Sistema de visão computacional para avaliação física de cafés (Coffea arabica L.) de diferentes colorações

Abstract

A cor do café varia em decorrência da espécie, condições de armazenamento e tipo de processamento. A avaliação da cor nos grãos de café é feita por inspeção visual por provadores treinados, método este subjetivo. Existe, assim, a demanda pelas empresas de comércio por metodologias rápidas e objetivas para avaliação da cor. O sistema de visão computacional surge como uma alternativa para verificação da cor em grãos de café, assim, objetiva-se com este trabalho a construção de um sistema de visão computacional para identificação das diferentes cores nos grãos de café. Para isso, foi realizada uma conversão do RGB de câmaras digitais, visto que são capazes de obter informações em pixels, nos parâmetros de cor L* a* e b* para cada pixel da imagem digital, obtendo assim uma informação mais geral da cor do grão de café. Para criação do sistema de visão computacional, foram utilizados: uma caixa metálica escura, câmera digital, sistema de iluminação e um software processador de imagens baseado em redes neurais. Na construção do modelo de transformação, foram usadas cartelas de cores e para o reconhecimento do padrão foram adquiridas amostras de cafés de diferentes colorações: esbranquiçadas, verde cana, verde e verde azulada. Cada classe de cor possuía 30 amostras contendo 50 g cada. Além disso, foi utilizado um sistema de classificação (classificador bayesiano) para separação das amostras em classes e verificação da eficiência do sistema criado. O modelo de transformação destacou-se com um erro de apenas 1,20 + 1,24 para treinamento e 1,15 + 1,1 para o teste. O sistema de classificação bayesiano foi eficiente para classificação das amostras utilizadas na validação dentro das classes. As amostras foram classificadas dentro das classes de cores, o que representa uma eficiência de 100%. Por meio dos resultados obtidos, verificou-se que as amostras esbranquiçadas apresentaram um elevado valor dos parâmetros L*, a* e b* o que representa uma aproximação ao branco, já as amostras verde cana e verde mostraram valores dos parâmetros intermediários, porém o parâmetro b* para a verde cana foi mais alto demonstrando um amarelamento da amostra. As amostras verdes obtiveram valores mais baixos de a* o que demonstra que esta está mais próxima da cor verde, no entanto as amostras verde azuladas apresentaram baixos valores de L*, a* e b* o que representa a aproximação as cores verde e azul. As amostras de diferentes cores foram eficientemente classificadas demonstrando a eficácia do sistema de visão computacional. O sistema implementado neste trabalho poderá futuramente ser expandido para cooperativas e empresas proporcionando uma maneira mais rápida e objetiva de avaliação da cor.The color of coffee varies due to species, storage conditions and type of processing. The evaluation of coffee bean color is done by visual inspection by trained panelists, a very subjective method. Thus, trading companies demand for rapid and objective methods for color evaluation. The computer vision system emerges as an alternative for verifying the color of coffee beans, therefore, this work aims at building a computer vision system for identifying the different colors in coffee beans. To do so, we performed a conversion of the RGB of digital cameras, given that they are capable of obtaining information in pixels in the color parameters L * a * b * for each pixel of the digital image, thus obtaining a more complete set of information on the coffee bean color. In order to create the computer vision system, we used: a dark metal box, digital camera, lighting system and an image processing software based on neural networks. For the construction of the transformation model, we used color cards and, for the pattern recognition, we acquired coffee samples in different colors: off-white, sugarcane green, green and blue-green. Each color class presented 30 samples containing 50g each. In addition, we used a classification system (Bayesian classifier) to separate the samples into classes and verify the efficiency of the created 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 system was efficient for classifying the samples used for validation within the classes. The samples were classified within the color classes, which represents an efficiency of 100%. With the results obtained, we verified that the off-white samples showed a high value of the L*, a* and b* parameters, which represents an approximation to white, while the sugarcane green and green samples showed intermediate parameter values; however the b* parameter for sugarcane green was higher, showing a certain yellowing of the sample. The green samples presented 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*, which represents the approximation to green and blue colors. The different color samples were efficiently classified, demonstrating the efficiency of the computer vision system. The system implemented in this work can be expanded to cooperatives and companies in the near future, providing a faster and more objective way to evaluate color.