Análise discriminante paramétrica para reconhecimento de defeitos em tábuas de eucalipto utilizando imagens digitais

Abstract

A indústria de madeira tem dispensado especial atenção às etapas de classificação e seleção de madeira serrada. Sistemas de Visão Artificial têm sido propostos para automação dessas etapas na indústria. A identificação de características apropriadas para discriminar os defeitos da madeira em imagens digitais é um dos maiores desafios no desenvolvimento desta tecnologia. O objetivo deste trabalho foi avaliar, por meio de técnicas de análise multivariada, a capacidade de discriminar defeitos em tábuas de eucalipto, utilizando-se as características de percentis de imagens coloridas. Foram realizadas análises discriminantes linear e quadrática para classificação de defeitos e madeira limpa em imagens digitais de tábuas de eucaliptos. As características de percentis do histograma das bandas do vermelho, verde e azul, retiradas de dois tamanhos de blocos de imagens, foram utilizadas para desenvolvimento e teste das funções discriminantes. Foram usados 492 blocos, contendo os 12 defeitos estudados e madeira limpa, retirados das imagens de 40 tábuas amostradas aleatoriamente. As características foram analisadas com seus valores originais, escores dos componentes principais e escores das variáveis canônicas. Os menores erros globais de classificação foram 19 e 24% para funções discriminantes lineares com os escores das variáveis canônicas para tamanho de bloco de 64 x 64 e 32 x 32 pixels, respectivamente. Tendo em vista a magnitude desses erros, as características de percentis foram consideradas adequadas para discriminar defeitos e madeira limpa em imagens digitais.The lumber industry has given special attention for lumber grading and selection stages. Machine Vision Systems have been proposed as a technological solution for automation of these stages. The proper feature selection for discriminating defect and clear wood is one of the most challenging in the development of such technology. The objective of this work was to evaluate, using multivariate analysis, the discriminating power of color images percents. In this work, linear and quadratic discriminant analysis were accomplished for classification of defects and clear wood in digital images of eucalyptus lumber. The percent features of the histogram for the red, green and blue bands, from two sizes of image blocks were used for developing and testing the discriminant functions. 492 blocks were used, containing the 12 studied defects and clear wood, derived from images of 40 lumbers randomly sampled. The features were analyzed with their original values, scores of the principal components and scores of the canonical variables. The smallest global misclassification errors were 19% and 24% for linear discriminant function with the canonical variable scores using block sizes of 64x64 and 32x32 pixels, respectively. The percent features were considered appropriate to discriminate defects and clear wood in digital images.