1. 1
Uso de Imagem Digital para Seleção e Classificação
de Frutas e Hortaliças
Juliana Sanches
Antônio Carlos Loureiro Lino
Instituto Agronômico, Centro Avançado de Pesquisa Tecnológica do Agronegócio de Engenharia e Automação,
jsanches@iac.sp.gov.br; lino@iac.sp.gov.br
O Brasil é um dos três maiores produtores de frutas do mundo, ficando
somente atrás da China e Índia, representando cerca de 5% da produção mundial.
Sua produção superou 40 milhões de toneladas em 2008, sendo que o mercado de
frutas frescas detém cerca de 47% do total produzido. Segundo o Instituto Brasileiro
de Frutas (Ibraf), a fruticultura brasileira tem potencial para aumentar em mais 28
milhões de toneladas em exportações (Agência Sebrae, 2009). Em relação às
hortaliças, nos últimos dez anos a produção de hortaliças no país aumentou mais de
30% e a produtividade 38% (Melo, 2008). Em 2006, a produção total de hortaliças foi
de 17.000 mil toneladas, gerando cerca de R$ 11.000 milhões, sendo que tomate,
batata, melancia, cebola, cenoura e batata-doce respondem por 64% do total
produzido (IBGE, 2009; Melo, 2008).
Apesar do número crescente em produção de frutas e hortaliças, cerca de 20
a 30% não chega até a mesa do consumidor o que intimamente está associada à
falta de tecnologia apropriada. Estas perdas ocorrem em toda a cadeia produtiva,
porém, é na pós-colheita que se concentram os maiores prejuízos e são devidos,
principalmente à embalagem, manuseio, transporte inadequados, técnicas de
conservação incipientes e falta de seleção e padronização.
Atualmente, a produção de frutas e hortaliças exige alta qualidade e isto se
deve às mudanças culturais nos hábitos alimentares dos consumidores. A qualidade

2. 2
vegetal frequentemente se refere ao tamanho, forma, massa, firmeza, cor e danos,
no qual podem ser classificados e ordenados.
A seleção e classificação de frutas e hortaliças merecem atenção, pois apesar
de ser tradicionalmente um trabalho de natureza manual, o mercado brasileiro está
buscando a profissionalização da comercialização. A crescente demanda por frutos
classificados pela qualidade e a falta de consistência no processo baseado na
decisão humana resulta numa procura pela automatização na pós-colheita. Para
satisfazer as exigências de qualidade do mercado, sistemas de classificação e
caracterização objetiva não-destrutivos estão sendo desenvolvidos através do uso
de sensores e dispositivos eletrônicos. Uma das técnicas que tem sido estudada na
área agrícola é a visão de máquina, cujo escopo é promover a objetividade da
classificação dos produtos (Brosnan e Sun, 2004).
Os sistemas de visão de máquina são auto-calibráveis, imunes a aspectos
intrínsecos à natureza humana como estresse, emoções, fadiga e julgamentos
subjetivos. Estes sistemas contribuem para a melhoria contínua da produção e o
aumento da produtividade dada a sua adaptabilidade e capacidade de redução de
erros decorrentes da monotonia e da subjetividade em tarefas executadas por
humanos (Ramalho, 2003).
Para a aquisição de imagens, um sistema de visão de máquina geralmente
consiste de cinco componentes básicos: iluminação, câmera, placa de captura de
imagem (digitalizador), dispositivos computacionais de hardware e programas
computacionais (Wang e Sun, 2002). Assim, a visão de máquina é reconhecida
como o uso integrado de dispositivos de sensoriamento ótico, sem contato direto
com o objeto de estudo, pois realizam procedimentos para receber e interpretar uma
imagem de uma cena real automaticamente (Sonka, et al., 1999).
Porém, a implementação tecnológica neste setor se torna inviável devido ao
alto custo de softwares, equipamentos, além dos custos operacionais. Baseado

3. 3
nestas considerações, a proposta do programa “USO DE IMAGEM DIGITAL PARA
SELEÇÃO E CLASSIFICAÇÃO DE FRUTAS E HORTALIÇAS”, desenvolvido no
IAC, é estudar a adaptação de softwares com código-fonte aberto para habilitar o
sistema de seleção e classificação, através do reconhecimento da forma, tamanho,
volume, cor e danos mecânicos e/ou fisiológicos. Além disso, é uma das prioridades
do programa que as metodologias que estão em desenvolvimento sejam baixo
custo.
O projeto intitulado “Utilização da técnica de processamento de imagens para
seleção e classificação de morangos” faz parte deste programa com resultados
promissores quanto a seleção de morangos quanto ao tamanho e formato. O
estudante de Engenharia Agrícola da Unicamp, Danilo Carlos Silva conseguiu bolsa
PIBIC/CNPq para o desenvolvimento deste projeto, sob a orientação da PqC Juliana
Sanches, e foi agraciado com o prêmio “Maria Beatriz Perecin”, pelo melhor trabalho
do IAC apresentado no 3° CIIC.
Para o desenvolvimento do projeto, utilizou-se basicamente de um
computador, uma câmera fotográfica e o software livre chamado ImageJ para o
processamento e análise de imagens. Este software, de domínio público, é baseado
na linguagem Java, que exibe, edita, processa e permite analisar imagens de 8, 16 e
32 bits. Além de conseguir calcular os valores de áreas e do pixel selecionado pelo
usuário, é capaz também de medir distâncias e ângulos, criar gráficos estatísticos,
realizar transações geométricas tais como escala, rotação, translações, calibrar
escalas para definir dimensões das medidas reais, calibrar escalas em tons de
cinza, realizar cálculos de threshold para definir segmentos dos objetos e analisar
partículas predeterminadas. Projetado com uma arquitetura aberta, possibilita a
inclusão de novos plugins, agregando maior flexibilidade ao programa e permitindo
programar diversas funções de processamento, tais como operações aritméticas e
lógicas entre imagens, manipulação de contraste, análise de Fourier,
reconhecimento de margem e filtros medianos. (Junior e Pedrini, 2005).

4. 4
Os morangos foram fotografados após o acondicionamento dos mesmos em
bandeja com revestimento em tecido preto, para melhor contraste dos frutos com o
fundo e, para se corrigir os tamanhos, foi colocado um retângulo de papel de 5x5
cm, como referência (Figura 1).
Figura 1. Imagem de uma caixa de morangos
Através do desenvolvimento de algoritmos, aplicou-se o tratamento de
imagens nos morangos captados, processando-os de maneira que a sua forma se
tornasse evidente (Figura 2), e permitindo o reconhecimento individual de cada fruto,
possibilitando a determinação de suas dimensões.

5. 5
Figura 2. Imagem tratada para a realização das medições.
Para a determinação do formato realizou-se uma metodologia aonde o
sistema localizou o maior comprimento da fruta e, a partir disso, encontraram-se
parâmetros e constantes, onde se conseguiu determinar a largura e o ângulo de
cada morango analisado (Figura 3). Para a classificação, selecionou-se, de forma
visual, os morangos padrões, levando-se em consideração o formato de “coração”.
Uma vez escolhido o formato “padrão”, realizou-se algoritmos para filtrar a seleção,
onde comparou-se os dados fornecidos do primeiro algoritmo com o máximo e
mínimo das medidas dos padrões, tornando-se possível a separação e classificação
dos morangos em duas categorias (aceitos ou recusados).
Figura 3. Medidas encontradas através de algoritmos.

6. 6
Bibliografia consultada
AGÊNCIA SEBRAE. 2009. Brasil é o terceiro maior produtor de frutas do
mundo. Disponível em
http://www.canalrural.com.br/canalrural/jsp/default.jsp?uf=1&local=1&action=noticias
&id=2535814&section=noticias. Acessado em 12 de agosto de 2009.
BROSNAN, T.; SUN, D.W. 2004. Improving quality inspection of food products by
computer vision - a review. Journal of Food Engineering. 61: 3-16.
IBGE. Sistema IBGE de recuperação automática. 2006. Sidra 2006. Disponível em:
http//www.sidra.ibge.gov.br. Acessado em 01 abr 2009.
JUNIOR, T.C., PEDRINI, J.E. 2005. Utilização do software imagej para cálculo de
área. In: Congresso Brasileiro de Agroinformática, 5. Anais... Londrina: SIB-AGRO.
p. cd-rom.
O comprimento e largura dos frutos foram gerados pelo software e
comparados com as medições efetuadas por meio de paquímetro, obtendo-se altos
fatores de correlação.
Através dos resultados gerados neste projeto, é possível concluir que a
técnica óptica pode ser uma saída para problemas relacionados a seleção de frutas
e hortaliças, fornecendo maior agilidade e confiabilidade devido a sua precisão na
seleção, além de baixo custo para a sua implantação.
Estudos estão avançando para a adaptação desta metodologia para outras
frutas e hortaliças, principalmente as de maior expressão para exportação, além de
futura confecção de mesas classificadoras usando-se as metodologias de seleção
propostas.

7. 7
MELO, P.C.T. de. 2008. Panorama atual da cadeia brasileira de produção de
hortaliças. In: CONGRESSO BRASILEIRO DE FRUTICULTURA, 20. Palestras...
Vitória: ENCAPER. p.cd-rom.
RAMALHO, G.L.B. 2003. Descrição de um Sistema Experimental de Visão
Artificial Aplicado à Inspeção Automática de Frutas na Pós-Colheita. 103p.
Monografia (Especialização em Automação Industrial). Fortaleza: Universidade
Estadual do Ceará.
SONKA, M.; HLAVAC, BOYLE, R. 1999. Image Processing, Analysis and Machine
Vision. Pacific Grove: Brooks/Cole Publishing Company, 2nd ed., 770p.
WANG, H.H.; SUN, D.W. 2002. Correlation between cheese meltability determined
wtih a computer vision method and with Arnott and Schreiber. Journal of Food
Science. 7:745-749.