Automação de baixo custo na colorimetria de frutas / Low-cost automation in fruit colorimetry
DOI:
https://doi.org/10.34115/basrv6n4-002Keywords:
arduino, sensor TCS34725, programa imagej.Abstract
As frutas distinguem-se por diversos atributos quantitativos e qualitativos. Dentre os quantitativos têm-se o tamanho e o peso, bem como nos qualitativos destacam-se a forma, a cor, o grau de maturação e o aspecto visual. O tema tratado motivou a implementação da presente pesquisa, que teve como objetivo desenvolver um sistema automatizado de baixo custo para realizar análises colorimétricas de frutas. No estudo foram selecionadas duas variedades de bananas (Musa sapientum), sendo 15 da Nanica e 20 da Prata. O sensor de cor RGB TCS34725 foi ligado ao microcontrolador ARDUINO. Diariamente, as bananas foram fotografadas com a finalidade de realizar a análise colorimétrica com o programa ImageJ, o qual foi utilizado como referência. Conforme os parâmetros colorimétricos obtidos, por ambos os métodos, foram estimadas as principais estatísticas descritivas e elaborados diversos diagramas de caixa para representar a variação da cor na casca das bananas, durante os cinco dias de experimentos. A equivalência entre ambos os métodos foi verificada pela análise de correlação. Os valores dos níveis de cinza fornecidos pelos dois métodos foram comparados, aplicando-se o teste t-Student. Esses procedimentos foram realizados com auxílio do Programa R. Com base nos resultados desta pesquisa concluiu-se que, dispositivos formados por componentes eletrônicos de baixo custo, como o sensor de cores e o microcontrolador Arduino, possibilitaram qualificar as alterações colorimétricas das frutas ao longo do processo de amadurecimento em condições naturais para auxiliar na sua classificação. Este trabalho pode servir como ferramenta útil e viável para reduzir as perdas ocorridas durante a comercialização de frutas.
References
AHMAD, S.; THOMPSON, A.K.; HAFIZ, I. A.; ASI, A. A. Effect of temperature on the ripening behavior and quality of banana fruit. International Journal of Agriculture & Biology, v. 3, n. 2, p. 224-227, 2001. Disponível em:
http://www.fspublishers.org/published_papers/87164_..pdf
BARBOSA, T. S.; MATSUMOTO, M. M. S.; SPIN-NETO, R.; MACHADO, R. Realce de imagens TCFC do tipo DICOM usando o software MATLAB. In: XXXVIII SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES E PROCESSAMENTO DE SINAIS - SBrT 2020, 22–25 DE NOVEMBRO DE 2020, Florianópolis, SC, Brasil.
BORGES, P. H. M.; MORAIS, P. H. M.; MENDOZA, Z. M. S. H.; REIS, G. A. Uso da colorimetria para o manejo de ervas daninhas em culturas agrícolas. ENCICLOPÉDIA BIOSFERA, Centro Científico Conhecer, v.17 n.32; p. 500-509, 2020.
DOI: https://doi.org/10.18677/EnciBio_2020B46
BORGES, P. H. M.; MENDOZA, Z. M. S. H.; MORAIS, P. H. M. Área foliar da mangueira mediante programa computacional e modelos estatísticos. Brazilian Journal of Development, Curitiba, v.7, n.12, p. 113936-113955, 2021.
DOI: https://doi.org/10.34117/bjdv7n12-259
CEAGESP, PBMH & PIF – Programa Brasileiro para a Modernização da Horticultura & Produção Integrada de Frutas, Normas de Classificação de Banana, São Paulo, (Documento 29), 2006.
CHITARRA, M. I. F.; CHITARRA, A. B. Pós-colheita de frutas e hortaliças: Fisiologia e Manuseio. Editora UFLA, 2005. 783p.
CHEN, C. R. E.; RAMASWAMY, H. S. Color and texture change kinetics in ripening bananas. Lebensmittel-Wissenschaft und -Technologie, v. 35, n. 5, p. 415–419, 2002.
DOI: https://doi.org/10.1006/fstl.2001.0875
CHOI, K.; LEE, G.; HAN, Y.J.; BUNN, J. M. Tomato maturity evaluation using color image analysis. Transactions of the American Society of Agricultural Engineers, v.38, n. 1, p. 171– 176, 1995.
DOI: https://doi.org/10.13031/2013.27827
DUARTE, R. F.; PROM-U-THAI, C.; AMARAL, D. C.; FAQUIN, V.; GUILHERME, L. R. G.; REIS, A. R.; ALVES, E. Determination of zinc in rice grains using DTZ staining and ImageJ software. Journal of Cereal Science, Amsterdã, v. 68, p. 53-58, 2016.
DOI: https://doi.org/10.1016/j.jcs.2015.11.006
FRANÇA, G. S.; MENDOZA, Z. M. S. H.; BORGES, P. H. M.; MATA, V. C.; SOUZA, E. S. C. Parâmetros colorimétricos no sistema CIELab para madeiras de florestas naturais. ENCICLOPÉDIA BIOSFERA, Centro Científico Conhecer. v. 16, n. 30, p. 434-443. 2019.
DOI: https://doi.org/10.18677/EnciBio_2019B43
GOMEZ, J.; BLASCO, J.; MOLTO, E. E.; CAMPS-VALLS, G. Hyperspectral detection of citrus damage with a Mahalanobis kernel classifier. Electronic Letters, v. 43, p. 1082–1084, 2007.
GOMEZ-SANCHIS, J.; MOLTO, E. E.; CAMPS-VALLS, G.; GOMEZ-CHOVA, L.; ALEIXOS, N. E.; BLASCO, J. Automatic correction of the effects of the light source on spherical objects. An application to the analysis of hyperspectral images of citrus fruits. Journal of Food Engineering, v. 85, p. 191–200, 2008.
DOI: https://doi.org/10.1016/j.jfoodeng.2007.06.036
GONZALEZ, R. C.; WOODS, R. E. Digital Images Processing. 3ª Edição. Editora Pearson, 1992. 976p.
KONDO, N.; AHMAD, U.; MONTA, M.; MURASE, H. Machine vision based quality evaluation of Iyokan orange fruit using neural networks. Computers and Electronics in Agriculture, v. 29, p. 135-147, 2000.
DOI: https://doi.org/10.1016/S0168-1699(00)00141-1
LEEMANS, V.; MAGEIN, H.; DESTAIN, M. F. Defects segmentation on ‘Golden Delicious’ apples by using color machine vision. Computers and Electronics in Agriculture, v. 20, n. 2., p. 117-130, 1998.
DOI: https://doi.org/10.1016/S0168-1699(98)00012-X
LI, Q.; WANG, M.; GU, W. Computer vision based system for apple surface defect detection. Computers and Electronics in Agriculture, v. 36, p. 215-223, 2002.
DOI: https://doi.org/10.1016/S0168-1699(02)00093-5
LOURO, A. H. F.; MENDONÇA, M. M.; GONZAGA, A. Classificação de tomates utilizando redes neurais artificiais. Anais... II WORKSHOP DE VISÃO COMPUTACIONAL, WVC2006, São Carlos, SP, 2006.
MARTIN, T. N.; MARCHESE, J. A.; SOUSA, A. K. F.; CURTI, G. L.; FOGOLARI, H.; CUNHA, V. S. Uso do software ImageJ na estimativa de área foliar para a cultura do feijão. Interciencia, Caracas, v. 38, n. 12, p. 843-848, 2013. Disponível em:
https://www.redalyc.org/articulo.oa?id=33929617004
MENDOZA, F. E.; AGUILERA, J. M. Application of image analysis for classification of ripening bananas. Journal of Food Science, v. 69, n. 9, p. 471–477, 2006.
DOI: https://doi.org/10.1111/j.1365-2621.2004.tb09932.x
OLIVEIRA, R. S. M. F.; OLIVEIRA, F. A. M.; PINHEIRO, H. S. Programando o software ImageJ para a seleção automática de áreas marcadas por imuno-histoquímica e coradas com o cromógeno DAB e contra-coradas pela hematoxilina. Revista Interdisciplinar de Estudos Experimentais, Juiz de Fora, v. 2, n. 3, p. 76 - 80, 2010.
Disponível em: https://periodicos.ufjf.br/index.php/riee/article/view/23948
PACHECO, E. F.; FURUIE, S. S. Processamento de estruturas tridimensionais de medicina nuclear na modalidade PET. Revista Brasileira de Engenharia Biomédica, Rio de Janeiro, v. 29, n. 1, p. 70-85, 2013. Disponível em:
https://www.scielo.br/j/rbeb/a/55RhWmGGSzvQ6s4mVgwGnpp/?lang=pt&format=pdf
PIMENTEL-GOMES, F. Curso de Estatística Experimental. 14ª Edição. Editora FEALQ, 2009. 480p.
RASBAND, W. Open-source software (OSS) projects. Image J documentation. Versão 1.51k para Java. 2017. Disponível em:
http://rsb.info.nih.gov/ij/docs/index.html
R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing. Versão R 3.6.3. for Windows. 29 de fevereiro 2020.
Disponível em: <http://www.R-project.org/>.
SILVA, A. L. M. M.; DUARTE, E. J.; SANTANA, L. A.; GUADAGNIN, R. V.; BRASIL, L. M.; NEVES, R. S. Acurácia e concordância entre medidas de área de úlceras por pressão aferidas pelos softwares AutoCad e ImageJ. Fisioterapia Brasil, Petrolina, v. 15, n. 4, p. 248-252, 2014. Disponível em:
https://www.portalatlanticaeditora.com.br/index.php/fisioterapiabrasil/article/view/349
SILVA, V. N.; DOTTO, L. Análise de imagens para avaliação do crescimento de plântulas de arroz. AGRARIAN ACADEMY, Centro Científico Conhecer, v. 4, n. 7, p. 37-48, 2017.
DOI: https://doi.org/10.18677/Agrarian_Academy_2017a4
SILVA, V. T.; MARTINS, D. R.; RESENDE, E. D. Avaliação da escala de cor da casca do mamão por análise de imagem. Anais... XXXI REUNIÃO ANUAL DA SOCIEDADE BRASILEIRA DE QUÍMICA, Vitória, ES, 2008.
http://sec.sbq.org.br/cdrom/31ra/resumos/T0742-1.pdf
SIMÕES, A. S.; COSTA, A. H. R. Classificação de laranjas baseada em padrões visuais. Anais... SIMPÓSIO BRASILEIRO DE AUTOMAÇÃO INTELIGENTE, p. 77-81, 2003.
SIRISATHITKUL, Y.; THUMPEN, N.; PUANGTONG, W. Automated Chokun Orange Maturity Sorting by Color Grading, Walailak Journal of Science and Technology, v. 3, p. 195-205, 2006. Disponível em:
https://www.thaiscience.info/journals/Article/WJST/10805887.pdf
TEZUKA, E. S.; HERRMANN JÚNIOR, P. S. P.; CRUVIEL, P. E. Desenvolvimento de um modelo de visão computacional para inferência da qualidade de frutas. Anais... XI Encontro de Modelagem Computacional, Volta Redonda, RJ, 2008. Disponível em:
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/87537/1/980001.pdf
UNAY, D. E.; GOSSELIN, B. Automatic defect segmentation of ‘Jonagold’ apples on multi-spectral images: a comparative study. Postharvest Biology and Technology, v. 42, p. 271– 279, 2006.
DOI: https://doi.org/10.1016/j.postharvbio.2006.06.010
WEBER, J. F.; SANTOS, A. L. F. Utilização do software ImageJ para avaliar área de lesão dermonecrótica. Revista de Saúde Digital e Técnologias Educacionais, Fortaleza, v. 4, n. 1, p. 120-130, 2019.
DOI: https://doi.org/10.36517/resdite.v4.n1.2019.a9
XIAO-BO, Z.; JIE-WEN, Z.; YANXIAO, L.; HOLMES, M. In-line detection of apple defects using three color cameras system. Computers and Electronics in Agriculture, v. 70, p. 129–134, 2010.
DOI: https://doi.org/10.1016/j.compag.2009.09.014
ZHENG, C.; SUN, D.; ZHENG, L. Recent developments and applications of image features for food quality evaluation and inspection – a review, Trends in Food Science and Technology, v. 17, p. 642-655, 2006.