A aplicação e as perspetivas da visão por computador na inspeção e classificação da qualidade dos frutos

A tradicional seleção manual de fruta está a ser substituída pela tecnologia de visão por computador, inaugurando uma revolução na eficiência da agricultura moderna.

Numa base de produção agrícola, educação e investigação na cidade de Zhongzhuang, condado de Yiyuan, província de Shandong, as caixas de maçãs de diferentes tons de verde, vermelho e tamanho são classificadas automaticamente por um dispositivo inteligente. Este dispositivo classifica e remove com precisão os frutos doentes e de qualidade inferior com base no tamanho, teor de açúcar e cor.

Este sistema de inspeção de fruta baseado na visão de máquina está gradualmente a mudar a prática tradicional dos fruticultores que dependem da experiência e do toque para determinar a classificação da fruta, tornando-se uma componente crucial da modernização agrícola.

1 Transformação Tecnológica na Inspecção da Qualidade da Fruta

A população global está a crescer exponencialmente a uma taxa anual de aproximadamente 1,09%, levando a um aumento da procura de alimentos e outras necessidades básicas. Neste contexto, a redução das perdas pós-colheita tornou-se um desafio fundamental no sector agrícola.

As frutas e os legumes são particularmente benéficos para os seres humanos, fornecendo uma variedade de vitaminas, minerais e antioxidantes. No entanto, a sua natureza perecível torna o manuseamento eficiente e adequado crucial para evitar a deterioração. A triagem e a classificação são as etapas mais críticas, difíceis e demoradas da cadeia pós-colheita.

Os métodos tradicionais de triagem manual são altamente suscetíveis a danos nos frutos e são apenas adequados para operações de pequena escala. Com o crescimento populacional e a escassez de recursos, a produção agrícola necessita urgentemente de tecnologias de inspeção de qualidade mais eficientes e precisas.

A tecnologia de visão por computador surgiu como resposta a esta necessidade. Utiliza os computadores para replicar a visão humana, substituindo a perceção do olho humano do mundo tridimensional objetivo. Este campo interdisciplinar, que abrange a inteligência artificial, a neurobiologia, a psicofísica, a ciência da computação, o processamento de imagens e o reconhecimento de padrões, oferece novas soluções para a inspeção da qualidade dos frutos.

A inspeção da qualidade dos frutos abrange principalmente a qualidade externa e interna. A inspeção de qualidade externa tradicional utiliza principalmente máquinas de classificação, que classificam os frutos com base em métricas como o tamanho e o peso. No entanto, este método não permite avaliar com precisão a cor, a textura e os defeitos da superfície.

Com o avanço da tecnologia de visão por computador, os sistemas baseados em visão por computador têm ganho uma atenção significativa para a avaliação e classificação da qualidade dos frutos. Estas tecnologias são eficientes, rápidas, consistentes, poupam tempo, são fiáveis ​​e económicas, permitindo o processamento de produtos à medida das necessidades do mercado. Uma vez desenvolvidas, requerem pouco ou nenhum conhecimento especializado e podem ser aplicadas à produção em grande escala.

2 Métodos Técnicos Essenciais da Visão por Computador

Os sistemas de inspeção de frutos por visão artificial consistem geralmente em dois subsistemas principais: um sistema de deteção de defeitos e um sistema de classificação mecânica. Em termos de arquitetura de hardware, o módulo de transporte e classificação utiliza uma correia transportadora motorizada para transportar os frutos, enquanto um braço robótico ligado a um servomotor classifica os frutos em compartimentos correspondentes com base nos resultados da inspeção.

O módulo de aquisição de imagem utiliza uma câmara a cores, acoplada a uma fonte de luz LED para eliminar sombras, para captar imagens RGB da fruta num ambiente fechado. Um microcontrolador coordena os resultados do processamento de imagem com movimentos mecânicos para obter um controlo em malha fechada.

As abordagens técnicas são categorizadas principalmente em algoritmos tradicionais de processamento de imagem e métodos de aprendizagem profunda.

As soluções de processamento de imagem pré-processam a imagem RGB num espaço de cor, como a escala de cinzentos ou o HSV, para otimizar a consistência da iluminação. Em seguida, é realizada a segmentação do limiar para extrair a área alvo. As operações morfológicas, como a dilatação e a erosão, são então utilizadas para remover ruídos e realçar contornos. Por fim, é calculada a percentagem da área defeituosa.

Por exemplo, na deteção de defeitos em maçãs, o sistema determina a janela de processamento da imagem, utiliza o operador de Sobel e Hilditch para refinar as arestas e identifica o ponto centroide para representar o diâmetro da fruta, detetando assim o tamanho e o aspeto geral. As soluções de aprendizagem profunda combinam conjuntos de dados públicos com imagens auto-recolhidas para construir uma biblioteca de treino e melhorar a generalização do modelo através de técnicas de aumento de dados, como rotação, inversão e desfocagem. As estruturas de rede convolucionais personalizadas podem ser concebidas para abordar as características de diferentes frutos.

Num estudo realizado na Universidade de Agricultura de Faisalabad, foram concebidas redes convolucionais personalizadas para mangas e tomates, respetivamente: o modelo de manga utilizou uma estrutura convolucional de 7 camadas, e o modelo de tomate utilizou uma estrutura convolucional de 5 camadas, ambas utilizando um classificador softmax para a saída.

Nos últimos anos, a série de algoritmos YOLO tornou-se uma nova opção para a deteção de fruta. Ao otimizar a estrutura da rede principal e introduzir um mecanismo de atenção dinâmica, o YOLOv8 consegue captar com maior precisão as alterações na textura da casca da fruta, as diferenças de cor e as características morfológicas, melhorando significativamente a precisão da identificação de áreas podres.

O mais recente YOLOv10 elimina até a necessidade de supressão não máxima (NMS), reduzindo a sobrecarga computacional e melhorando ainda mais a eficiência da deteção.

3 vantagens técnicas e avanços

Em comparação com a inspeção manual tradicional, os sistemas de visão artificial oferecem diversas vantagens técnicas. Em termos de eficiência de inspeção, uma máquina de quatro canais para citrinos pode processar 12 a 15 toneladas de fruta por hora, o equivalente a quase uma semana de trabalho para um operário no passado.

Em termos de precisão de inspeção, um modelo de aprendizagem profunda baseado em CNN apresenta uma taxa de precisão verificada de 95% para a deteção de defeitos em mangas e de 93,5% para o tomate. Em aplicações reais, o equipamento de rastreio inteligente apresenta uma taxa de precisão global de 97% para a deteção de defeitos superficiais e de 95% para a inspeção interna de qualidade.

O sistema de visão artificial possui capacidades de inspeção multiparamétrica, podendo avaliar simultaneamente vários parâmetros das características dos frutos, incluindo o tamanho, a forma, a cor e os defeitos na superfície.

Para detetar o tamanho, os investigadores transladam e rodam a fruta para obter imagens em diferentes ângulos, calculam o raio equatorial e a área da fruta e estimam o seu tamanho tratando a fruta como um elipsoide.

Para a deteção de cores, alguns frutos têm uma única cor distribuída uniformemente por toda a casca (cor primária), enquanto outros (como o pêssego, a maçã e o tomate) têm cores secundárias que podem servir como um bom indicador de maturação.

A deteção de defeitos superficiais é outra vantagem dos sistemas de visão por computador, que podem detetar manchas, danos e riscos superficiais em frutos. Por exemplo, a cor castanho-avermelhada das maçãs Golden Delicious pode ser detetada e classificada utilizando um algoritmo específico.

Os benefícios económicos são igualmente significativos. Após a implementação de equipamentos de triagem inteligentes, os custos de processamento para as empresas foram reduzidos significativamente, de 600 a 800 yuans por tonelada para 100 yuans por tonelada, uma redução de custos de mais de 80%. Isto não só melhora a eficiência da produção agrícola, como também traz benefícios económicos tangíveis para os fruticultores.

4 Casos de Aplicação Prática

A aplicação da visão por computador na inspeção de fruta tem-se mostrado eficaz em muitas das principais regiões produtoras de fruta da China. No distrito de Wuming, Nanning, Guangxi, uma importante região produtora de laranjas Wogan, os equipamentos inteligentes têm satisfeito com sucesso a necessidade de classificar as laranjas Wogan com base em defeitos externos.

Anteriormente, os fabricantes locais dependiam dos trabalhadores para classificar visualmente as laranjas Wogan, o que era ineficiente e incapaz de identificar lesões internas. Os equipamentos inteligentes conseguem distinguir entre "frutas com casca áspera", "frutas ulceradas" e "frutas em forma de sol", melhorando significativamente a padronização das laranjas Wogan e tornando a Wuming Wogan numa marca de frutas reconhecida a nível nacional.

Em relação à inspeção de maçãs, os investigadores desenvolveram um sistema específico para inspecionar e classificar as maçãs com base na sua qualidade exterior. O sistema capta primeiro três imagens cobrindo toda a superfície da maçã e depois extrai as características da superfície.

O formato da maçã é descrito utilizando o operador de Fourier, e é utilizada uma rede neural baseada no algoritmo L-M para classificar as maçãs por formato. A deteção de cor converte os valores RGB da imagem num padrão de histograma (HIS), gerando um histograma de cromaticidade. Um algoritmo de otimização por enxame de partículas é então utilizado para otimizar a rede neural para a classificação de cores.

Uma equipa de investigação da Universidade de Agricultura de Faisalabad desenvolveu sistemas de inspeção especializados, adaptados às características das mangas e dos tomates. As avaliações experimentais mostraram que o algoritmo de processamento de imagem alcançou precisões de deteção de defeitos de 89% e 92% para a manga e 95% para o tomate, respetivamente. Utilizando uma arquitetura de rede neural convolucional (CNN), a precisão da verificação para os dois frutos atingiu os 95% e os 94%.

Em aplicações comerciais, os dispositivos inteligentes têm sido utilizados para inspecionar e embalar mais de 20 variedades de frutas, incluindo maçãs, citrinos, laranjas, ameixas secas, tâmaras de inverno e ameixas. Estes dispositivos foram utilizados em quase 10 províncias, municípios e regiões autónomas, incluindo Yunnan, Guangxi, Hubei e Xinjiang, e, cumulativamente, inspecionaram e embalaram milhões de toneladas de fruta diversa.

5 Desafios e Tendências de Desenvolvimento Futuro

Embora a visão computacional tenha feito progressos significativos na inspeção de frutos, ainda enfrenta diversos desafios. As características complexas das superfícies dos frutos, como as variações de cor, as texturas diversas e os formatos irregulares, representam desafios para uma inspeção precisa.

A segmentação por limiar pode falhar facilmente quando o contraste entre a casca da fruta e o fundo é baixo ou quando a iluminação é irregular. Por exemplo, o gradiente amarelo-esverdeado na casca da manga pode ser erradamente identificado como um defeito, resultando numa elevada taxa de falsos positivos.

As diferenças entre as diferentes variedades de fruta também aumentam a dificuldade de inspeção, exigindo o desenvolvimento de soluções personalizadas para cada fruta.

As tendências de desenvolvimento futuro mostrarão as seguintes características: A convergência tecnológica levará a inspeção de frutos para a multimodalidade, combinando a deteção espectral, a deteção de raios X, a deteção eletrónica do nariz e a deteção de ressonância magnética nuclear para obter uma avaliação de qualidade mais abrangente.

As capacidades de deteção dinâmica serão uma direção fundamental. A futura tecnologia de inspeção da qualidade dos frutos evoluirá da deteção estática para a deteção dinâmica, exigindo mais estabilidade do hardware e precisão do software de processamento de imagem.

A integração incorporada tornará os sistemas mais leves, e os modelos leves baseados em computação de ponta tornar-se-ão um foco de investigação para satisfazer os requisitos de processamento em tempo real.

A tomada de decisões inteligentes continuará a melhorar, evoluindo da inspeção de qualidade única para a gestão abrangente da qualidade, integrando a análise de big data para prever a vida útil dos frutos e a procura do mercado. O setor de triagem de frutos passou por quatro fases de desenvolvimento: a Fase 1.0 focou-se no tamanho, a Fase 2.0 adicionou a classificação por peso, a Fase 3.0 deu maior ênfase à cor e a Fase 4.0 começou a explorar a deteção de defeitos externos e a qualidade interna.

Atualmente, as empresas chinesas atingiram um nível de mecanização comparável aos padrões globais na classificação de frutas e estão mesmo na vanguarda dos algoritmos de inteligência artificial.

Com o avanço contínuo da tecnologia, os sistemas de inspeção visual de frutos tornar-se-ão cada vez mais inteligentes e sofisticados. Novos algoritmos, como o YOLOv10, eliminaram a necessidade de NMS, reduzindo a sobrecarga computacional. No futuro, poderemos ver modelos ainda mais leves incorporados diretamente em smartphones ou dispositivos portáteis, permitindo aos consumidores realizar inspeções de qualidade de fruta a qualquer momento.

A aplicação de dispositivos inteligentes na área de produção de Wogan (Wugan), em Wuhan, demonstrou que a selecção inteligente de Wogan não só melhora a qualidade, como também alarga os canais de comercialização e conduz a um crescimento sustentado do rendimento dos agricultores. Esta "tendência tecnológica" está a mudar fundamentalmente a imagem da agricultura tradicional como "sem graça e sem refinamento", infundindo inovação e vitalidade à produção agrícola.