information on the coffee bean color. In orderto create the computer vision system, we used: a dark metal box, digital camera,lighting system and an image processing software based on neural networks. Forthe construction of the transformation model, we used color cards and, for thepattern recognition, we acquired coffee samples in different colors: off-white,sugarcane green, green and blue-green. Each color class presented 30 samplescontaining 50g each. In addition, we used a classification system (Bayesianclassifier) to separate the samples into classes and verify the efficiency of thecreated system. The transformation model stood out with an error of only 1.20 +1.24 for training and of 1.15 + 1.1 for testing. The Bayesian classifying systemwas efficient for classifying the samples used for validation within the classes.The samples were classified within the color classes, which represents anefficiency of 100%. With the results obtained, we verified that the off-whitesamples showed a high value of the L*, a* and b* parameters, which representsan approximation to white, while the sugarcane green and green samples showedintermediate parameter values; however the b* parameter for sugarcane greenwas higher, showing a certain yellowing of the sample. The green samplespresented lower a* values, demonstrating that it is closer to the green color.However, the blue-green samples showed low values of L*, a* e b*, whichrepresents the approximation to green and blue colors. The different colorsamples were efficiently classified, demonstrating the efficiency of the computervision system. The system implemented in this work can be expanded tocooperatives and companies in the near future, providing a faster and moreobjective way to evaluate color.

Keywords: Color. Coffee. Neural networks. Computer vision system.


10/105

LISTA DE FIGURAS

PRIMEIRA PARTE

Figura 1 Representao em 3D do espao de cor RGB ..... .......................... 25

Figura 2 Representao do modelo CIEL*a*b*. White= Branco, Green=

Verde,Black= Preto, Yellow= amarelo,Red= Vermelho,Blue=

Azul (APACHE TECHNOLOGIES, 2014) .................................. 28

Figura 3 Modelo de um sistema computacional (LEN et al., 2006) .......... 32

Figura 4 Representao das reas e subreas da IntelignciaComputacional ....................................... ......................... ............. 38

Figura 5 Representao da estrutura de uma rede neural (REDES...,

2015) ........................... .......................... ......................... ............. 41

Figura 6 Funcionamento de um neurnio artificial.................................. .... 42

Figura 7 Rede multilayer feedforward ........................... ......................... .... 48

SEGUNDA PARTEARTIGO 1

Fig. 1. Image acquisition system developed to classify coffee beans. ........... 68Fig. 2. Examples of color charts used to identify the transformation

model. ............................................... .......................... ..................... 70

Fig. 3. Histograms of CIELAB measurements taken from the Minolta

colorimeter over the available color charts. (a)L*, (b) a*, and (c)

b* values. ......................... ................................... ......................... .... 71

Fig. 4. Steps used to build the RGBCIELAB transformation model. .......... 72

Fig. 5. Structure of the three artificial neural networks used for RGB

CIELAB transformation. Each NN yields one output, L, a or bcolor units. ....................... .......................... ......................... ............. 73


11/105

Fig. 6. Image acquisition and pre-processing of coffee beans samples. (a)

image without pre-processing; (b) image after removal of theblack background. ........ ......................... ........................................... 75

Fig. 7. CIELAB values of the available coffee beans samples (WH-

whitish samples, CG- cane green samples, GR- green samples

and BG- bluish-green samples). ........................... ......................... .... 78

Fig. 8. Distribution of a* and b* values according to the color classes:

WH- whitish samples, CG- cane green samples, GR- green

samples and BG- bluish-green samples. ............................................ 79


12/105

LISTA DE TABELAS

PRIMEIRA PARTE

Tabela 1 Conjunto de treinamento para prever o problema de

inadimplncia .................................... ........................... .................... 50

SEGUNDA PARTE - ARTIGO 1

Table 1. Mean and standard deviations of errors obtained by the color

space transformation models based on artificial neural networks. ...... 77Table 2. Mean values of color parameters for each class estimated by the

Naive-Bayes classifier. ................................... .............................. .... 78


13/105

SUMRIO

PRIMEIRA PARTE1 INTRODUO........................ ......................... .......................... ...... 131.1 Organizao do trabalho........................... .......................... .............. 142 REFERENCIAL TERICO......................... ......................... ........... 162.1 Aspectos comerciais e econmicos do caf no Brasil........................ 162.2 Avaliao fsica do caf beneficiado........................... ....................... 162.3 A cor em alimentos ....................... .......................... ......................... .. 192.3.1 Cor do caf.......................... .......................... ......................... ........... 202.4 Espaos de cores........................... .......................... ......................... .. 23

2.5 Medio por meio de inspeo visual......................... ....................... 282.6 Mtodos instrumentais de avaliao da cor........................ .............. 292.7 Sistema de viso computacional......................... ......................... ...... 302.7.1 Iluminao........................... .......................... ......................... ........... 322.7.2 Cmera digital.......................... ......................... .......................... ...... 332.7.3 Software processador de imagem.......................... ......................... .. 342.8 Inteligncia Computacional.......................... ......................... ........... 382.8.1 Reconhecimento de padres.......................... ......................... ........... 392.8.2 Redes Neurais........................... .......................... ......................... ...... 402.8.3 Projeto de uma rede neural........................... ......................... ........... 452.8.4 Redes Perceptron......................... .......................... ......................... .. 462.8.5 Classificador Bayesiano....................... ........................... .................. 48

REFERNCIAS........................... .......................... ......................... .. 51SEGUNDA PARTEARTIGO........................ ......................... ...... 62ARTIGO 1 A classification system for coffee grades based oncomputational intelligence techniques....................... ....................... 62ANEXOS......................... .......................... ......................... ............... 85


14/105

13

PRIMEIRA PARTE

1

INTRODUO

O caf constitui uma das principais fontes de divisas do Brasil, porm o

aumento da produo e a melhoria da qualidade dos cafs de outros pases

fizeram com que o Brasil verificasse a necessidade de uma busca de novas

tecnologias e, atualmente, vem buscando por mtodos fsicos que auxiliem na

avaliao da qualidade do caf.

As diferentes coloraes dos gros de caf cru podem provir deproblemas, durante processamento,, em virtude da utilizao de diferentes

processos, tipo de cultivar, altitude da plantao, secagem e armazenamento.

A Instruo Normativa n 8 que normatiza a classificao fsica do

caf no Brasil (BRASIL, 2003), j a Specialty Association of America uma

associao que delega as diretrizes dos cafs especiais (SPECIALTY COFFEE

ASSOCIATION OF AMERICA - SCAA, 2014). Ambas descrevem e

classificam as cores que os gros de caf apresentam aps o beneficiamento.

Os procedimentos de avaliao da cor dos gros de caf crus sosubjetivos, limitando-se a uma srie de comparaes visuais do produto, com a

desvantagem dos resultados obtidos serem influenciados pelo julgamento e pelas

limitaes do observador. Assim, existe a necessidade da criao de mtodos

objetivos para a avaliao da cor, que permitam melhor definio das condies

de iluminao e observao.

A utilizao de inteligncia computacional baseada em redes neurais

surgiu como uma alternativa para verificao da cor em alimentos. O espao de

cor utilizado e as variveis obtidas, durante a calibrao do sistema, envolvemcaractersticas do alimento e outras externas como luz, cmera fotogrfica e

temperatura. Alm de avaliar de forma mais geral o alimento analisando cada


15/105

14

pixel da superfcie. Outros instrumentos de avaliao da cor como colormetros e

espectrofotmetros analisam a cor pontual do alimento no fornecendo umaanlise geral da colorao, assim o sistema de viso computacional oferece a

vantagem de proporcionar uma anlise que envolve toda superfcie deste.

Atualmente, para um classificador memorizar e descrever a cor dos

gros de caf, so utilizados muitos termos, o que dificulta a descrio, j que h

muitas nuances e variaes. Alguns desses termos so confusos e

demasiadamente subjetivos, como as denominaes verde carregado, desbotado,

esverdeado para azul, esverdeado para azulado e outros.

Uma classificao adequada pela cor poder ser satisfatria com autilizao de instrumentos capazes de expressar valores numricos e nominais de

cor em uma linguagem de fcil compreenso e que permita a percepo da cor

sem a necessidade da destruio da amostra. Assim, este trabalho foi

realizado com o objetivo de construir um sistema de viso computacional

baseado em redes neurais para classificao da cor de cafs beneficiados.

1.1

Organizao do trabalho

A dissertao est organizada da seguinte maneira. Na primeira seo

tem-se uma introduo geral do assunto abordado e os objetivos do estudo. A

prxima seo apresenta o Referencial Terico, no qual introduzida a

relevncia do problema a ser estudado e as ferramentas que sero utilizadas ao

longo do trabalho.

Na terceira seo desenvolvido um artigo no qual so utilizados os

procedimentos metodolgicos introduzidos na seo anterior. Esta seo tem no

inicio uma introduo especifica que segue para os materiais e a metodologiautilizados para desenvolvimento do mesmo. Assim, tem-se a apresentao dos


16/105

15

resultados e discusso destes. E, por fim, as concluses obtidas com base no

trabalho proposto e possveis trabalhos futuros.


17/105

16

2REFERENCIAL TERICO

2.1

Aspectos comerciais e econmicos do caf no Brasil

O caf sempre teve alta participao no agronegcio brasileiro, sendo o

segundo produto de maior exportao agrcola. De acordo com a Companhia

Nacional de Abastecimento - CONAB (2015), a primeira estimativa para

produo da safra cafeeira (espcies arbica e conilon) em 2015 indica que o

pas dever colher entre 44,11 e 46,61 milhes de sacas de 60 quilos de caf

beneficiado.O caf arbica representa em 2015, 73,7% da produo total (arbica e

conilon) de caf do pas. O resultado expressivo se deve, principalmente, ao

crescimento de produo na regio da Zona da Mata mineira, que compensou as

perdas nas demais regies do estado, sobretudo nas regies do Tringulo, Alto

Paranaba e Noroeste. E, tambm, ao crescimento estimado na produo

paranaense, a qual, na safra anterior, teve uma produo 88,6% abaixo do

normal, em razo das condies climticas adversas, principalmente, das baixas

temperaturas (CONAB, 2015).

2.2

Avaliao fsica do caf beneficiado

Aps o beneficiamento, o caf caracterizado, em funo de sua

qualidade, esta caracterizao conhecida como classificao fsica

(FIGUEIREDO et al., 2009). No Brasil as principais normas responsveis pela

classificao fsica do caf so descritas pela COB (Classificao Oficial

Brasileira) a qual baseada na Instruo Normativa n 8. A instituio da IN n

8 foi para cumprir o disposto no Art 1 da Lei 9.972, de 25.05.00, servindo


18/105

17

exclusivamente para normalizar a compra e a venda de caf pelo governo

(BRASIL, 2003).A Instruo Normativa n 8 (ANEXO A) foi criada pelo Ministrio da

Agricultura, Pecuria e Abastecimento em 11 de junho de 2003 tendo como

objetivo a definio das caractersticas de identidade e de qualidade para

classificao do caf beneficiado gro cru. Na normativa esto descritos os

critrios para classificao dos cafs em categoria, subcategoria, grupo,

subgrupo, classe e tipo, segundo a espcie, formato do gro e a granulometria, o

aroma e o sabor, a bebida, a cor e a qualidade, respectivamente (BRASIL, 2003).

De acordo com a Instruo Normativa n8, os cafs devero serclassificados de acordo com a cor em:

a)

verde azulado e verde cana: corresponde a cores caractersticas do

caf despolpado ou degomado;

b)

verde: caf com gro de colorao verde em suas nuances;

c)

amarelada: caf com gros de colorao amarelada, indicando sinais

de envelhecimento do produto;

d)

amarela;e)

marrom;

f)

chumbado;

g)

esbranquiado;

h)

discrepante: mistura de cores provenientes de ligas de diferentes

safras.

A alta qualidade de gros crus relaciona-se ao termo cafs especiais, o

qual tambm est ligado aos gros torrados, aos seus potenciais aromticos e aospadres de preparo pr- estabelecidos. A SCAA (Specialty Coffee Association

of AmericaAssociao de Caf Especiais da Amrica) uma organizao civil


19/105

18

de comrcio para a indstria de cafs visando estabelecer padres de qualidade

para o cultivo, torrefao, processamento e consumo de cafs especiais (SCAA,2014).

De acordo com SCAA, os gros crus de caf devero ser classificados

de acordo com a cor em (ANEXO B):

a)

azul esverdeado;

b)

verde azulado;

c)

verde;

d)

esverdeado;e)

verde amarelado;

f)

amarelo plido;

g)

amarelado;

h)

amarronzado.

De acordo com Borm et al. (2013), a cor do gro de caf est

relacionada com a qualidade da bebida e um fator importante para a

comercializao do produto. Segundo Monteiro (2002), a cor uma dascaractersticas que mais chama a ateno, durante o processo de

comercializao, pois dela depender a aceitao e rejeio pelo comprador.

Ribeiro et al. (2011) alertam que gros de cafs crus descoloridos recebem

menor preo no mercado.

A diferenciao de cor nos gros de caf cru j foi descrita por muitos

autores (AFONSO JNIOR; CORRA, 2003; AMORIM, 1978; BORM et al.,

2013; CORRA et al., 2003; RIBEIRO et al., 2011; VILELA; CHANDRA;

OLIVEIRA, 2000) como um processo conhecido por branqueamento, no qual acor do caf muda gradualmente de verde- azulada para amarelada ou

esbranquiada. A intensidade do branqueamento depender da cultivar, das


20/105

19

condies ambientais de algum dano que o gro possa vir a sofrer, umidade, tipo

de processamento, secagem, tempo de armazenamento e tipo de embalagem.

2.3

A cor em alimentos

A cor uma resposta mental da percepo da luz no espectro visvel

(distribuio de luz em energia em determinado comprimento de onda) refletida

ou emitida por um objeto. Tal sinal de resposta interage no olho com a retina e ,

ento, transmitido ao crebro pelo nervo ptico, o que torna possvel a

capacidade humana de atribuir cores a este sinal. Portanto, a cor no umapropriedade intrnseca do objeto, uma vez que, se a fonte de luz alterada, a cor

do objeto, tambm, muda (MELENDEZ-MARTINEZ; VICARIO; HEREDIA,

2005; WU; SUN, 2013b).

A percepo da cor um fenmeno muito complexo, que depende de

fatores relacionados, por exemplo: iluminao ambiente, as caractersticas do

olho, crebro e os ngulos de iluminao e visualizao (WU; SUN, 2013b).

A cor da superfcie de um alimento o primeiro parmetro de qualidade

avaliado pelos consumidores e crtica para a aceitao do produto (LEN etal., 2006). A qualidade individual de cada produto julgada durante toda cadeia

produtiva que envolve a produo, estocagem, marketing e utilizao. A base

para determinao da qualidade em todas as etapas a determinao do aspecto

(KAYS, 1999). O aspecto avaliado considerando o tamanho, forma, cor,

condies de frescura e, finalmente, a ausncia de defeitos visuais (COSTA et

al., 2011; MCCAIG, 2002).

Aps a primeira avaliao visual da qualidade do produto, o consumidor

vai julgar o alimento com base em outros atributos sensoriais, como gosto earoma. Mas a cor tem grande influncia ainda nesta etapa, pois dependendo da

aceitao ou rejeio da cor, o consumidor poder tentar prever a sensao de


21/105

20

sabor e aroma que est por vir influenciando, assim, a resposta que poderia ter

sem a visualizao anterior da cor. Assim, a compreenso dos fatores quemodulam a cor de um produto desejvel ou indesejvel essencial (LEN et al.,

2006).

2.3.1

Cor do caf

Das caractersticas que dependem do aspecto fsico dos gros de caf

crus, a cor tem grande importncia econmica, pois gros descoloridos recebem

menor preo no mercado, portanto esta caracterstica interfere decisivamente noprocesso de comercializao, pois dela depender a aceitao ou rejeio pelo

comprador (RIBEIRO, 2013).

Segundo Corra, Afonso Jnior e Pinto (2002), a colorao do gro de

caf, assim como a da pelcula prateada, geralmente est relacionada com a

qualidade da bebida, e um fator importante na valorizao do produto. Essa

caracterstica indicativa do estgio de maturao, condies de secagem,

armazenamento inadequado, alteraes bioqumicas ou realizao apropriada ou

no, de um tratamento tecnolgico.Os frutos do cafeeiro, quando colhidos em seu ponto timo de

maturao (estdio de cereja) e aps processados, resultam em gros crus ou

beneficiados que apresentam colorao verde. Neste estdio, a composio

qumica permite que as sementes contidas nos frutos expressem sua mxima

qualidade, como foi demonstrado pelos autores Amorim e Teixeira (1975),

Garruti e Gomes (1961) e Sampaio e Azevedo (1989).

Oliveira et al. (2013) observaram diferenas sensoriais significativas

entre diferentes bebidas de caf. Cafs de melhor qualidade mantm a coloraocaracterstica, enquanto cafs de pior qualidade sofrem reaes oxidativas, com

consequente branqueamento. Lopes, Hara e Silva (1998) citam a tonalidade


22/105

21

azul- esverdeada como indicativa de gros de melhor qualidade, mediante a

prova de xcara.Os cafs podem adquirir diferentes cores, as quais dependero

principalmente dos seguintes fatores:

a)

altitude;

b)

cultivar;

c)

processos de preparo (colheita e processamento);

d)

secagem;

e)

condies de armazenamento.

A cor intrnseca dos gros pode estar relacionada a um destes fatores ou

a associao de todos. Na literatura cientfica so raros artigos elucidativos sobre

este tema.

Existe uma ampla gama de cultivares de caf as quais apresentam as

mais variadas caractersticas. A cor tambm varia quanto cultivar a exemplo da

cultivar Cera que apresenta gros amarelados. Autores como Mazzafera,

Guerreiro e Carvalho (1984) realizaram comparaes entre as sementes doscultivares Mundo Novo de caf arbica com os do cultivar Cera, no houve

variao significativa no teor de clorofila entre estes gros, porm diferenas

foram constatadas quanto ao teor de carotenoides.

Na ps- colheita h dois tipos de processamento: via seca e mida. No

processamento por via seca, o fruto secado na sua forma integral (com casca),

dando origem aos cafs denominados como coco ou naturais (MALTA, 2011;

MALTA; CHAGAS; CHALFOUN, 2008).

O preparo por via mida pode originar os cafs cereja descascado,despolpado e desmucilado. Para a obteno do caf cereja descascado, os frutos

so descascados mecanicamente e parte da mucilagem que ainda permanece


23/105

22

aderida ao endocarpo dos frutos. Na obteno do caf despolpado, aps o

descascamento, a parte da mucilagem que ainda estava aderida aos frutos removida em tanques de fermentao biolgica. Se a remoo desta mucilagem

remanescente for realizada mecanicamente, tem-se, ento, o caf desmucilado

(MALTA, 2011).

Corra, Afonso Jnior e Pinto (2002) e Oliveira et al. (2013) estudaram

a influencia das diferentes formas de processamento sobre a colorao dos gros

de caf. Segundo estes autores, o processamento via mida diminui a

aproximao da colorao indesejvel vermelho- amarelado e aproxima da

colorao desejvel verde- azulado (menores valores dos parmetros L*, a* eb*), j o processamento via seca indica um maior potencial dos gros de caf

para o branqueamento (maiores valores dos parmetros L*, a* e b*).

Assim a retirada do exocarpo e mesocarpo nos cafs processados por via

mida contribui para a aproximao da colorao azulada, a qual provavelmente

esta relacionada manuteno da qualidade do produto (CORRA; AFONSO

JNIOR; PINTO, 2002).

A cor alterada por vrios fatores presentes durante a etapa de secagem

como: velocidade do ar de secagem, temperatura, tipo de secador, umidaderelativa, condies de secagem, entre outros.

Coradi, Borm e Oliveira (2008) estudaram a influncia de diferentes

tipos de secagem (natural, secador mecnico a 40 e 60C) na cor dos gros de

caf. Verificaram que a secagem altera a cor dos gros de caf, especialmente

em secadores mecnicos. Sugeriram, tambm, que a utilizao de temperaturas

superiores a 80C favorece o surgimento de uma colorao amarelada nos gros

que, ao reabsorverem umidade, as temperaturas provocam branqueamento

irregular. Por outro lado, a secagem em terreiro, por utilizar apenas temperaturaambiente, afeta as caractersticas da cor dos gros, quando comparada aos cafs

secados sob temperaturas mais elevadas nos secadores.


24/105

23

Oliveira et al. (2013) verificaram que o aumento da temperatura do ar de

secagem reduz a intensidade de cor verde, independentemente do processamentoempregado.

As interaes entre fatores abiticos, como temperatura, teor de gua,

concentrao de gases, umidade relativa (principalmente para valores acima de

80%), tipo e condies do armazm, caractersticas do sistema de armazenagem

e fatores biticos, como gros, insetos, caros, fungos e bactrias, fazem com

que os gros armazenados se tornem um ecossistema cuja dinmica, dependendo

dos nveis dos fatores e do grau de interao, pode levar ao processo de

deteriorao dos mesmos, com maior ou menor velocidade (RIGUEIRA et al.,2009).

A influncia da luz durante o armazenamento foi estudada por Lopes

(2000) o qual verificou que nem todos os comprimentos de onda tm efeito

malfico na cor dos gros de caf. A exposio do gro de caf luz branca e

luz transmitida nos comprimentos de onda da faixa do violeta- azul que

provocaram alteraes na cor e qualidade da bebida do caf.

Vrios autores j descreveram que o caf natural menos susceptvel

descolorao por possuir todos os revestimentos externos o que contribui para asua proteo, reduzindo assim os efeitos ambientais (AFONSO JNIOR;

CORRA, 2003; OLIVEIRA et al., 2013; RIGUEIRA et al., 2009).

2.4

Espaos de cores

O olho humano distingue as cores, de acordo com a variao da

sensibilidade das clulas na retina e de acordo com o comprimento de onda da

luz incidente. Existem trs tipos de clulas fotorreceptoras (chamados cones)para o homem, com sensibilidade em picos de comprimentos de onda de curta


25/105

24

durao (azulada, 420 e 440 nm), mdia (esverdeada, 530 e 540 nm) e longa

(avermelhado, 560 e 580 nm) (HUNT, 1995).A sensao de cor formada por estes trs componentes de cor nos

olhos, os quais so chamados de valores tristmulos. Estes valores so gerados

com base nos trs tipos de cones na medida em que cada um estimulado (WU;

SUN, 2013b).

O espao de cor um modelo matemtico cujo objetivo associar os

valores tristmulos com cada cor. Atualmente existem trs tipos de espaos de

cor os quais correspondem a: espao orientado para o hardware, espao

orientado para o humano e o espao instrumental (SANTANA et al., 2006).Alguns destes espaos de cor foram criados para ajudar os seres humanos a

selecionar as cores e para facilitar o processamento de dados em mquinas

(PASCALE, 2003; WU; SUN, 2013b).

Dentre os espaos de cores, o espao orientado para o hardware foi

proposto para o processamento de um hardware, tais como a aquisio de

imagem, armazenamento e visualizao. Este espao completo e pode detectar

uma pequena variao na cor especialmente em avaliaes para produtos

alimentcios. Assim este espao para hardware vem sendo amplamenteempregado para avaliao de alimentos principalmente durante o processamento

onde so avaliados os estdios de maturao, os efeitos da temperatura e tempo

durante armazenamento. Vrios autores descreveram o emprego deste espao

para avaliao de alimentos, como, por exemplo, Liliana et al. (2007) e Uribe,

Giraldo e Tascon (2008) que analisaram a cor de frutos do cafeeiro em

diferentes estgios de maturao.

O espao de cor orientado para o hardware mais popularmente

conhecido o RGB, ele definido por coordenadas em trs eixos, isto ,vermelha, verde e azul (LEN et al., 2006). Ele representa a forma em que

cmaras exibem seu trabalho.


26/105

25

Na figura 1 apresentado o espao de cor RGB (red, green, blue)

gerado pelo software livre RGBCube (2014). Este espao de cor orientado parahardware.

Figura 1 Representao em 3D do espao de cor RGB

Outros dois espaos orientados para o hardware so o YIQ (luminncia,

em fases de quadratura) e o CMYK (ciano, magenta, amarelo, preto),principalmente utilizados para a transmisso de televiso e em impressoras,

respectivamente, e, portanto, no so utilizados para a medio da cor na

indstria alimentar (WU; SUN, 2013b). J os espaos orientados para humanos

correspondem aos conceitos de tonalidade (hue), que so definidos com base nas

caractersticas intuitivas da cor. Em geral, esses espaos tm como base a matiz

e a saturao (HS), entre eles tem-se: HSI (matiz, saturao, intensidade), HSV

(matiz, saturao, valor), HSL (matiz, saturao, luminosidade) e HSB (matiz,

saturao e brilho).A tonalidade da cor ou matiz uma comparao entre a cor em

observao e exemplos previamente conhecidos. De modo geral, trata-se da


27/105

26

identificao da cor (ou comprimento de onda) dominante, isto , a

determinao de uma luz monocromtica que corresponda, aproximadamente, cor observada. J a saturao refere-se ao grau de pureza de uma cor, ou seja,

alguma graduao que represente uma cor qualquer como uma grandeza entre

uma onda monocromtica (espectro de frequncia com um nico fator na

frequncia da onda) e a luz branca (que contm todas as cores). Assim, as cores

monocromticas tm saturao mxima e a luz branca, mnima (SIMES,

2000).

Gomes e Velho (1994) foram uns dos primeiros autores a conceituar o

brilho, j que este conceito de difcil definio por ser considerado subjetivo,segundo eles o brilho uma grandeza que varia monotonicamente com a

luminncia. Para Fairchild (2005) o brilho considerado um atributo de uma

sensao visual para emitir leveza.

O espao de cor HS, diferentemente do espao RGB (coordenadas

cbicas), usa coordenadas cilndricas para orientao no espao. Segundo Du e

Sun (2005), os espaos de cor como o HS orientados com base no conceito de

percepo visual dos olhos humanos tem medies das cores de fcil utilizao e

so melhor relacionados s superfcies dos alimentos. Porm, estes espaos noso sensveis a pequenas variaes de cor, sendo, no entanto pouco adequados

para avaliao de mudanas na cor dos produtos durante o processamento.

Os espaos instrumentais foram criados para serem usados nos

instrumentos de medio de cor. Em 1931 estes espaos foram padronizados

pela CIE - Comisso Internacional de Iluminao (Commission Internationale

dEclairage) e a maioria de suas padronizaes permanece at hoje tais como:

XYZ e YUV.

O espao XYZ da CIE foi definido matematicamente por meio dapercepo fisiolgica da luz. Neste espao, um conjunto de cores

correspondentes a trs funes, as quais esto relacionadas com os cones


28/105

27

vermelhos, verdes e azuis nos olhos, chamado de observador padro (HUNT,

1998).No espao o Y representa leveza, j o X e Z correspondem a dois

componentes virtuais que se parecem com uma curva sensvel dos cones

vermelho e azul. Assim, o XYZ no representa uma gradao uniforme de cor .

Por isso dois espaos de cor, o CIE (L* a* b*) ou CIELAB e o CIE (L* u* v*)

ou CIELUV, que so transformaes no lineares da XYZ, foram divulgados e

ainda so adotados em muitos instrumentos de medio de cores (WU; SUN,

2013b).

Para alimentos o espao de cor mais utilizado o L* a* b*, ele perceptivelmente uniforme, ou seja, a distncia euclidiana entre duas cores

diferentes corresponde aproximadamente diferena de cor percebida pelo olho

humano (LEN et al., 2006). As coordenadas polares do sistema CIEL*a*b*

so amplamente utilizadas e seus parmetros variam de:

L* ou luminosidade0 (preto) a 100 (branco)

a*-120 (verde) a 120 (vermelho)

b*-120 (azul) a 120 (amarelo).

A figura 2 representa este espao de cor em 3D (trs dimenses) para

melhor visualizao dos parmetros de cor.


29/105

28

Figura 2 Representao do modelo CIEL*a*b*. White= Branco, Green=Verde,Black= Preto, Yellow= amarelo, Red= Vermelho, Blue= Azul(APACHE TECHNOLOGIES, 2014)

2.5

Medio por meio de inspeo visual

A avaliao sensorial dos alimentos envolve a avaliao qualitativa da

cor, nestes casos pessoas treinadas em salas iluminadas verificaro as suas

percepes de cor em relao ao alimento. Esta resposta de percepo de cor

depender da memria e do conhecimento relativo a este alimento.

A inspeo humana muito subjetiva, j que a percepo de cor

subjetiva, varivel, trabalhosa e tediosa, alm de envolver a memria de cor para

o alimento depende da iluminao e inmeros outros fatores, portanto no

adequada para a medio da cor em grande escala de rotina (MCCAIG, 2002).

A inspeo visual dos gros de caf crus um assunto amplamente

discutido atualmente, pois provadores treinados e com alto conhecimento tm

aprovao para identificao da cor do caf.

Segundo vrios autores, cafs de boa qualidade tm colorao verde

azulada, j cafs esbranquiados podem resultar em bebida de pior qualidade,


30/105

29

porm algumas empresas de comercializao hoje recebem cafs de outras

coloraes como verde, esverdeado, verde cana os quais apresentam bebida deboa qualidade, no entanto a cor reconhecida pelos classificadores pode variar da

a necessidade de novos mtodos de avaliao objetiva da cor do gro de caf

(LOPES; HARA; SILVA, 1998; OLIVEIRA et al., 2013).

2.6

Mtodos instrumentais de avaliao da cor

Os instrumentos de medio de cor mais utilizados em alimentos so

conhecidos como colormetros. Os colormetros convencionais costumamfornecer leituras nos espaos de cores: XYZ, RGB, e L *, a *, b * (MENDOZA;

AGUILERA, 2004). Colormetros tais como: (i) Minolta Chroma Meter; (ii)

colormetro Hunter Lab e (iii) Colormetros Dr. Lange (LEN et al., 2006)

oferecem como resultado as coordenadas polares do sistema CIEL*a*b*.

Embora os colormetros forneam medies de cores simples e rpidas

eles apresentam algumas limitaes (YAGIZ et al., 2009; YAM; PAPADAKIS,

2004). O problema que a medio da cor pelo colormetro apenas realizada

na superfcie da amostra (alimento) que pequena podendo ser uniforme ou no.Por isso importante a obteno de uma amostra representativa, pois se a

superfcie do alimento se apresentar de forma homognea, a representao

facilmente obtida, porm se este alimento for mais heterogneo a superfcie de

abrangncia de medio dever ser maior para que se possa ter uma amostra

representativa (LEN et al., 2006; WU; SUN, 2013b; YAGIZ et al., 2009;

YAM; PAPADAKIS, 2004).

Assim para se obter uma caracterizao detalhada da imagem de um

produto alimentcio e para que sua qualidade seja avaliada com preciso necessrio saber o valor de cada pixel da superfcie do mesmo (LEN et al.,

2006). Ento a utilizao de medies instrumentais como colormetros no


31/105

30

ideal, o que demanda a criao de novos processos automatizados de medio de

cor, com anlise de cada pixel da superfcie de uma amostra promovendo destemodo uma avaliao rpida e geral da superfcie do alimento sem ocasionar

danos de qualquer natureza.

Outro instrumento bastante utilizado para verificao da cor de

alimentos corresponde aos espectrofotmetros os quais so capazes de fornecer

coordenadas colorimtricas (L*a*b*). Estes equipamentos fazem a varredura de

toda a faixa de medio visvel, em intervalos discretos de 1, 5, 10 ou 20 nm, de

acordo com sua resoluo.

Nos espectrofotmetros ajustados para operar no comprimento de ondado espectro visvel, aproximadamente de 380 a 770 nm, pode-se obter o ndice

colorimtrico de qualquer objeto pela quantidade de luz refletida ou absorvida

por sua superfcie em cada comprimento de onda desse espectro (FERREIRA,

1981).

2.7

Sistema de viso computacional

Sistemas de viso computacional so tecnologias de engenharia quecombinam mecnica, instrumentao ptica, cmera digital e tecnologia de

processamento de imagem (PATEL et al., 2012). Empregam mtodos e tcnicas

que permitem ao computador extrair contedos relevantes a partir de imagens e

interpretar as suas caractersticas mais significativas para alcanar objetivos tais

como classificao, avaliao da qualidade e deteco de defeitos (GOMES;

LETA, 2012).

Nos ltimos anos, a viso computacional surgiu como uma alternativa

para avaliao da cor em alimentos principalmente por apresentar algumasvantagens frente a outras metodologias como, por exemplo: a rapidez,

objetividade, abrangncia e eficincia.


32/105

31

A tcnica de viso computacional consiste na utilizao de um sistema

envolvendo um iluminante, uma cmera digital e um software de processamentode imagem (YAM; PAPADAKIS, 2004). Esta tcnica corresponde a uma

cincia que se desenvolveu com base em algoritmos que vo extrair e analisar

informaes teis de um objeto ou cena a partir de uma imagem, conjunto

imagem ou sequncia de imagens (DU; SUN, 2006; WU; SUN, 2013b).

No sistema computacional, as imagens so obtidas e avaliadas de acordo

com os pixels de cada uma, isso faz com que ele fornea uma anlise mais

especializada e detalhada da amostra avaliada.

Segundo Balaban e Odabasi (2006), a diferena primordial entre a visocomputacional e a colorimetria convencional a quantidade de informao

espacial fornecida por ambas. Uma alta resoluo espacial permite avaliar cada

pixel da superfcie inteira da amostra, calcular a mdia e desvio padro de cor,

isolar e especificar a aparncia, medir a textura e cor, avaliar mais de uma

amostra ao mesmo tempo, gerar mapa de distribuio de cores e proporcionar

um registro permanente por meio da imagem sem o contato e sem destruio da

amostra (LEN et al., 2006). A viso computacional oferece uma resoluo alta

e por isso vem sendo comumente preferida como mtodo de avaliao da cor.Os sistemas de viso computacional foram utilizados para avaliar a

qualidade e comercializao de muitos alimentos como: alcachofras (AMODIO

et al., 2011) e vegetais recm-colhidas nectarinas (PACE et al., 2011), alface

(PACE et al., 2014), carnes (LARRAIN; SCHAEFER; REED, 2008), peixes

(YAGIZ et al., 2009) e bebidas (FERNANDEZ-VAZQUEZ et al., 2011).

A figura 3 ilustra um modelo de sistema computacional.


33/105

32

Figura 3 Modelo de um sistema computacional (LEN et al., 2006)

Como j descrito anteriormente, durante a avaliao da cor de um

alimento pelo sistema de viso computacional, so necessrios um sistema de

iluminao, uma cmera digital de alta resoluo e um software processador de

imagem, a seguir estes itens sero discutidos separadamente.

2.7.1

Iluminao

Diversos fatores externos podem contribuir para alterao da cor de um

alimento. Estes fatores externos esto relacionados iluminao, distncia da

cmera da amostra, local onde a amostra est alocada para avaliao da cor,

alm da cmera utilizada e suas configuraes (VALOUS et al., 2009). Neste

caso, a iluminao utilizada e a cmara de colocao da amostra influenciam

altamente na cor aps a utilizao do sistema de viso computacional.

A iluminao corresponde a um fator muito importante na anlise decor, j que dependendo deste pode-se chegar a valores de cor que no so

condizentes com a realidade. Durante a anlise pelo sistema de viso


34/105

33

computacional, a iluminao pode vir de dois lugares: da luz propriamente dita

para realizar a foto e da iluminao externa do ambiente. Em muitos trabalhos(LEN et al., 2006; MENDOZA; DEJMEK; AGUILERA, 2006; MERY;

PEDRISCHI, 2004; YAM; PAPADAKIS, 2004; URIBE; GIRALDO;

TASCON, 2008; VALOUS et al., 2009), foi utilizada a iluminao fornecida por

uma luz e uma cmara de armazenamento da amostra que impede a chegada da

luz externa sobre este, eliminando assim interferncias da luminosidade externa.

Assim como acontece no olho humano, a operao de viso

computacional tambm depende da intensidade da iluminao e quanto melhor

projetado o sistema iluminante mais precisa ser a anlise, menor tempo deanlise ser necessrio e menor ser a complexidade dos passos subsequentes do

processamento de imagens (BROSNAN; SUN, 2004; NOVINI; ENGINEERS,

1995; SLIWINSKA et al., 2014).

As lmpadas mais utilizadas como fonte de luz so as fluorescentes e

incandescentes. Diodos luminescentes eltricos (LED), lmpadas de quartzo

halgenas, lmpadas de iodetos metlicos (aplicadas em microscopia) tambm

so utilizadas para outras aplicaes. Porm as luzes fluorescentes so as mais

popularmente utilizadas por proporcionarem uma disperso de luz maisuniforme e intensa em comprimentos de onda especficos (ABDULLAH, 2008;

SLIWINSKA et al., 2014; WU; SUN, 2013b).

2.7.2

Cmera digital

A utilizao de fotos para medio de cor comumente chamada de

fotometria, utilizada para avaliao de cor de muitos alimentos, sendo assim um

mtodo de avaliao colorimtrica.Nesse aspecto a cmera fotogrfica funciona como o olho humano. Na

realidade no se v os objetos e, sim, a luz refletida destes que chega at nossos


35/105

34

olhos. Dessa maneira, o que passa pela lente da cmera fotogrfica a luz

refletida dos objetos. Medir a quantidade exata de luz necessria para formar aimagem no sensor ou filme fotogrfico o que chamamos de fotometria

(BATELLO, 1999).

O objetivo de se utilizar uma cmera como parte do sistema de anlise

de imagem o de gravar uma fotografia de um determinado objeto. Existem dois

tipos de cmeras, ou seja, cmeras analgicas e digitais as quais so equipadas

com CCD (charge-coupled device) ou CMOS (complementary metal-oxide-

semiconductor) que correspondem a matrizes de sensores, os quais so dois

meios diferentes para gerar a imagem digitalmente (WU; SUN, 2013a).Os sistemas de viso computacional consistem de uma cmera CCD de

alta resoluo associada a um hardware, para estes tipos de cmaras a rea de

varredura e modo de digitalizao so os mais comuns (ZHANG et al., 2014).

Numa cmera analgica, a imagem gravada transformada em sinal

analgico e depois transferida para um detector de imagens (sob a forma de um

carto), que vai transformar o sinal analgico em um fluxo de dados digital e

envi-lo para a memria do computador. J nas cmeras digitais, a placa de

captura no necessria porque o sinal analgico enviado diretamente para ocomputador por meio de um adaptador USB ou FireWire (BROSNAN; SUN,

2004).

2.7.3

Software processador de imagem

Os espaos de cores RGB e L* a* e b* so comumente aplicados na

quantificao da colorao de muitos alimentos. A utilizao da cmera digital

como parte integrante do sistema de viso computacional proporciona o registroda cor de qualquer pixel da imagem do objeto usando trs sensores de cor por


36/105

35

pixel (FORSYTH; PONCE, 2003). Neste modelo de cor cada sensor captura a

intensidade de luz no espectro vermelho (R), verde (G) e azul (B).Segundo Len et al. (2006), a tendncia atual analisar os alimentos

digitalmente, pois assim pode-se realizar primeiramente uma anlise pontual,

que abrange um pequeno grupo de pixels com a finalidade de detectar pequenas

caractersticas do objeto e, em segundo lugar, efetuar uma anlise global do

objeto em estudo, tais como um histograma de cor, a fim de avaliar a

homogeneidade do objeto.

No entanto, os sinais de RGB gerados pelos dispositivos so

dependentes destes, ou seja, cada cmara tem a sua caracterstica prpriafazendo com que os diferentes sensores dem diferentes respostas. Ilie e Wech

(2005) relatam que a maioria das cmaras, at mesmo aquelas do mesmo tipo,

no apresentam respostas consistentes.

O espao de cor RGB apresenta alguns problemas como o fato deste no

ser um espao uniforme, ou seja, as diferenas de cores (distncias euclidianas)

no espao RGB no correspondem diferena de cor na percepo dos humanos

(MENDOZA; DEJMEK; AGUILERA, 2006). Um outro problema apresentado

pelo RGB o fato deste ser uma espao de cor no absoluto, o que faz com quea medio dependa de fatores externos como a sensibilidade dos sensores da

cmara, iluminao, etc (LEN et al., 2006). Assim, este modelo no deve ser

empregado para padronizao de equipamentos de processamento de imagens de

viso computacional, j que uma mesma cor dependendo das variaes

utilizadas pelo equipamento pode apresentar diferentes coordenadas.

O modelo de cor CIELab cobre um espao visvel pelo olho humano e

representa-o de modo uniforme, o que faz com que este possa ser utilizado para

descrever cores visveis, independente de qualquer tecnologia grfica, assim aoser utilizado tem se a garantia que a cor representada ser vista do mesmo modo

por qualquer equipamento.


37/105

36

Assim, o software processador de imagens entra como uma alternativa

para a realizao da converso do modelo de cor proveniente de fotografias(espao de cor RGB) para L* a*b* espao de cor amplamente utilizado para

alimentos e perceptivelmente uniforme, ou seja, a distncia euclidiana entre duas

cores diferentes corresponde aproximadamente cor percebida pelo olho

humano. O software faz a converso do modelo RGB para Lab proporcionando

a construo de um colormetro digital.

A converso de cor do modelo RGB para L*a* e b*, que o modelo

mais comumente utilizado para o estudo com alimentos, no pode ser feita

diretamente por meio de uma frmula padro como acontece na transferncia deunidades matemticas (LEN et al., 2006; MENESATTI et al., 2012). Cientes

deste problema, vrios autores propuseram solues para esta transformao

com base em inteligncia computacional (HARDEBERG et al., 1996;

MENDOZA; DEJMEK; AGUILERA, 2006; MENESATTI et al., 2012;

POUCKE et al., 2010).

Em virtude da grande capacidade de aprendizado a partir do ambiente, a

aplicao de redes neurais para o modelo de converso na anlise de colorao

de alimentos atraente. O processamento neural capaz de extrair relaes dasvariveis de entrada sobre os espaos que tipicamente as caracterizam, sendo

assim uma ferramenta valiosa em problemas complexos de reconhecimento de

padres. Por outro lado, as redes neurais podem trabalhar em conjunto com

outras tcnicas de processamento permitindo que se utilize o conhecimento

acumulado em uma determinada rea de aplicao. Assim, os dados podem ser

pr-processados, identificando-se a informao relevante tarefa de

processamento de interesse, e a rede neural ir operar sobre esta informao

qualificada, em vez de trabalhar com os dados brutos. Desta maneira, evitam-semodelos neurais de alta complexidade, que normalmente so poucos prticos.

Redes Neurais Artificiais (RNA) podem ser aplicadas em problemas de


38/105

37

regresso, classificao e compactao de dados, como tambm em situaes

onde existem interaes no-lineares entre as variveis dependentes e asindependentes (SANTOS et al., 2005).

Len et al. (2006) avaliaram cinco modelos de converso de RGB para

L* a* e b*: direto, gama, linear, rede neural e quadrtica. Os erros de cada

modelo neural foram avaliados por meio do modelo de regresso linear.

Regresso a tarefa de aprender uma funo alvo f que mapeie cada

conjunto de atributos x em uma sada de valores contnuos y. O objetivo da

regresso encontrar uma funo alvo que possa ajustar os dados de entrada

com um erro mnimo (TAN; STEINBACH; KUMAR, 2009). A funo erro parauma tarefa de regresso pode ser expressa em termos da soma do erro quadrado:

= 2 (1)

A regresso utilizada como forma de calcular o erro dos valores de

converso de dados de entrada em sada.

No trabalho de Len et al. (2006), os menores erros obtidos foram para

os modelos de converso de rede neural e quadrtica, prximos de 1% . No

entanto, embora a metodologia apresentada possa ser utilizada em qualquer

sistema de viso computacional, preciso entender que os resultados obtidos

aps a calibrao para um sistema (por exemplo, sistema A) no pode ser usado

para outro sistema (por exemplo, sistema B). Isso acontece porque a calibrao

obtida para o sistema de viso computacional A aplicvel apenas para a

cmera, iluminao e configuraes especficas usadas no sistema A. J o

sistema B necessita de um novo procedimento de calibrao que considere as

configuraes utilizadas para o sistema B.


39/105

38

2.8Inteligncia Computacional

A inteligncia computacional agrupa um conjunto de paradigmas

baseados principalmente em comportamentos observados na natureza que

permitem encontrar solues de problemas complexos para os quais tcnicas

matemticas tradicionais falham, combinando aprendizagem, adaptao e

evoluo (SUMATHI; PANEERSELVAM, 2010).

A inteligncia computacional um ramo da computao natural e

formada principalmente por redes neurais artificiais, computao evolutiva,

lgica nebulosa e inteligncia artificial. A figura 4 representa as reas e subreasda inteligncia computacional.

Figura 4 Representao das reas e subreas da Inteligncia Computacional

Os principais tipos de problemas nos quais se tem a aplicao da

Inteligncia Computacional so: problemas de otimizao, problemas de

controle, problemas de classificao e problemas de regresso.

A classificao constitui-se uma tarefa difcil em produtos alimentcios e

a grande dificuldade produzir um modelo computacional que seja capaz de


40/105

39

descrever corretamente e detalhadamente o comportamento do alimento frente a

diversas condies.Um sistema classificador tem a capacidade de gerar respostas melhores e

aprender a responder a situaes pouco familiares ao tratar suas regras como

uma populao a ser evoluda (COPPIN, 2012).

A utilizao de sistemas classificadores acaba gerando alguns desafios

relacionados ao desenvolvimento de mtodos de classificao que fazem com

que se ampliem os estudos nestes casos.

2.8.1

Reconhecimento de padres

As propriedades que determinam o agrupamento de objetos semelhantes

dentro de uma classe ou categoria correspondem ao padro, mediante a

interpretao de dados de entrada, que permitam a extrao das caractersticas

relevantes desses objetos (TOU; GONZLES, 1981). Assim uma classe de um

padro o conjunto de atributos comuns ao objeto de estudo.

O reconhecimento de padres um procedimento que busca a

identificao de certas estruturas nos dados de entrada em comparao aestruturas conhecidas e sua posterior classificao dentro de categorias, de modo

que o grau de associao seja maior entre estruturas de mesma categoria e menor

entre as categorias de estruturas diferentes (THEODORIDIS;

KOUTROUMBAS, 2009).

Com a ampliao dos recursos computacionais e dos estudos, a

aplicao de tcnicas de reconhecimento de padres vem sendo utilizada em

diversas reas alm de principalmente a utilizao para anlises de cor de

imagens (LEN et al., 2006), destacando-se os diagnsticos mdicos (SILVA,2014), reconhecimento de voz, investigao da qualidade do papel industrial,


41/105

40

anlise de eletrocardiogramas, sinais de radar, reconhecimento de faces, dentre

outras.

2.8.2

Redes Neurais

Warren McCulloch e Walter Pitts, em 1943, aps 20 anos de pesquisas,

na tentativa de simular o sistema nervoso, publicaram em seu celebre artigo a

introduo das redes neurais artificiais (RNA). Assim, Rosenblatt, em 1978,

introduziu um novo modelo denominado perceptron e mais tardiamente Hebb

inicializou estudos com treinamento de redes. Widrow, neste mesmo espao detempo, tambm, desenvolveu o modelo neural linear ADALINE (Adaptive

Linear Element) (BRAGA; CARVALHO; LUDERMIR, 2014).

Na dcada de 70, houve certa estagnao com relao aos estudos o que

mostrava um pouco das limitaes quanto s teorias desenvolvidas. E, somente

em 1982, John Hopfield publicou um novo artigo impulsionando novamente as

pesquisas em redes neurais. O desenvolvimento das memrias associativas

marca esta nova fase, o que corresponde capacidade de uma rede neural de

associar modelos apresentados a ela a modelos presentes em uma memriaprvia (COPPIN, 2012).

Posteriormente, outros estudos foram realizados com desenvolvimento

de algoritmos como a retropropagao do erro (error backpropagation) e com

o avano da tecnologia houve a criao de computadores mais rpidos e baratos

possibilitando assim a expanso de suas aplicaes.

As RNAs possuem estrutura semelhante a um neurnio biolgico, porm

neste caso o neurnio constitui a unidade computacional bsica da rede em

questo. A arquitetura de uma RNA constitui a estrutura topolgica de como osneurnios so conectados, e a aprendizagem o processo que adapta a rede de


42/105

41

modo a computar uma funo desejada ou realizar uma tarefa (FERNANDES,

2005).Uma RNA composta por uma combinao de neurnios em uma ou

mais camadas, que podem conter um ou mais neurnios interligados por meio de

sinapses (LUDWING JUNIOR; MONTGOMERY, 2007). As camadas da RNA

so classificadas em trs grupos:

a)

Camada de entrada: onde os padres so apresentados rede e a

nica funo desta camada representar a distribuio dos dados de

entrada para cada neurnio da camada seguinte;b)

Camadas intermedirias ou escondidas: onde realizada a maior

parte do processamento, por meio das conexes ponderadas, sendo

consideradas extratoras de caractersticas (FERNANDES, 2005);

c)

Camada de sada: onde os resultados finais sero apresentados.

A figura abaixo demonstra como estruturada uma rede neural:

Figura 5 Representao da estrutura de uma rede neural (REDES..., 2015)


43/105

42

O modo com que uma RNA fica estruturada importante para predizer

seu comportamento. As redes possuem diversos modos de classificao quanto arquitetura (BRAGA; CARVALHO; LUDERMIR, 2014; HAYKIN, 2009).

Uma das principais classificaes corresponde ao tipo de conexo, a rede pode

ser considerada feedforward ou acclica quando a sada de um neurnio na i-

sima camada da rede no pode ser usada como entrada de nodos em camadas

de ndice menor ou igual a i, j a redefeedbackou cclica determina que a sada

de algum neurnio na i-sima camada da rede seja usada como entrada de nodos

em camadas de ndice menor ou igual a i (BRAGA; CARVALHO;

LUDERMIR, 2014).Segundo Anderson (1972), os neurnios so ligados por conexes, cada

um com um peso (w) associado, que corresponde influncia do neurnio no

processamento do sinal de sada. Pesos positivos correspondem a fatores de

reforo do sinal de entrada, e pesos negativos correspondem a fatores de

inibio. Portanto, cada neurnio capaz de processar um sinal de entrada e

transform-lo em um sinal de sada.

O neurnio pode ser definido sistematicamente conforme mostra a

figura 6.

Figura 6 Funcionamento de um neurnio artificial

Fonte: O NEURNIO... (2014).


44/105

43

Pela figura 6 possvel entender o funcionamento do neurnio

computacional com base nos dados acima:

a)

X1, X2. ..... Xn correspondem aos sinais de entrada, cada sinal de

entrada possui um peso sinptico representado pela letra w. Os pesos

sinpticos tm a funo de multiplicar o sinal em cada sinapse. Por

exemplo, na sinapse n ser multiplicada a entrada Xn pelo seu peso

sinptico wkn.

b) O somatrio () corresponde soma ponderada de cada entrada

multiplicada pelo peso correspondente, assim, a funo aditivacorresponde a:

= =1 (2)

c)

O bias bx tambm conhecido como limiar (threshold) tem a funo

de controlar a intensidade da funo de ativao (.),assim esta vai

evitar o acrscimo progressivo dos valores de sada ao longo das

camadas da rede, visto que tais funes possuem valores mximos e

mnimos contidos em intervalos determinados.

Assim a sada da funo de ativao dada por:

= (VK + ) (3)

Onde: a sada do combinador linear de entrada, o bias, (.) a funo de ativao e a sada do neurnio.


45/105

44

Uma das principais propriedades que as RNAs possuem a capacidade

de aprender por exemplos e fazer interpolaes e extrapolaes do queaprenderam. Quando se utiliza uma RNA na soluo de um problema passa-se

primeiramente por uma fase de aprendizagem, na qual a rede vai extrair

informaes importantes de padres de informaes a ela apresentados, criando

deste modo uma representao prpria para o problema. Esta etapa altamente

relevante, pois, consiste em um processo iterativo de ajuste de parmetros da

rede e os pesos das conexes entre as unidades de processamento, que guardam,

ao final do processo, o conhecimento que a rede adquiriu do ambiente em que

est operando (HAYKIN, 2009). O processo de aprendizado de uma rede neuralpode - se dar de duas formas: o aprendizado supervisionado (com professor) e o

aprendizado no- supervisionado (apenas pela experincia). No aprendizado

supervisionado fornecido um conjunto de entradas e sadas desejado por meio

de um supervisor (professor) externo.

Segundo Braga, Carvalho e Ludermir (2014), o objetivo deste

aprendizado ajustar os parmetros da rede, de forma a encontrar uma ligao

entre os pares de entrada e sada fornecidos. A rede tem sua sada corrente

(calculada) comparada com a sada desejada, recebendo informaes dosupervisor sobre o erro da resposta atual. A cada padro de entrada a rede

compara a sada calculada com a sada desejada e, assim, ajustam-se os pesos

para minimizao do erro, de tal forma que estes caminhem para uma soluo

possvel.

O aprendizado no supervisionado, como o prprio nome j diz, no

tem o acompanhamento de um supervisor, nele ento so somente fornecidas as

entradas, no recebendo, portanto informaes sobre as sadas desejadas. A rede

treinada apenas com os valores de entrada e organiza sua estrutura de modo afazer a classificao destes valores em grupos. De acordo com Ludwing Junior e

Montgomery (2007), este tipo de rede tem por finalidade a classificao de


46/105

45

dados pelo reconhecimento de padres, ou seja, deteco de caractersticas em

comum entre conjuntos de dados. Este tipo de organizao ocorre por meio deprocessos de competio e cooperao entre os neurnios.

2.8.3

Projeto de uma rede neural

Durante a construo de um modelo neural, cinco fases devem ser

seguidas para garantir uma boa funcionalidade e aplicabilidade da rede

(LUDWING JUNIOR; MONTGOMERY, 2007). As etapas correspondem a:

a) Coleta e seleo de dados - nesta etapa os dados so coletados e

separados em duas categorias (dados de treinamento e validao). Os

dados de treinamento correspondem aos dados que sero utilizados

para treinamento da rede, j os dados de validao sero utilizados

para verificar o desempenho da rede.

b)

Configurao da rede - a primeira escolha a se realizar nesta etapa

corresponde seleo do paradigma neural apropriado aplicao,

ou seja, qual a configurao neural que dever ser utilizada(perceptron simples, perceptron de mltiplas camadas, etc). Aps

esta escolha pode-se determinar a topologia da rede, isto , o nmero

de camadas e o nmero de neurnios em cada camada. Nesta fase

tambm deve- se escolher o algoritmo de treinamento a ser utilizado,

taxa de aprendizado e outros parmetros de treinamento. Assim

determina-se a funo de transferncia que melhor se enquadra.

c)

Treinamento - nesta etapa sero ajustados os pesos das conexes,

assim o projetista da rede poder definir os valores iniciais dos pesossinpticos (inicializao da rede), o algoritmo de aprendizagem e

tambm o tempo de treinamento para o aprendizado da rede.


47/105

46

d)

Teste - esta etapa corresponde utilizao do conjunto de dados de

validao para determinar o desempenho da rede com dados aindano apresentados a ela.

e)

I ntegr ao - corresponde a etapa final onde a rede neural ser

aplicada segundo o objetivo desejado. Aps treinamento e validao

da rede possvel a integrao desta a um sistema. O sistema dever

conter facilidades de utilizao, de aquisio de dados por meio de

planilhas eletrnicas e interfaces com unidades de processamento de

sinais ou arquivos padronizados.

2.8.4

Redes Perceptron

O perceptron constitui a arquitetura mais simples da rede neural,

apresentando apenas um conjunto de neurnios de entrada e um conjunto de

neurnios de sada, sem haver nenhuma camada intermediria. Nesta rede os

elementos da camada de entrada fazem a distribuio de cada sinal de entrada

para todos os neurnios da camada de sada, que formada por um nmero de

neurnios igual ao nmero de sinais de sada. Nesse caso, a codificaoproveniente do mundo exterior deve ser suficiente para implementar esse

mapeamento (FAUSETT, 1994).

Segundo Haykin (2009), a rede perceptron quando apresenta resultados

padres de entrada com estruturas similares, fornecidos do mundo externo, que

levam a sadas diferentes, estes no so possveis de ser mapeados por redes sem

representaes internas, isto camadas intermedirias. Assim este tipo de rede

neural, embora simples, apresenta problemas especficos no podendo ser

utilizada em aplicaes mais avanadas, no sendo assim capazes de solucionarproblemas que no fossem linearmente separveis.


48/105

47

Em virtude da necessidade da resoluo de problemas, processos de

aprendizagem e aplicao de uma nova estratgia, houve a introduo decamadas intermedirias entre as entradas e as sadas da rede neural, o que

eliminou tais problemas anteriormente encontrados no perceptron. Esta inovao

levou a um avano e retomada dos estudos com inteligncia artificial, esta

arquitetura com camadas de neurnios internas recebeu o nome de Multilayer

Perceptron. conhecida como MLP (LUDWING JUNIOR; MONTGOMERY,

2007).

De acordo com Fernandes (2005), no perceptron multicamadas (MLP)

cada camada tem uma funo especfica. A camada de sada recebe os estmulosda camada intermediria e constri o padro que ser a resposta. As camadas

intermedirias funcionam como extratoras de caractersticas, seus pesos so uma

codificao de caractersticas apresentadas nos padres de entrada e permitem

que a rede crie sua prpria representao, mais rica e complexa, do problema.

A rede MLP opera durante o treinamento com o algoritmo

backpropagation, nele a rede apresenta uma sequncia de dois passos.

No primeiro passo, um padro apresentado entrada da rede. A

atividade resultante flui por meio da rede, camada por camada, at que aresposta seja produzida pela camada de sada. No segundo passo, a sada obtida

comparada sada desejada para esse padro particular. Se esta no estiver

correta o erro calculado. Assim o erro propagado com base na camada de

sada at a camada de entrada, e os pesos das conexes das unidades das

camadas internas vo sendo modificados conforme o erro retropropagado

(FERNANDES, 2005; RUSSEL; RUSSEL, 2004).

Vrios autores descrevem a utilizao da rede neural para aplicao do

sistema de viso computacional em alimentos dentre estes tm-se: salmo(YAGIZ et al., 2009), suco de laranja (FERNANDEZ-VAZQUEZ et al., 2011),

bebidas alcolicas como vinho (MARTIN et al., 2007) e cerveja (SUN et al.,


49/105

48

2004), batata chips (PEDRESCHI et al., 2006), sementes (ZAPOTOCZNY;

MAJEWSKA, 2010) e em frutos do cafeeiro (LILIANA et al., 2007; URIBE;GIRALDO; TASCON, 2008).

A figura 5, a seguir, representa uma rede multilayer do tipo feedforward

para entendimento de como ocorrem suas conexes e como esta fica estruturada.

Figura 7 Rede multilayer feedforward

Fonte: (BARBOSA; FREITAS; NEVES, 2005).

2.8.5

Classificador Bayesiano

Os classificadores Bayesianos so classificadores estatsticos que

classificam um objeto numa determinada classe com base na probabilidade deste

objeto pertencer a esta classe. Estes classificadores produzem resultados rpidose podem ser aplicados a um grande volume de dados, os resultados apresentados


50/105

49

por eles podem ser comparados aos resultados produzidos por rvores de deciso

e redes neurais (HECKERMAN, 1996).Os classificadores Bayesianos simples supem como hiptese de

trabalho que o efeito do valor de um atributo no pertencente classe

independente dos valores dos outros atributos, ou seja, o valor de um atributo

no influencia o outro.

O teorema de Bayes pode ser usado para calcular a probabilidade de que

um evento venha a ocorrer ou que uma proposio seja verdadeira, dado que j

se conhece um fragmento relacionado de informao. O teorema declarado do

seguinte modo:

= . (4)

P(B) chamada de probabilidade a priori de B. P(B/A) alm de ser

chamada de probabilidade condicionada, tambm chamada de probabilidade a

posteriori de B.

Supondo que A denote o conjunto de atributos e B denote a varivel da

classe. Se esta apresentar um relacionamento no determinstico com os

atributos, ento pode-se tratar A e B como variveis aleatrias e capturar este

relacionamento usando a probabilidade P(B/A). Esta probabilidade condicional

tambm conhecida como probabilidade posterior de B, em oposio

probabilidade anterior, P(B) (TAN; STEINBACH; KUMAR, 2009).

Durante a fase de treinamento, necessrio descobrir as probabilidades

posteriores P(B/A) para cada combinao de A e B baseada em informaes

coletadas a partir dos dados de treinamento. Conhecendo estas probabilidades,

um registro teste A pode ser classificado encontrando-se a classe B que

maximize a probabilidade posterior, P (B/A) (COPPIN, 2012).


51/105

50

Um exemplo de aplicao de classificao do Bayesiano est

demonstrado na tabela 1, no caso tem-se um conjunto de treinamento com osseguintes atributos: idade, profisso e renda. Supondo que se deseje a solicitao

de emprstimos, os solicitantes que ficam inadimplentes so classificados como

SIM, enquanto que aqueles que pagaram o emprstimo so classificados como

NO.

Tabela 1 Conjunto de treinamento para prever o problema de inadimplncia

Clientes Idade Profisso Renda- Salrio

mnimo (SM)1 26 Professor 3 SM2 49 Engenheiro 6 SM3 38 Jornalista 2 SM4 58 Porteiro 1 SM5 31 Motoboy 2 SM

Considerando-se um registro de teste para o seguinte conjunto de

atributos: A= (Idade= 46, Profisso= jornalista, Renda= 3 SM). Para classificar

este registro necessrio calcular as probabilidades posteriores P(SIM /A) e

P(NO/A) baseadas nas informaes disponveis nos dados de treinamento. SeP (SIM/A) > P (NO/A), ento o registro classificado como SIM, caso

contrrio classificado como NO.

Barbosa e Ferreira (2013) estudaram os distrbios na energia eltrica

classificando em simples e mltiplos, para isso foi construda uma rvore de

deciso, vista no item a seguir, por meio de dois classificadores simples: o

perceptron e o classificador bayesiano. Os resultados mostraram que o sistema

construdo foi eficaz e com boa preciso para ser usado na identificao dos

distrbios reais encontrados na energia eltrica.


52/105

51

REFERNCIAS

ABDULLAH, M. Z. Image acquisition systems. In: SUN, D. W. (Ed.).Computer vision technology for food quality evaluation. San Diego: Elsevier,2008. p. 7-23.

AFONSO JNIOR, P. C.; CORRA, P. C. Influncia do tempo dearmazenagem na cor dos gros de caf pr-processados por via seca e viamida. Cincia e Agrotecnologia, Lavras, v. 27, n. 6, p. 1268-1276, nov./dez.2003.

AMODIO, M. L. et al. Post-cutting quality changes of fresh-cut artichokestreated with different anti-browning agents as evaluated by image analysis.Postharvest Biology and Technology, Amsterdam, v. 62, n. 2, p. 213-220,Nov. 2011.

AMORIM, H. V. Aspectos bioqumicos e histoqumicos do gro de cafverde relacionados com a deteriorao de qualidade. 1978. 85 f. Tese (Livre-Docncia em Bioqumica) - Escola Superior de Agricultura Luiz de Queiroz,Piracicaba, 1978.

AMORIM, H. V.; TEIXEIRA, A. A. Transformaes bioqumicas, qumicas efsicas do gro de caf verde e qualidade da bebida. In: CONGRESSOBRASILEIRO DE PESQUISA CAFEEIRAS, 3., 1975, Curitiba. Resumos...Rio de Janeiro: MIC/TBC, 1975. p. 21.

ANDERSON, J. A. A simple neural network generating na interactive memory.Mathematical Biosciences, New York, v. 14, p. 197-220, 1972.

APACHE TECHNOLOGIES. CIE Lab color space. Disponvel em:.Acesso em: 10 nov. 2014.

BALABAN, M. O.; ODABASI, A. Z. Measuring color with machine vision.Food Technology, Oxford, v. 60, p. 32-36, 2006.


53/105

52

BARBOSA, A. H.; FREITAS, M. S. R.; NEVES, F. A. Confiabilidade estruturalutilizando o mtodo de Monte Carlo e redes neurais. REM: Revista Escola deMinas, Ouro Preto, v. 58, n. 3, p. 247-255, jul./set. 2005.

BARBOSA, B. H. G.; FERREIRA, D. D. Classification of multiple and singlepower quality disturbances using a decision tree-based approach. Journal ofControl, Automation and Electrical Systems, New York, v. 24, n. 5, p. 638-648, Oct. 2013.

BATELLO, C. Iridologia e irisdiagnose:o que os olhos podem revelar. SoPaulo: Ground, 1999. 267 p.

BORM, F. M. et al. Evaluation of the sensory and color quality of coffee beansstored in hermetic packaging. Journal of Stored ProductsResearch, Sapele, v.52, p. 1-6, Jan. 2013.

BRAGA, A. P.; CARVALHO, A. C. P. L. F.; LUDERMIR, T. B. Redesneurais artificiais: teoria e aplicaes. 2. ed. Rio de Janeiro: LTC, 2014. 248 p.

BRASIL. Ministrio da Agricultura, Pecuria e Abastecimento. Instruonormativa n 8, de junho de 2003. Aprova o regulamento tcnico da identidadee de qualidade para a classificao do caf beneficiado gro cru. Braslia, 2003.Disponvel em: . Acesso em: 25 set. 2014.

BROSNAN, T.; SUN, D. W. Improving quality inspection of food products bycomputer vision: a review. Journal of Food Engineering, Essex, v. 61, n. 1, p.3-16, Jan. 2004.

COMPANHIA NACIONAL DE ABASTECIMENTO. Acompanhamento dasafra brasileira de caf, safra 2015, primeiro levantamento, janeiro/2015.Disponvel em: . Acesso em: 4 jan. 2015.

COPPIN, B. Inteligncia artificial. Rio de Janeiro: LTC, 2012. 636 p.


54/105

53

CORADI, P. C.; BORM, F. M.; OLIVEIRA, J. A. Qualidade do caf natural edespolpado aps diferentes tipos de secagem e armazenamento. RevistaBrasileira de Engenharia Agrcola e Ambiental, Campina Grande, v. 12, n. 2,p. 181-188, 2008.

CORRA, P. C.; AFONSO JUNIOR, P. C.; PINTO, F. A. C. Efeito datemperatura de secagem na cor dos gros de caf pr-processado por via secae via mida. Revista Brasileira de Armazenamento, Viosa, MG, n. 5, p.22-27, 2002. Edio especial caf.

CORRA, P. C. et al. Qualidade dos gros de caf (Coffea arbicaL.) durante oarmazenamento em condies diversas. Revista Brasileira de

Armazenamento, Viosa, MG, n. 7, p. 137-147, 2003. Especial caf.

COSTA, C. et al. Shape analysis of agricultural products: a review of recentresearch advances and potential application to computer vision. Food andBioprocess Technology, Chicago, v. 4, p. 673-692, 2011.

DU, C. J.; SUN, D. W. Comparison of three methods for classification of pizzatopping using different colour space transformations. Journal of FoodEngineering,Essex, v. 68, n. 5, p. 277-287, July 2005.

DU, C. J.; SUN, D. W. Learning techniques used in computer vision for foodquality evaluation: a review. Journal of Food Engineering, Essex, v. 72, n. 1,p. 39-55, Jan. 2006.

FAIRCHILD, M. D. Color appearance models. 2nded. London: J. Wiley, 2005.417 p.

FAUSETT, L. Fundamentals of neural networks: architectures, algorithmsand applications. New Jersey: Prentice-Hall International, 1994. 461 p.

FERNANDES, A. M. R. Inteligncia artificial: noes gerais. 3. ed.Florianpolis: VisualBooks, 2005. 160 p.


55/105

54

FERNANDEZ-VAZQUEZ, R. et al. Visual and instrumental evaluation oforange juice color: a consumers preference study. Journal of Sensory Studies,Westport, v. 26, n. 6, p. 436-444, Dec. 2011.

FERREIRA, V. L. P. Princpios e aplicaes da colorimetria em alimentos .Campinas: Instituto de Tecnologia de Alimentos, 1981. 86 p. (InstruesTcnicas, 19).

FIGUEIREDO, L. P. et al. Avaliao das caractersticas fsicas dos gros de caf(Coffea arbica L.) submetidos a diferentes tempos de fermentao natural. In:SIMPSIO DE PESQUISA DOS CAFS DO BRASIL, 6., 2009, Vitria.Anais...Braslia: EMBRAPA Caf, 2009. 1 CD-ROM.

FORSYTH, D.; PONCE, J. Computer vision: a modern approach. New Jersey:Prentice Hall, 2003. 792 p.

GARRUTI, R. S.; GOMES, A. G. Influncia do estado de maturao sobre aqualidade da bebida do caf na regio do Vale do Paraba. Bragantia,Campinas, v. 20, p. 989-995, 1961.

GOMES, J.; VELHO, L. Computao grfica:imagem. Rio de Janeiro:Instituto de Matemtica Pura e Aplicada, 1994. 421 p.

GOMES, J. F. S.; LETA, F. R. Applications of computer vision techniques inthe agriculture and food industry: a review. European Food Research andTechnology,Berlin, v. 235, n. 6, p. 989-1000, 2012.

HARDEBERG, J. Y. et al. Color science, systems and applications. In: COLORIMAGING CONFERENCE, 4., 1996, Scottsdale. ProceedingsScottsdale:DBLP, 1996. p. 108-113.

HAYKIN, S. S. Neural networks and learning machines. 3

rd

ed. Rio deJaneiro: Prentice Hall, 2009. 936 p.


56/105

55

HECKERMAN, D. Bayesian networks for knowledge discovery. Cambridge:MIT, 1996. 305 p.

HUNT, R. W. G. Measuring colour. London: Fountain, 1998. 492 p.

HUNT, R. W. G. The reproduction of colour. 5thed. London: Fountain, 1995.724 p.

ILIE, A.; WELCH, G. Ensuring color consistency across multiple cmeras. In:IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION, 20.,2005, Beijing. Proceedings Beijing: IEEE, 2005. v. 2, p. 17-20.

KAYS, S. J. Preharvest factors affecting appearance. PostharvestBiology andTechnology, Amsterdam, v. 15, n. 3, p. 233-247, Mar. 1999.

LARRAIN, R. E.; SCHAEFER, D. M.; REED, J. D. Use of digital ima

Documents

DISSERTAÇÃO_Sistema de Visão Computacional Para Avaliação Física de Cafés (Coffea Arabica L.) de Diferentes Colorações