Tempo de leitura: 4 minutos

Depois da colheita, um sistema de alta velocidade determina a qualidade e o preço do trigo.

Depois da colheita, o trigo é armazenado antes de ser levado aos moinhos de farinha. Para determinar o preço do trigo, são analisadas algumas amostras para medir as suas propriedades de cocção, assim como a presença de substâncias tóxicas ou fungos e são comparadas com a variedade standard.

Atualmente existem diversos métodos para medir as características do trigo, tais como o nível de glúten e humidade, características que influenciam diretamente na cozedura. Estes procedimentos servem também para determinar a presença de substâncias tóxicas produzida pela presença de fungos. No entanto, o método padrão de analise dos componentes da amostra de trigo é realizado por especialistas de laboratório que classificam o trigo em diferentes classes.

Para conseguir essa classificação, primeiro é efectuada a peneira da amostra, para separar as partículas muito grandes e muito pequenas, para logo se realizar a análise do que sobra. Dado que a análise de uma amostra de 200g (aproximadamente 5.000 grãos) pode demorar de 30 a 40 minutos, resulta num processo lento e propenso ao erro.

Inspeção automatizada

Para superar esse desafio, os engenheiros da faculdade de Engenharia Industrial da Universidade Técnica de Ilmenau desenvolveram um sistema de visão artificial que analisa automaticamente, enquanto se estende de maneira significativa o tamanho da amostra e a obtenção de resultados mais rápidos e mais fiáveis.

O processo que é levado a cabo, contempla duas fases de análise do trigo, após a primeira fase de peneira, que determina a quantidade de grãos gordos, inteiros e outros materiais externos, como sementes de outras plantas e pedras, (conhecido como Besatz), e finalmente pelo critério “Aceite/Rejeição”, é determinado automaticamente o seu preço.

Contando o número de objetos pertencentes a diferentes classes como grãos perfeitos, quebrados, enrugados, sementes de outras plantas e palha, combinando esses dados e separando em categorias como grãos perfeitos, grãos defeituosos e pedras, o problema é menos complexo de resolver e é possível reduzir a margem de erro.

A análise de imagens é realizada mediante algoritmos que utilizam diferentes cores, texturas e características de forma como parâmetros de entrada. Exemplos de componentes captados por uma câmara CCD, mostram a grande variabilidade dos objetos, tamanho, forma e cor, (fig. 1). Uma vez que a variedade é tão grande, é necessária uma amostra de dados de um grande número de objetos representativos por classe, o que implica a necessidade de algoritmos de classificação com capacidade de classificar os objetos com grande generalização.

Para analisar rapidamente as amostras de trigo, estas são colocadas as num depósito, que posteriormente são guiadas mediante a uma esteira de transporte até a unidade de separação antes de serem analisadas pelo sistema de visão. Os grãos caem, por gravidade,  desde a esteira onde são capturadas imagens, utilizando uma câmara linear 3CCD CV-L107CL a cores do fabricante JAI, com interface CameraLink e uma óptica macro Carl Zeiss. Para iluminar o trigo que cai diante do campo de visão da câmara, foi utilizado 3 iluminações LED lineares (fig. 2).

Adicionalmente uma segunda câmara linear de 3CCD foi utilizada na posição oposta à primeira câmara, para verificar o lado oposto da amostra de trigo. Depois de capturado e classificado, as classes específicas são subdivididas com um selecionador pneumático para a pesagem. Desse modo todo o manuseamento e separação do trigo são automáticos.

Classificação por imagem

Uma vez capturada, as imagens são transferidas para o PC onde as amostras são classificadas. Em primeiro lugar é realizada uma segmentação da imagem para separar os objetos do fundo. Posteriormente, utiliza-se uma ferramenta de extração para determinar algumas características particulares de cada objeto.

Combinando as características de cor, forma e textura, é obtido um vetor de 198 características para cada objeto. Tanto a segmentação de imagens como a extração de características, é realizada com recurso ao software de visão Halcon da MVTec. Uma vez extraídas as características, a classificação da imagem é utilizada para determinar as características de cada objeto na amostra de trigo. Para treinar corretamente o classificador utilizado para analisar as amostras de trigo, é necessário um grande número de amostras examinadas manualmente de objetos pré-classificados. Para isso, o German Grain Mills e o Instituto Max Rubner colaboraram com a análise de amostras dos cultivos velhos e novos e geraram uma base de dados de objetos pré-classificados.

Usando uma máquina de suporte vetorial (SVM), obteve-se uma taxa de reconhecimento total de 94%, e taxas de reconhecimento individuais, que vão desde 69% a 99% para 23 classes de objetos de diferentes variedades de cereais como, o trigo e centeio sem defeitos, grão de trigo com diferentes impurezas, como trigo partido ou germinado e impurezas diversas, como sementes de outras ervas, pedras e outros contaminantes. As taxas de reconhecimento que vão de 81% a 99% foram conseguidas mediante a agregação das 23 subclasses nas correspondentes classes de trigo sem defeitos, centeio, grãos defeituosos e outras classes de Besatz como o trigo quebrado, enrugado e outras sementes.

Posto que a velocidade de processamento do sistema seja de 50g por minuto, o processo analítico automático proporciona extensos resultados depois de um curto período de tempo, e a composição da amostra de grãos analisados pode ser visualizada graficamente. Adicionalmente é possível determinar o peso total da amostra, o peso do trigo sem defeito e as estatísticas numéricas e gráficas da amostra analisada, armazenando os resultados obtidos numa base de dados.

Depois que o projeto inicial foi completado com êxito, um protótipo de desenho conceitual de um sistema autónomo (fig.3) foi desenvolvido por Design:lab-Weimar.

fonte: Peter Brückner, Katharina Anding, Martin Dambon, and Daniel Garten