Detecção de falhas em couro caprino wet blue a partir da utilização de técnicas de Visão Computacional e Inteligência Artificial

• Carlos Estevão Bastos Sousa IFCE http://orcid.org/0000-0002-4272-0386
• Cláudio Marques de Sá Medeiros IFCE http://orcid.org/0000-0002-1663-8151
• Renato Francisco Pereira IFCE http://orcid.org/0000-0002-1939-2599
• Alcides Andrade Neto IFCE http://orcid.org/0000-0002-0522-3364

DOI: https://doi.org/10.5753/bresci.2020.11181

Resumo

Os curtumes tradicionais adquirem peles, na maioria dos casos, de pequenos produtores rurais. Devido ao formato rústico de criação, elas são recebidas com diversos tipos de defeitos. Tais peles, passam por diversos processos até serem denominadas como wet blue. Nesse estágio de produção, é realizada a qualificação, que se baseia na quantidade de falhas existente na peça de couro para definir o seu nível de qualidade. A não detecção de falhas pode acarretar diversos prejuízos ao setor. No entanto, apesar das dificuldades encontradas, torna-se nítido o crescimento desse tipo de indústria. Dessa forma, é proposta uma metodologia a qual apresenta uma acurácia de 96,31 % na detecção de falhas em peças de couro wet blue.

Palavras-chave: Curtume, Detecção de falhas, Qualificação de couro

Referências

Amorim, W. P., Pistori, H., Pereira, M. C., and Jacinto, M. A. C. (2010). Attributes reduction applied to leather defects classification. 23rd SIBGRAPI Conference on Graphics, Patterns and Images, pages 353–359.

Annadurai, S. (2007). Fundamentals of Digital Image Processing. Always learning. Pearson.

Embrapa (2018). Novo censo agropecuário mostra crescimento de efetivo de caprinos e ovinos no nordeste. https://www.embrapa.br/cim-inteligencia-e-mercado-decaprinos-e-ovinos/busca-de-noticias/-/noticia/36365362/novo-censo-agropecuariomostra-crescimento-de-efetivo-de-caprinos-e-ovinos-no-nordeste. Acesso em 28 dez. 2019.

Gutterres, M. (2003). Desenvolvimento Sustentável em Curtumes. XVI Encontro Nacional da ABQTIC, Porto Alegre - RS.

Haralick, R. M., Shanmugam, K., and Dinstein, I. (1973). Textural features for image classification. IEEE TRANSATIONS ON SYSTEMS, MAN AND CYBERNETICS, SMC-3(6):610–621.

Huang, D., Shan, C., Ardabilian, M., Wang, Y., and Chen, L. (2011). Local binary patterns and its application to facial image analysis: A survey. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 41(6):765–781.

Mohanaiah, P., Sathyanarayana, P., and GuruKumar, L. (2013). Image texture feature extraction using glcm approach. International Journal of Scientific and Research Publications., 3:1–5.

Ojala, T., Pietikäinen, M., and Mäenpää, T. (2002). Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. Pattern Anal. Mach. Intell., 24(7):971–987.

Pereira, R., Medeiros, C., and Filho, P. P. (2018). Goat leather quality classification using computer vision and machine learning. International Joint Conference on Neural Networks - IJCNN, pages 01–08.

Renato Pereira, F. (2018). Qualificação de amostras de couro caprino utilizando visão computacional e inteligência computacional. Master’s thesis, Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE), Fortaleza, CE, Brazil.

Santos Filho, E. (2013). Um sistema de visão computacional para classificação de couro caprino. Master’s thesis, Universidade Federal do Ceará (UFC), Fortaleza, CE, Brazil.

Schwartz, W. R. and Pedrini, H. (2003). Método para classificação de imagens baseada em matrizes de co-ocorrência utilizando características de textura. III Colóquio Brasileiro de Ciências Geodésicas.