Um Software para Seleção de Ovos através de Processamento de Imagens com Customização da Relação entre Lucros e Qualidade

Um Software para Seleção de Ovos através de Processamento de Imagens com Customização da Relação entre Lucros e Qualidade Authors Name/s per 1st Affiliation (Author)

Authors Name/s per 2nd Affiliation (Author)

line 1 (of Affiliation): dept. name of organization line 2: name of organization, acronyms acceptable line 3: City, Country line 4: e-mail address if desired

line 1 (of Affiliation): dept. name of organization line 2: name of organization, acronyms acceptable line 3: City, Country line 4: e-mail address if desired

Abstract—In the industry there is a strong requirement of automatic methods of quality control, and digital image processing match this need very well, it allows a high degree of accuracy and low cost, identify whether a product meets the quality requirements set by the consumer. Therefore, this project presents a tool for selection of eggs for consumption, with the possibility of customization between losses and quality. Keywords-digital image processing; eggs; automation;

I.

INTRODUÇÃO

Durante anos o ovo foi considerado um grande vilão e banido das mesas dos consumidores devido ao risco de doenças cardiovasculares. No entanto, como foi comprovado por [1] isso não ocorre, ele demonstrou que estudos anteriores apresentavam distorções ao considerarem o consumo de ovos em conjunto com carnes, que são ricas em gorduras saturadas, estas sim causam tais problemas, McNamara conclui seu estudo dizendo que não há necessidade de restringir o consumo de ovos como vinha ocorrendo, embora possuam colesterol, ovos são pobres em gorduras saturadas e propiciam o aumento do HDL (colesterol bom) que auxilia no controle do LDL (colesterol ruim). Por isso, novamente o ovo voltou ao cardápio, e dessa vez com grandes recomendações, ele contém aminoácidos, minerais, proteínas e vitaminas, é um dos alimentos mais completos já que contém todos os aminoácidos essenciais, também contem uma substância chamada colina fundamental para o desenvolvimento fetal e importante para a função cerebral também em adultos, pois ajuda a manter as estruturas das membranas celulares, [2]. Organizações e empresas do setor de produção de ovos têm lançado mão de boletins e folhetos esclarecendo os benefícios do ovo e desmitificando seus malefícios, agências ligadas a saúde e nutrição como a FDA (Foods and Drugs of America), WHO (World Health Organization), a British Heart Foundation, National Heart Fundation of Australia e a Heart and Stroke Foundation of Canada revisaram suas restrições quanto a ingestão de ovos, deixando de fixar a quantidade 1 ou

1

Desde que o consumo de colesterol não ultrapasse as 300mg por dia, 100 gramas de ovos possuem cerca de 425 mg.

limitando a 6 ou 7 unidades por semana, anteriormente eram recomendados apenas 3 ou 4 unidades [3]. Com isso a tendência é que a produção e o consumo aumentem bastante, afinal, em muitos países como o Brasil o consumo é considerado baixo, [4] aponta possíveis causas para este baixo consumo: tabu relacionado a problemas de saúde, baixa coordenação do setor, massas com quantidade reduzida de ovos, etc.. Além do que tem sido feito, diversas outras ações podem ser tomadas para contornar este problema, dentre elas tem se a melhoria da qualidade, afinal o consumidor espera segurança alimentar e atendimento aos seus pré requisitos de qualidade, [5]. Segundo [6] a qualidade do ovo deve ser avaliada através de atributos sensoriais, nutricionais, sanitários, tecnológicos, além disso, acrescenta que para o consumidor os aspectos mais importantes são o tamanho, o peso, cor da gema, frescor e o aspecto da casca, que deve estar livre de trincas e manchas. Deve se acrescentar também a ausência de defeitos internos, como manchas de sangue e vazamento de gema. Caso haja o crescimento esperado, o volume de produção diária das empresas inviabilizará o controle de qualidade manual, a indústria precisará buscar métodos automáticos eficientes, eficazes e baratos para o controle da qualidade, o processamento de imagens vem de encontro a estes requisitos, ele permite com alto grau de acerto e baixo custo, identificar se um dado produto está bom ou não, no caso da produção de ovos, a principal atividade de controle da qualidade é a seleção: ovos que apresentem problemas devem ser descartados. Além da qualidade, pode se melhorara também o controle da linha de produção, segundo [7] apesar da avançada gestão empresarial na agroindústria, com uso de sofisticadas ferramentas como ERP (Enterprise Resource Planning) e maquinário de última geração, muitas vezes não há gestão na produção, ocasionando problemas com produtividade, tempo de produção, volume de refugo, etc. Portanto, percebe-se a necessidade de aplicar ferramentas de TI (Tecnologia da Informação), não só na administração da empresa mas também no gerenciamento e controle da linha de produção. Assim a ferramenta proposta servirá não só para classificar os ovos mas também para gerir informações sobre a produção, por exemplo, a quantidade de ovos classificados por hora e quantificação da perda devido a trincas, sujeira ou pontos de sangue.

Portanto, este trabalho apresenta uma ferramenta para automação da tarefa de seleção de ovos, utilizando processamento de imagens, que prima pela eficiência ao mesmo tempo que estabelece um compromisso com a eficácia. O software também permite customização entre perdas na produção (ovos bons descartados) e a qualidade para o consumidor (ovos ruins classificados como bons). Nas próximas seções serão discutidos a atual conjuntura na produção e seleção de ovos, o ambiente, a metodologia e os resultados obtidos.

II. ATUAL CONJUNTURA NA PRODUÇÃO E SELEÇÃO DE OVOS O maior produtor de ovos é a China, ela produz quase 30 milhões de toneladas de ovos por ano, isso representa quase 50% da produção mundial, em 2011 foram produzidas 65 milhões de toneladas2. Outros países como Estados Unidos, Japão, Rússia e Índia também possuem produção significativa, a Fig. 1 mostra a média anual da produção de ovos entre os anos de 1982 e 2011, [8]. Ovos são a 25ª commoditie mais negociada e em termos de valores é a 15º, tem movimentado cerca de 52 bilhões de dólares ao ano. Nos países em desenvolvimento é o alimento com maior crescimento dentre os principais (cereais, leite, carne e tubérculos). Os maiores consumidores de ovos em 2010 foram o Brunei, a Dinamarca e o Japão, conforme Fig. 2, [9]. Diante disso, percebe-se a importância deste produto em nossa alimentação e a necessidade de se criar formas de auxiliar e melhorar a produção. Ainda hoje, muitas empresas, mesmo aquelas com produção bastante significativa ainda trabalham com seleção manual, como pode ser visto na Fig. 3.

Figure 1.

Média de produção de ovos em toneladas (1982 a 2011). Fonte:

Figure 2.

A seleção manual é bastante eficaz pois o sistema visual humano é uma estrutura fantástica e permite reconhecer objetos e característica de objetos até sob as condições mais desfavoráveis. Apesar disso, esse tipo de seleção não é eficiente, o trabalho manual é lento e se torna um gargalo na produção de ovos, além de gerar um custo bastante alto devido a contratação de funcionários e constantes lesões por esforço repetitivo nos mesmos. Na avaliação de problemas internos dos ovos há outro agravante, é utilizada uma forte luz sob os ovos causando insalubridade para aqueles que a realizam. Todavia, este não é o primeiro trabalho que propõe métodos automáticos para a realização desta tarefa, [11] quantifica a presença de manchas em um ambiente controlado, distinguindo entre manchas de sangue, gema, ácido úrico, sujeira, etc., a análise é feita em um ovo por vez obtendo taxa de 80% de acerto. Ribeiro et al. utiliza algoritmos genéticos para detectar ovos sujos obtendo 80% de acerto, [12]. Alegre et al. apresenta um sistema bastante eficiente que detecta penas, manchas de sangue, sujeiras e trincas obtendo uma precisão de 82% em ovos bons e 92% em ovos ruins,[13]. Syahrir et al. e Nakano et al. tratam de detecção de manchas de sangue no interior dos ovos, para isso utilizam informações de cores no espectro visível e também em faixas não visíveis (infravermelho, ultravioleta, raio-x), [14] e [15]. Todas essas soluções são parciais pois não fazem a classificação a partir de uma esteira cheia de ovos e sim de cada ovo isolado. Machado apresenta um trabalho bastante inovador pois inclui a etapa de separar os ovos sobre a esteira, seus resultados são bastante expressivos mas ainda podem ser melhorados já que sua taxa de acerto varia bastante conforme o tipo de defeito sendo analisado: 75.6% na detecção de sujeiras, 73.3% em trincas, 78.5% em manchas de sangue, 62.5% em vazamentos de gema e 50% em pontos de sangue, [16]. É interessante observar que em todos estes trabalhos pouco se discute sobre o tempo de processamento, fator este primordial para a aplicabilidade do método em um ambiente real.

400 350 300 250 200 150 Brunei Dinamarca Japão Paraguai México Holanda China Hungria Malta Letônia Belarus Espanha Kuwait França Ucrânia USA Rússia

Ovos per capita/ano

FOA [8].

Figure 3. Seleção manual: retirada de ovos com trincas (esquerda) e retirada de ovos com manchas internas (direita). Fonte: Mizohata [10].

Gráfico do consumo de ovos per capita em 2010. Fonte:

WATT[9]

2 Considerando ovos para consumo e ovos férteis

A principal solução automatizada disponível no mercado atualmente é o Sistema Comercial Moba Omnia de Controle de Qualidade de Ovos de Galinha de fabricação holandesa que pode processar até 180.000 ovos por hora e chega a custar 1,5 milhões de euros, sua taxa de acerto varia bastante conforme o tipo de problema, de 50 a 98% e é capaz de detectar desde manchas a vazamento de gema, realiza também a classificação de acordo com a coloração da casca do ovo, [17]. É uma ferramenta completa para a produção de ovos, mas poucas empresas podem pagar por ela.

III.

O AMBIENTE

Antes de discorrer sobre a ferramenta proposta é importante considerar o ambiente no qual será inserida e quais os procedimentos realizados. Conforme [18], o ovo ao ser entregue pelo produtor passa por 3 etapas de processamento na indústria, esse processamento é constituído de limpeza, classificação e embalagem. O ambiente é dotado de um sistema de esteiras rolantes em que os ovos passam e devem ser classificados para então haver a remoção automática ou manual dos que apresentam problemas, este sistema é um padrão na indústria [16]. Sales [19] diz que a seleção dos ovos deve acontecer em duas etapas, a primeira em que são descartados ovos com problemas internos e a segunda em que são descartados ovos sujos ou com trinca. Neste caso o termo descartar nem sempre é correto, ovos sujos podem ser reencaminhados para a limpeza. No sistema proposto a classificação deverá ocorrer em ambiente controlado quanto a iluminação, sombras, posicionamento de câmera, temperatura, etc. O controle sobre o ambiente simplifica todo o processo pois torna desnecessário o tratamento de problemas de rotação e translação das imagens, correções de iluminação, distorções, ou sombras. Com isso, técnicas mais simples e mais rápidas podem ser empregadas gerando um sistema mais eficiente.

IV. METODOLOGIA Inicialmente foi feita a observação dos requisitos da linha de produção em empresas de produção de ovos para consumo, utilizando se para isso trabalhos correlatos, visita in loco e sites especializados, [20] e [21]. Técnicas de processamento de imagens foram selecionadas para aplicação, o que não é tarefa simples já que técnicas são fortemente dependentes do contexto, algumas tidas como excelentes podem não funcionar como se esperava, [22] e [23].

comercialmente para esse fim. Contudo, é importante ressaltar que apenas imagens estáticas foram utilizadas nos testes. Quanto ao desenvolvimento do software, faz se o uso do ambiente Matlab que possui funções de processamento de matrizes numéricas, afinal uma imagem nada mais é que uma matriz, [24]. Foi utilizado um computador com processador Intel(R) Core(TM) i5 3.20GHz, memória RAM de 2,00 GB e sistema operacional Windows 7 de 32Bits. B. Técnicas para seleção automática A seleção automática é constituída de: aquisição da imagem, segmentação, descrição, classificação e interpretação do resultado, como foi dito, a aquisição não foi necessária. A etapa de segmentação que visa separar o ovos sobre a esteira foi realizada com técnicas baseadas em conectividade e vizinhança: extração de cores, detecção de bordas, dilatação, pixelização, limiarização e grafos orientados. Tais técnicas são empregadas também com o intuito de remover informações desnecessárias, neste caso as esteiras. A ferramenta foi dividida em dois módulos: o primeiro para reconhecer problemas externos, ou seja, trincas e sujeira, e o segundo módulo para reconhecer problemas internos, ou seja, manchas de sangue dentro do ovo. A Fig. 4 resume a etapa de segmentação das imagens para o módulo 1 – detecção de problemas externos. A imagem de entrada em RGB (Red, Green e Blue) é submetida a uma transformação gera uma nova imagem em escala de cinza.

A metodologia de desenvolvimento adotada é estruturada e incremental, módulos foram desenvolvimentos e testados isoladamente e em seguida em comunicação com os demais módulos. Como etapa final tem se a realização de testes com o software a fim de observar sua eficiência e eficácia. A seguir serão detalhados os materiais, equipamentos e as técnicas utilizadas. A. Materiais e equipamentos Foi tomado como base o trabalho de [16], por ser atual e relevante na área, além disso este autor foi bastante solicito e cedeu cerca de 30 imagens para testes de sua base de dados particular. Segundo este, as imagens foram adquiridas em um ambiente com iluminação controlada, através de uma câmera de vídeo digital Panasonic AG-DVC20 com taxa de captura de 30 quadros por segundo, e resolução de 720X480 pixels, posicionada perpendicularmente à esteira rolante à uma distância de 90cm, determinada empiricamente. Utilizou-se um tripé para suporte da câmera, modelo Greika WT 3770, e uma esteira rolante de ovos, similar às esteiras utilizadas

Figure 4.

Defeitos externos – identificando os ovos

Feito isto a imagem passa por um processo de pixelização que visa a simplificação para os processamentos seguintes, já que reduz a quantidade de informação na imagem. O próximo passo é a limiarização que separa os ovos e o fundo. No passo 5 a imagem passa por uma filtragem para extrair as bordas, é utilizado o filtro de Sobel [22][23]. Como o filtro de Sobel gera bordas descontínuas há necessidade de uma nova etapa de dilatação e uma outra de filtragem, desta vez utilizando o filtro de Canny; na primeira etapa Sobel se saiu melhor pois gerou descontinuidades menos acentuadas, já na segunda filtragem Canny teve desempenho melhor pois gerou bordas mais finas. O último passo (passo 8) consiste da identificação, que é realizada com base em percorrer um caminho no grafo orientado convexo representado pela borda do ovo e resulta em diversas sub-imagens contendo um ovo cada. Após a segmentação inicial que separa todos os ovos, a imagem contendo os ovos isolados são submetidas a uma nova segmentação para remover informações irrelevantes - as bordas do ovo, removendo-as o resultado corresponde a trincas e sujeiras, este processo está sintetizado na Fig. 5: a imagem de entrada é convertida em escala de cinza (passo 2) e em seguida tem suas bordas ligeiramente aumentadas e pintadas de branco (passo 3 e 4). Aumentar as bordas de uma imagem é um procedimento padrão quando se trabalha com técnicas baseadas no uso de máscaras. O próximo passo é realizar uma limiarização da imagem produzindo uma imagem binária, ou seja, em preto e branco. Após a binarização é aplicado o filtro de zeros para detectar as bordas, e por fim, o passo 7 realiza a identificação da trinca ou sujeira caso exista. Essa operação é realizada através de subtração entre as bordas do ovo e a imagem resultante do passo 6, na Fig. 5 a área de vermelho é o resultado desta operação.

Figure 5.

Detecção de defeitos externos - Análise individual

A detecção de defeitos internos é realizada através de um módulo que segmenta e analisa os ovos em um processo semelhante à ovoscopia, no qual se utiliza uma forte luz incidindo sob os mesmos, revelando seu interior [25]. A Fig. 6 traz a imagem decorrente deste processo e sua segmentação. Dada a imagem proveniente da ovoscopia, obtém se a imagem em escala de cinza e realiza-se a pixelização. O próximo passo (5), é obter uma imagem binária que deverá sofrer dilação, como foi dito, a dilatação é necessária para gerar bordas sem descontinuidades, o que é realizado no passo 7 através da aplicação do filtro de Canny. Por último, identifica-se as posições nas quais aparecem ovos, isso é feito percorrendo a imagem em busca das bordas dos ovos e definindo grafos orientados a partir de cada borda. A próxima etapa é analisar cada ovo, o processo é bastante semelhante à análise para detectar defeitos externos: a partir da imagem em escala de cinza aumenta-se as bordas pintando as de branco e realizando a limiarização. Por fim, detecta-se as bordas da imagem limiarizada com o filtro de Canny e realizase a identificação através de subtração de imagens. Pode se perceber que todo o processo é semelhante nos dois módulos no entanto, pequenas diferenças são implementadas para respeitar as particularidades de cada imagem. Por exemplo, a limiarização, que é um processo bastante sensível as condições de iluminação, consiste de definir um valor (também chamado de limiar) e tudo que estiver acima deste valor é objeto de interesse e portanto recebe a cor branca, e tudo que estiver abaixo deste limiar é considerado como fundo ou região sem interesse, e recebe a cor preta. Outra variação é quanto a filtragem, diversos testes foram feitos e o filtro melhor adaptado a situação foi usado.

Figure 6.

Extração de defeitos internos - localizando os ovos

V.

RESULTADOS

Os testes foram divididos em duas partes devido a divisão do software em dois módulos, assim uma parte é relativa a detecção de defeitos internos e a outra a detecção de defeitos externos. Os resultados podem ser vistos na Fig. 8, e a seguir tem-se uma discussão sobre eles. A. Detectando defeitos externos Foram selecionadas para o teste, 20 imagens com resolução 720x480 cada uma, contendo ao todo 159 ovos, uma média de 7 ovos por imagem sendo 98 bons e 61 ruins. Os defeitos iam desde pequenas e imperceptíveis manchas de sangue ou sujeiras á grandes manchas que ocupavam grande parte do ovo. Ovos trincados também foram incluídos. O software levou cerca de 2,6 segundos para processar cada imagem. Dos 61 ovos defeituosos, 53 foram classificados pelo software como ruins, os outros 106 foram classificados como bons, sendo que de fato apenas 98 eram. Assim, 8 ovos ruins foram classificados como bons, destes, 3 estavam com pequenas trincas, outros 3 com manchas de sujeira em seus extremos e 2 com leves manchas de sujeira e sangue. O erro foi gerado principalmente por trincas muito pequenas e problemas muito próximos à borda do ovo. B. Detectando defeitos internos Neste experimento foram utilizadas duas imagens com luz incidindo sob o fundo, ambas com resolução 720x480, totalizando 12 ovos dos quais 9 ovos eram bons e 3 possuíam manchas de sangue em seu interior. O software levou cerca de 1,6 segundos para processar cada imagem e classificou corretamente 2 dos 3 ovos defeituosos, e todos os 9 ovos bons, o único erro aconteceu em um ovo com mancha de sangue bastante acentuada. O software consegue encontrar os ovos na imagem através da extração de faixas de cores (RGB) e análise das mudanças de tom entre os pixels, se o ovo contiver uma mancha interna muito grande ou vazamento de gema o resultado da transformação da imagem do ovo é uma imagem bem mais escura mas quase sem mudanças abruptas nas cores, ou seja é como se não houvesse nenhuma imperfeição no ovo.

Figure 7.

Experimento 1 e 2: acima a detecção de defeitos externos e abaixo a detecção de defeitos internos

VI.

DISCUSSÕES

A esteira introduz bastante complexidade à tarefa de classificar os ovos. Por isso, a etapa de segmentação exigiu um certo esforço e responde por grande parte do tempo de processamento, e apesar desta complexidade o resultado superou as expectativas e facilitou muito as etapas subsequentes, a princípio seriam utilizados descritores de imagem mais sofisticados para realizar a análise, no entanto, como a segmentação foi bastante eficiente e conseguiu eliminar todas as informações irrelevantes, o algoritmo de classificação se tornou trivial, “se restou algo no ovo sob análise, este é um ovo ruim, do contrário, este é um ovo bom”. No módulo de detecção de defeitos externos ocorreram erros na classificação de ovos com pequenas trincas em função do tamanho delas, quando muito pequenas não produzem sombra e são eliminadas na limiarização. Sujeiras, manchas e trincas nos extremos também podem não ser encontradas, pois se juntam a borda do ovo também na limiarização. Quanto aos testes da detecção de defeitos internos, um ponto discutível é a quantidade de imagens utilizadas – apenas 2, isso se deve a dificuldade de se obter tais imagens. Afinal, manchas de sangue no interior do ovo ocorre com menor frequência e conseguir bons ângulos para aquisição das imagens nem sempre é fácil, geralmente a luz sob os ovos gera sombras indesejadas, uma discussão mais aprofundada a esse respeito é feita por [26]. Ainda sobre defeitos internos outro ponto a ser observado é quanto a taxa de erros (inferior a 10%), embora não seja de todo ruim, espera-se obter melhorias com refinamentos na segmentação. Duas situações merecem destaque: falso positivo – ovo bom classificado como ruim e falso negativo – ovo ruim classificado com bom. O sistema não gerou falsos positivos, isso quer dizer que nenhum ovo foi descartado erroneamente e portanto, o sistema não gera perdas desnecessárias. Contudo alguns falsos negativos ocorreram, o que demonstra um controle de qualidade permissivo à priori, mas analisando em números, cerca de 86% dos ovos defeituosos foram detectados, isso traz uma melhoria significativa para a mesa do consumidor e nem de longe pode ser considerado um desempenho ruim, principalmente em comparação aos resultados observados na literatura. Além disso, um compromisso entre os números de falsos positivos e falsos negativos pode ser obtido com pequenos ajustes, pode-se tornar a detecção mais sensível submetendo a imagens a mais rodadas de segmentação com novos limiares. Diante disso, um novo experimento foi realizado, ovos “bons” a priori foram analisados em 4 iterações de segmentação, possivelmente algum defeito tenha passado na primeira iteração mas foi detectado na segunda, na terceira, ou quarta iteração. Como resultado se observou mudanças no número de falsos positivos e falsos negativos a tabela 1 mostra essa variação. O sistema passou a gerar falsos positivos, que são ovos bons classificados como ruins, portanto, gerou perdas. Mas por outro lado reduziu o número de falsos negativos, ou seja passou a detectar melhor os ovos ruins, melhorando a qualidade da classificação e permitindo maior qualidade para o consumidor.

TABELA I. RELAÇÃO ENTRE FALSOS POSITIVOS E FALSOS NEGATIVOS Falsos Positivos

Falsos Negativos

Tempo gasto no processamento

Minimizando Perdas

0%

14%

2,6 segundos

Maximizando a qualidade

2,2%

9,4%

3,5 segundos

Com isso, o sistema se torna flexível e adaptável as necessidades do local em que for implantado: pode-se optar por menores perdas ou por maior qualidade ao consumidor. Observando também que caso maior qualidade seja requerida o tempo de processamento fica ligeiramente maior.

VII. CONCLUSÕES

[3] [4]

[5]

[6]

[7]

[8]

Considerando ovos com trincas e sujeiras a precisão de acerto do software ficou em torno de 95% com um tempo inferior a 3 segundos para cada imagem, o que é bastante satisfatório. Já ovos com mancha de sangue obteve se 91% de efetividade com tempo de aproximadamente 1,6 segundos por imagem. Fazendo a distinção apenas entre ovos bons e ruins a precisão foi de 100% em ovos bons e 84% em ovos ruins, um resultado excelente quando comparado aos métodos atuais. A técnica aqui apresentada tem como desvantagem o fato de não diferenciar entre ovos sujos e trincados, mas por outro lado, busca o compromisso entre o tempo de processamento e a taxa de acerto. Nos trabalhos relacionados pouco se discute sobre o fator tempo sendo que este é fundamental, caso seja demasiado grande, a técnica se torna inútil pois a indústria requer métodos não só precisos mas também rápidos.

[9]

As iterações de segmentação e os limiares utilizados no processo podem ser ajustados de acordo com as necessidades do local em que o sistema for implantado, aumentando se as iterações de segmentação o método fica mais sensível e passa a acusar pequenos defeitos. Outro aspecto que também deve ser ajustado conforme os requerimentos do utilizador é a aplicação de banco de dados, que pode ir além do que foi proposto e realizar controle sobre outras informações, por exemplo, proveniência de um lote sendo processado, tempo gasto para processar o lote, etc. Assim, será possibilitado ao administrador maior controle sobre a linha de produção.

[14]

Em trabalhos futuros será feito o uso de descritores de imagens e com isso deverá ser estabelecido um comparativo. Espera se que o método apresentado tenha melhor desempenho tanto em tempo de processamento como em eficácia. Por fim, é importante destacar que os resultados obtidos são de grande relevância: um software simples e de boa usabilidade, que proporciona grande precisão e excelente tempo de resposta, mesmo com a segmentação incluída e ainda com possibilidade de adaptação ao contexto.

REFERÊNCIAS [1]

[2]

D. J. McNamara. “The impact of egg limitations on coronary heart disease risk: do the numbers add up?”. Journal of the American college of nutrition, Washington – DC, vol. 19(5), pp 540-548, 2000. Instituto Ovos Brasil. Boletim do ovo. Área da saúde humana. Nº 1, 2009. Recuperado em 27 de abril, 2012, de http://www.ovosbrasil.com.br/download/boletim01.pdf.

[10] [11]

[12]

[13]

[15]

[16]

[17] [18] [19]

[20] [21] [22] [23] [24] [25] [26]

ENC – Egg Nutrition Council. Egg Nutrition Roundtable Report for Healthcare Professionals, Australia, May 2010. J. I. Santos Filho, e M.M. Schlindwein. “Fatores determinantes do consumo de ovos no Brasil”. XLV Congresso da Sociedade Brasileira de Economia, Administração e Sociologia Rural, Londrina – PR, 2007. J. W. Dürr. "Controle de qualidade e aumento da competitividade da indústria láctea".Tendências e avanços do agronegócio do leite nas Américas. pp 83-96, 2007. J. B. de Alcântara. "Qualidade físico-química de ovos comerciais”. Seminário do curso de doutorado em ciência animal, higiene e tecnologia de alimentos da escola veterinária da Universidade Federal de Goiás. Goiânia, GO, Brasil, 2012. R. Corrêa. Controle de execução da produção na indústria alimentícia. 2012. Recuperado em 24 de janeiro, 2013, de http://www.kitemes.com.br/controle-de-execucao-da-producao-naindustria-alimenticia/ FAO - Food and Agriculture Organization of the United Nations http://faostat.fao.org/ WATT. Executive Guide: to world poutry trends. The estatistical Reference for Poultry Executives, Poutry Internacional, Estados Unidos, 2011. Recuperado em 02 de fevereiro, 2013, www.WATTAgNet.net . Mizohata. Processamento do ovo. Recuperado em 20 de janeiro, 2013 de http://www.mizohata.com.br/processamentodoovo/ K. Mertens, B. de Ketelaere, B. Kamers, F. R. Bamelis, B. J. Kemps, E. M. Verhoelst, J. G. de Baerdemaeker, and E. M. Decuypere. “Dirt detection on brown eggs by means of color computer vision”. Poultry Science, vol. 84(10), pp. 1653–1659, October 2005. A. Ribeiro, M. C. G. Alegre, D. Guinea, and G. Cristóbal. “Automatic rules generation by G. A. for eggshell defect classification”. Proceedings of the European Congress on Computational Methods in Applied Sciences and Engineering - ECCOMAS. Barcelona, 2000. M. C. G. Alegre, A. Ribeiro, D. Guinea and G. Cristóbal. Eggshell defects detection based on color processing. Proceedings of the Society of Photo-Optical Instrumentation Engineers (SPIE), Conference Eletronic Imaging, 3966, pp. 280–287, march 2000. W. M. Syahrir, A. Suryanti, and N. S. N Ain. “Eggs bloodspot detection using image processing”. Innovative Computing, Information and Control, ICICIC '07 - Second International Conference , Los Alamitos, CA, USA, p. 424, September 2007. K. Nakano, and Y. Motonaga. “A study of the development of nondestructive detection system for abnormal eggs”. Proceedings of the EFITA Conference, Debrecen, Hungary, pp. 5–9, July 2003. D. S. Machado. “Sistema de inspeção visual automática aplicado ao controle de qualidade de ovos em linhas de produção”. Dissertação de Mestrado. CEFET de Minas Gerais, 2009. MOBA. MOBA OMNIA. 2006. Recuperado em 26 de junho, 2013, de http://www.moba.nl. C. Stefanello. “Análise do sistema agroindustrial de ovos comerciais”. Revista Agrarian, vol. 4(14), pp 375-382, 2011. V. H. G. Sales. “Processamento de carne, ovos, pescado e derivados”, Paraíso, 2011. Recuperado em 10 de janeiro, 2013 de http://paraiso.ifto.edu.br/docente/admin/upload/docs_upload/material_5 30f5a1ba2.pdf I. Sommerville. Engenharia de Software (8 ed.). São Paulo: Pearson Addison- Wesley, 2007. R. Pressman. Engenharia de software (6 ed). São Paulo: McGrawHill, 2006. R. Gonzalez, and R. Woods. Digital Image Processing (3ed). Nova York: Prentice Hall, 2008. H. Pedrini, e W. R. Schwartz. Análise de Imagens Digitais. São Paulo: Thomson Learning, 2008. V. Moraes, e C. Vieira. Matlab 7&6: Curso Completo. Lisboa: FCAEditora de Informática, 2009. Omitido propositalmente “especificações da chamada a trabalhos” Omitido propositalmente “especificações da chamada a trabalhos”