Inspeção automática de defeitos em ovos comerciais usando visão computacional

Abstract

A produção de ovos em linhas industriais cresceu consideravelmente ao longo dos anos. Essa produção alcança valores superiores a 15.000 ovos por hora, tornando cada vez mais difícil a utilização de operadores humanos para a tarefa de identificação visual e detecção de defeitos. Nesse cenário, as indústrias avícolas, com o objetivo de garantir e aumentar a eficácia e eficiência do processo de controle de qualidade, têm investido em novas soluções tecnológicas. Neste trabalho propõe-se comparar três soluções baseadas em processamento de imagens para realizar a inspeção automática de ovos comerciais, a fim de determinar a solução com o melhor equilíbrio em termos de precisão e velocidade. As abordagens propostas são executadas em um sistema de inspeção visual de ovos com simulação real de linhas de produção avícola. A primeira abordagem consiste na aplicação de técnicas clássicas de processamento de imagens e a segunda e terceira abordagens usam técnicas de aprendizagem profunda: classificação de imagens e segmentação semântica para a classificação do ovo em quatro categorias: normal, sujo, geometricamente anormal e ovos fissurados. Essas abordagens foram validadas com sucesso, alcançando uma acurácia média de 81 %, 85 % e 87 % e um tempo médio de processamento de CPU de 0,04 ms, 0,11 ms e 1,35 ms para as abordagens clássicas, classificação de imagens e segmentação semântica, respectivamente. Considerando os critérios de avaliação definidos para este projeto, obteve-se que as abordagens baseadas em técnicas clássicas apresentam um melhor equilíbrio nas métricas de avaliação, permitindo a detecção de várias características dos ovos como cor, formato e defeitos na superfície da casca.

Abstract: Egg production on industrial lines has grown considerably over the years. This production reaches values above 15.000 eggs per hour, making it increasingly difficult to use human operators for the task of visual identification and defects detection. In this scenario, the poultry industries, in order to guarantee and increase the effectiveness and efficiency of the quality control process, have invested in new technological solutions. In this paper, it is proposed to compare three solutions based on image processing to perform the automatic inspection of commercial eggs in order to determine the solution with a better balance in terms of precision and speed. The proposed approaches are executed in a visual egg inspection system with real simulation of poultry production lines. The first approach consists of applying classical image processing techniques and the second and third approaches make use of deep learning techniques: image classification and semantic segmentation for the classification of the egg into four categories: normal, dirty, geometrically abnormal and cracked eggs. These approaches have been successfully validated achieving an average accuracy of 81 %, 85 % and 87 % and an average CPU processing time of 0,04 ms, 0,11 ms and 1,35 ms for the classical approaches, image classification and semantic segmentation, respectively. Considering the evaluation criteria defined for this project, it was obtained that the approaches based on classical techniques present a better balance in the evaluation metrics, allowing the detection of several features of the eggs such as color, shape, and defects on the shell surface.