Investigação e aplicação de tecnologia de inspeção de qualidade de frutos baseada em visão por computador.

A inspeção da qualidade dos frutos é um elo crucial na cadeia de produção da agricultura moderna, afetando diretamente o valor comercial e a competitividade dos frutos no mercado. Com o rápido desenvolvimento das tecnologias de visão computacional e inteligência artificial, a tecnologia de inspeção de frutos evoluiu da tradicional triagem manual para uma nova fase de processamento inteligente e automatizado. Este artigo revê sistematicamente o progresso da investigação e as perspetivas de aplicação da tecnologia de inspeção da qualidade dos frutos baseada em visão por computador.

1. Princípios técnicos e composição do sistema de inspeção visual de frutos

Um sistema de inspeção de frutos baseado em visão por computador adquire principalmente imagens digitais dos frutos através de equipamentos de aquisição de imagens. De seguida, são utilizados algoritmos de processamento de imagem ou modelos de aprendizagem profunda para analisar as imagens, extraindo parâmetros característicos como o tamanho, a forma, a cor e os defeitos na superfície da fruta, conseguindo, por fim, a classificação automatizada e a avaliação da qualidade das frutas.

Um sistema típico de classificação automatizada de frutos compreende dois subsistemas principais: um sistema de deteção de defeitos e um sistema de classificação mecânica. Em termos de arquitetura de hardware, o sistema é normalmente constituído por um tapete transportador, um módulo de aquisição de imagens, uma unidade de controlo e um atuador. O módulo de aquisição de imagens utiliza uma câmara CCD ou uma câmara USB em conjunto com uma fonte de luz LED para captar imagens RGB das frutas num ambiente fechado, eliminando sombras e interferências de luz exterior. O núcleo de controlo emprega um microcontrolador para coordenar os resultados do processamento de imagem com as ações mecânicas, conseguindo um controlo em malha fechada.

O algoritmo de processamento de imagem pré-processa a imagem RGB para a converter em escala de cinzentos, HSV e outros espaços de cor, de forma a otimizar a consistência da iluminação. Em seguida, extrai a região alvo através da segmentação por limiar, combina operações morfológicas como a dilatação e a erosão para redução de ruído e melhoramento de contornos e, por fim, calcula a proporção de áreas defeituosas. Por exemplo, quando a proporção de defeitos é superior a 5%, a fruta pode ser classificada como de qualidade inferior.

2. Comparação entre as técnicas tradicionais de processamento de imagem e as técnicas de aprendizagem profunda

A tecnologia de inspeção visual de frutos desenvolve-se principalmente em duas vertentes: uma baseada nos métodos tradicionais de processamento de imagem e a outra baseada em métodos de aprendizagem profunda.

A tecnologia tradicional de processamento de imagem utiliza principalmente a extração de características de cor e textura, combinada com algoritmos de aprendizagem automática, para detetar a qualidade da fruta. Shao Yu et al. propuseram um método de deteção de doenças em folhas de macieira baseado na tecnologia de processamento de imagem. Utilizaram os algoritmos GrabCut e de segmentação de imagens por bacias hidrográficas para remover o fundo, extraíram as características da doença foliar através do algoritmo de projeção de preservação local discriminativa e, por fim, detetaram a doença utilizando um classificador K-vizinhos mais próximos, conseguindo uma taxa de acerto de 91,84%. Na sua investigação sobre a deteção da doença da mancha negra nas jujubas, Sun Shipeng et al. analisaram e modelaram nove componentes de cor das imagens nos espaços de cor RGB, HSB e Lab, obtendo uma precisão de deteção da doença de 94,2%.

Os métodos tradicionais apresentam vantagens devido à sua transparência algorítmica, baixa complexidade computacional e baixos requisitos de hardware. No entanto, o seu desempenho na deteção é bastante afetado pelas condições de iluminação; a segmentação por limiar é propensa a falhas quando o contraste entre a cor da casca da fruta e o fundo é baixo ou a iluminação é irregular. Por exemplo, a área com gradiente amarelo-esverdeado na casca da manga é facilmente classificada erradamente como um defeito, resultando numa elevada taxa de falsos positivos.

As tecnologias de aprendizagem profunda, especialmente as Redes Neurais Convolucionais (CNNs) e os algoritmos YOLO, melhoram significativamente a precisão e a robustez da deteção de frutos, extraindo automaticamente as características através da aprendizagem de ponta a ponta. Num estudo realizado na Universidade Agrícola de Faisalabad, a precisão de validação do modelo de CNN para deteção de defeitos em mangas e tomate atingiu 95% e 93,5%, respetivamente, valores significativamente superiores aos 89% e 92% obtidos pelos métodos tradicionais de processamento de imagem.

Os modelos de aprendizagem profunda demonstram uma maior adaptabilidade em ambientes complexos, lidando eficazmente com desafios como a posição da fruta, a oclusão e as mudanças de fundo. Por exemplo, o YOLOv8, ao otimizar a estrutura da sua rede principal e introduzir um mecanismo de atenção dinâmica, consegue captar com maior precisão as alterações na textura da casca do fruto, as diferenças de cor e as características morfológicas, melhorando significativamente a precisão na identificação de áreas deterioradas.

3. Principais indicadores de avaliação para a inspeção da qualidade dos frutos

A inspeção da qualidade dos frutos baseada em visão por computador gira principalmente em torno da qualidade da aparência, incluindo quatro parâmetros principais: tamanho, forma, cor e defeitos na superfície.

As características de tamanho e forma são a base fundamental para a classificação dos frutos. O tamanho da fruta é geralmente quantificado por indicadores como o diâmetro transversal, o diâmetro longitudinal e o volume. As características de forma podem ser descritas por características geométricas como a circularidade, a retangularidade e a excentricidade. A fórmula para a circularidade é 4π × área / perímetro², refletindo o grau em que a fruta se aproxima de um círculo; a retangularidade é a relação entre a área e a área do retângulo mais pequeno que a delimita. Estas características geométricas apresentam uma boa capacidade de distinção para frutas que se aproximam de um círculo, como as maçãs e as laranjas.

As características de cor são indicadores importantes para avaliar o amadurecimento e a qualidade dos frutos. Nos sistemas de visão por computador, a cor dos frutos é geralmente representada utilizando espaços de cor como RGB, HSV e Lab. O espaço de cor HSV separa a informação de cor da informação de brilho, o que está mais de acordo com as características da perceção visual humana. As características de cor podem ser quantificadas através de características estatísticas de tonalidade, saturação e luminosidade, como a média e o desvio padrão. Por exemplo, as bananas mudam gradualmente de verde para amarelo durante o amadurecimento, tornando-se eventualmente num amarelo escuro com manchas castanhas. Esta mudança pode ser identificada com precisão analisando a distribuição de matiz no espaço de cor HSV.

A deteção de defeitos superficiais é uma etapa crucial no controlo de qualidade dos frutos. Estes defeitos incluem diversos tipos, como doenças, infestações por insetos e contusões, que afetam diretamente o valor comercial do fruto. Os métodos baseados em aprendizagem profunda apresentam um excelente desempenho nesta área; por exemplo, o modelo YOLOv8-timm consegue uma precisão de 95,3% (mAP@0,5) na identificação de frutos bons/maus de diversos tipos, com uma velocidade de deteção em tempo real de 42 FPS.

4. Cenários de Aplicação e Análise Prática

A tecnologia de visão por computador tem uma vasta gama de aplicações na inspeção da qualidade dos frutos, abrangendo toda a cadeia de produção, desde a produção agrícola até ao consumo no retalho.

Na produção e colheita agrícola, podem ser implantados câmaras ou drones nos campos para monitorizar a maturação de frutas e legumes em tempo real, utilizando o modelo YOLO, ajudando os agricultores a determinar o momento ideal da colheita. Os sistemas de visão integrados em robôs de colheita inteligentes podem identificar a localização, o grau de maturação e a aderência dos frutos, controlando o braço robótico para realizar uma colheita precisa e resolvendo os problemas de "colher frutos verdes" e "não colher frutos maduros".

No processamento e classificação pós-colheita, os sistemas de triagem automatizados podem melhorar significativamente a eficiência. A investigação mostra que os sistemas automatizados baseados em visão por computador são 10 a 20 vezes mais eficientes do que a inspeção manual tradicional, com uma taxa de precisão (mAP) superior a 90% e uma redução de 60% nos custos de mão-de-obra. A investigação de Yuan Jinli sobre um sistema de inspeção e classificação da qualidade exterior das maçãs permite uma classificação rápida através da recolha de múltiplas imagens que cobrem toda a superfície da maçã e da integração de quatro parâmetros: forma, tamanho, cor e defeitos superficiais.

Nos setores do retalho e da alimentação, as prateleiras inteligentes utilizam câmaras para monitorizar o tipo e a frescura das frutas e legumes em tempo real e atualizar automaticamente as etiquetas de preço; os caixas de self-service utilizam tecnologia de reconhecimento de frutas, permitindo aos utilizadores identificar rapidamente as categorias de produtos através da digitalização de códigos ou tirando fotografias, com um tempo de reconhecimento de produtos inferior a 0,5 segundos. Estas aplicações melhoram significativamente a eficiência operacional e reduzem o desperdício alimentar.

5. Desafios Tecnológicos e Tendências de Desenvolvimento

Apesar dos avanços significativos na inspeção de frutos através de visão por computador, persistem diversos desafios tecnológicos. A capacidade de generalização do modelo é uma questão central, e a sua adaptabilidade a diferentes ambientes e variedades necessita de ser melhorada. A aprendizagem com poucos exemplos (few-shot learning) é outro desafio; para variedades de frutos raros, métodos de deteção com poucos exemplos precisam de ser desenvolvidos. Além disso, os requisitos de tempo real são particularmente rigorosos em cenários industriais, o que exige uma otimização ainda maior da eficiência computacional do modelo.

O futuro da tecnologia de inspeção visual de frutos desenvolver-se-á em múltiplas direções. A fusão de informação multimodal é uma tendência importante, combinando tecnologias de imagem espectral e térmica para alcançar a deteção não destrutiva da qualidade interna dos frutos. Por exemplo, a espectroscopia de reflectância pode ser utilizada para detetar doenças na superfície de frutos e folhas, enquanto a espectroscopia de transmissão pode detetar doenças internas.

O design de modelos leves é outra tendência, adequada para cenários de computação de bordo. Os modelos leves melhorados, como o YOLOv5n, conseguem uma taxa de deteção de 23 FPS e uma precisão média de 89% na plataforma TI Sitara, cumprindo os requisitos de tempo real dos sistemas autónomos de venda de fruta.

A expansão de aplicações entre domínios também impulsionará o desenvolvimento tecnológico. Estendendo-se da inspeção de frutos à monitorização da qualidade dos produtos agrícolas e ao controlo de qualidade do processamento de alimentos, a tecnologia de visão por computador tem amplas perspetivas de aplicação. Com a otimização do algoritmo e a redução dos custos de hardware, os sistemas inteligentes de inspeção de fruta continuarão a desenvolver-se no sentido de uma adoção generalizada e de uma maior inteligência.

Conclusão

A tecnologia de inspeção da qualidade da fruta baseada em visão por computador tornou-se uma componente importante da agricultura inteligente, impulsionando a modernização inteligente da cadeia de produção da fruta. Da análise de imagens tradicional à aprendizagem profunda, a evolução tecnológica melhorou significativamente a precisão e a eficiência da inspeção. Com a maturidade de tecnologias como a fusão multimodal e a computação de bordo, a inspeção visual dos frutos desempenhará um papel ainda mais importante na agricultura de precisão e na gestão da cadeia de abastecimento alimentar, fornecendo um forte suporte técnico para a redução das perdas pós-colheita e a melhoria da qualidade dos frutos.