Rapid and non-destructive identification of micro-contaminants on eggshell surfaces based on machine vision and deep learning

Todos os dias, milhões de ovos movem-se ao longo de esteiras transportadoras em instalações de embalagem, viajando da fazenda até a mesa. Na maior parte do tempo, essa jornada é suave, mas a superfície de um ovo é uma paisagem frágil onde a segurança pode ser comprometida por ameaças minúsculas e quase invisíveis. Durante o processo de postura, os ovos podem recolher pequenos pontos de fezes, sangue ou lama. Esses contaminantes não são apenas antiestéticos; eles frequentemente carregam bactérias perigosas como a Salmonella, que podem deixar as pessoas doentes se o ovo não for manuseado corretamente. Por décadas, a única maneira de encontrar essas manchas minúsculas era ter um trabalhador humano olhando para cada ovo individualmente, um trabalho lento e cansativo que depende da visão e do tempo de atenção do trabalhador. Humanos cansam-se, seu foco oscila e, inevitavelmente, deixam passar defeitos ou confundem uma mancha natural na casca com uma sujeira. Para resolver isso, engenheiros recorreram à visão computacional, uma tecnologia que usa câmeras e computadores para "ver" e analisar o mundo, esperando automatizar o processo de inspeção com a velocidade de uma máquina e a precisão de um olho treinado.

O desafio, entretanto, é que uma casca de ovo não é uma tela em branco. Ela tem sua própria textura natural, um padrão mosqueado de manchas e variações de cor que podem parecer muito semelhantes aos contaminantes reais que o sistema está tentando encontrar. Quando uma câmera captura uma imagem de um ovo em movimento, o fundo é frequentemente poluído pela textura da esteira transportadora e pela iluminação irregular, criando um ruído visual que confunde programas de computador comuns. Esses programas muitas vezes têm dificuldade em distinguir entre uma mancha natural inofensiva e uma sujeira perigosa, levando ovos a serem descartados desnecessariamente ou, pior, deixando ovos perigosos passarem despercebidos. Pesquisadores da Universidade Zhejiang A&F, na China, propuseram-se a construir um sistema que pudesse atravessar essa confusão, criando um método que fosse rápido, gentil e preciso o suficiente para detectar as menores imperfeições em um ovo em movimento.

A equipe começou ensinando o computador a olhar para um ovo de forma diferente. Antes que o computador pudesse sequer tentar identificar uma mancha, os pesquisadores tiveram que limpar a imagem que ele estava vendo. Eles desenvolveram um processo que isola o ovo de seus arredores, apagando efetivamente a esteira transportadora e as sombras da visão do computador. Ao transformar o fundo em um branco brilhante e uniforme, o sistema força o computador a focar inteiramente na superfície do próprio ovo. Esta etapa é crucial porque remove as distrações que normalmente causam confusão no computador. Uma vez que a imagem é limpa, o computador consegue ver o contraste entre a casca do ovo e quaisquer pontos escuros nele com muito mais clareza, fazendo com que as pequenas manchas se destaquem contra o fundo branco e liso.

Com as imagens preparadas, os pesquisadores voltaram-se para o cérebro da operação: um programa de computador sofisticado projetado para reconhecer objetos. Eles começaram com um sistema de detecção poderoso e moderno conhecido como YOLOv8s, famoso por sua velocidade e capacidade de encontrar coisas em imagens. No entanto, a versão padrão deste programa não era suficientemente boa para a tarefa específica de encontrar manchas microscópicas em ovos. Tendia a perder os pontos muito pequenos ou confundir a textura natural da casca com um defeito. Para corrigir isso, os pesquisadores adicionaram três atualizações específicas à arquitetura do programa. Primeiro, adicionaram um módulo que ajuda o computador a entender o panorama geral, permitindo que ele veja como diferentes partes da imagem se relacionam globalmente. Segundo, introduziram um mecanismo que atua como um holofote, dizendo ao computador para prestar atenção extra às características mais importantes enquanto ignora o ruído irrelevante do fundo. Finalmente, adicionaram uma camada especializada projetada especificamente para capturar objetos minúsculos, garantindo que mesmo o menor grão de sujeira não seja negligenciado.

O resultado dessas melhorias combinadas é um novo sistema que eles chamam de AEP2-YOLOv8s. Quando testado em uma grande coleção de imagens reais de ovos, este sistema atualizado teve um desempenho significativamente superior à versão original. Ele identificou contaminantes com um alto grau de precisão, melhorando sua capacidade de encontrar os alvos corretos em quase sete pontos percentuais em comparação com o modelo não modificado. O sistema provou ser particularmente bom em distinguir os padrões naturais do ovo de sujeiras reais, reduzindo o número de alarmes falsos. Também conseguiu localizar as manchas com maior precisidade, desenhando contornos mais apertados ao redor dos defeitos. Os pesquisadores descobriram que, embora existissem outros tipos de mecanismos de atenção, a combinação específica que escolheram funcionou melhor para este problema particular, equilibrando a necessidade de velocidade com a necessidade de extrema precisão.

Este trabalho demonstra que é possível automatizar a inspeção de ovos sem danificá-los ou atrasar as linhas de produção. Ao limpar a entrada visual e refinar a capacidade do computador de focar nos detalhes certos, os pesquisadores criaram uma ferramenta que pode lidar com a realidade desordenada de um ambiente agrícola. O sistema não é perfeito; ainda enfrenta desafios quando as manchas são extremamente tênues ou quando as condições de iluminação são difíceis, mas representa um grande passo à frente. O estudo sugere que, ao combinar a limpeza de imagem com atualizações inteligentes e direcionadas ao software de detecção, podemos construir máquinas que sejam muito mais confiáveis do que olhos humanos para detectar as menores ameaças à segurança alimentar. Essa abordagem oferece um caminho prático para garantir que os ovos que chegam às nossas mesas estejam limpos e seguros, mantendo, ao mesmo tempo, a produção nas altas velocidades exigidas pela agricultura moderna.