Estimativa do estágio de maturação, volume e massa do mamão (Carica papaya L.) por meio de processamento de imagens para classificação automatizada

Abstract

A visão artificial por meio de metodologias computacionais pode ser utilizada para classificar as frutas com eficiência e segurança durante a pós-colheita. O Brasil é um dos principais produtores de mamão (Carica papaya L.), sendo que a classificação desta fruta durante a póscolheita é feita principalmente por triagem manual. Este estudo teve como objetivo desenvolver uma metodologia computacional, não destrutiva por meio de análise de imagens para classificar o mamão (Carica papaya L.) com base no seu estado de maturação tendo em conta a cor da pele, volume e massa. Primeiramente, os mamões foram classificados visualmente de acordo com a cor da pele, o volume e a massa foram determinados experimentalmente. Na sequência, as imagens dos mamões foram adquiridas utilizando uma câmera digital para posterior processamento. Os mamões foram classificados de acordo com o estado de maturação, volume e massa, utilizando metodologias computacionais, nas quais inicialmente foi realizada a conversão do espaço de cor RGB para HSV e CIElab, a fim de identificar a fruta na imagem e fazer estimativas das diferentes parâmetros. Os resultados obtidos experimentalmente foram comparados com os obtidos computacionalmente. A predição do estágio de maturação teve uma estimativa global de 95% em relação aos dados experimentais. Paralelamente, o volume e a massa estimadas não diferiram estatisticamente dos valores experimentais, no entanto, a classificação baseada no tamanho (pequeno, médio e grande) apresentou uma melhor estimativa com os valores de volume estimados (C (%) = 90,5) em relação à estimativa global da massa (C (%) = 77,9) calculada a partir da densidade média. E por fim, foi possível melhorar a estimativa do cálculo da massa através do uso de regressões lineares. Através da relação linear da densidade com a altura e volume estimado, foi possível melhorar a estimativa global de classificação de 77,9% para 81,6% e 85,2%, respectivamente. A partir dos resultados obtidos pode-se concluir que o código computacional poder ser utilizado para classificar mamões com diferentes graus de maturação e tamanhos durante a pós-colheita. Além disso, está pesquisa reporta pela primeira vez informações sobre a classificação do mamão em relação ao volume e massa utilizando uma metodologia de visão computacional para controle da pós-colheita.

Abstract: Artificial vision through computational methodologies can be used to classify the fruits efficiently and safely during post-harvest. Brazil is one of the main producers of papaya (Carica papaya L.) and the classification of this fruit during post-harvest is mainly done by manual sorting. This study aimed to develop a computational, non-destructive methodology through image analysis to classify papaya (Carica papaya L.) based on its state of maturation, taking into account skin color, volume and mass. First, papayas were visually classified according to skin color and volume and mass were determined experimentally. Subsequently, the papaya images were acquired using a digital camera for further processing. The papayas were classified according to the state of maturation, volume and mass, using computational methodologies, in which initially the conversion of the RGB color space to HSV and CIElab was performed, in order to identify the fruit in the image and make estimates of the different parameters. The results obtained experimentally were compared with those obtained computationally. The prediction of the maturation stage had an overall estimate of 95% in relation to the experimental data. In parallel, the estimated volume and mass did not differ statistically from the experimental values, however, the classification based on size (small, medium, and large) presented a better estimate with the estimated volume values (C (%) = 90.5) in relation to the global estimate of the mass (C (%) = 77.9) calculated from the average density.Finally, it was possible to improve the estimation of the mass calculation through the use of linear regressions. Through the linear relationship of density with estimated height and volume, it was possible to improve the global classification estimate from 77.9% to 81.6% and 85.2%, respectively. From the results obtained, it can be concluded that the computer code can be used to classify papayas with different degrees of maturation and sizes during post-harvest. In addition, this research reports for the first time information on papaya classification in relation to volume and mass using a computer vision methodology for post-harvest control.