Two-stage machine vision and near-infrared spectroscopy for grading leafhopper damage in fresh tea leaves

Um chá de alta qualidade é, muitas vezes, uma história de danos. No caso do Zijin Chan, um chá distinto do sul da China, o próprio caráter da xícara final depende de as folhas frescas serem roídas por um pequeno inseto chamado cicadela do chá. À medida que o inseto se alimenta, ele desencadeia mudanças químicas dentro da planta que criam um aroma e sabor únicos, semelhantes ao mel. A severidade desse consumo determina o grau do chá e seu valor de mercado. Por séculos, os agricultores julgaram esse dano pelo olhar, procurando sinais específicos como a cor da folha, a presença de manchas marrons e o quanto a folha se enrolou. No entanto, o julgamento humano é lento e inconsistente; varia de pessoa para pessoa e muda com a luz ou com a fadiga do observador. Para produzir um produto consistente e de alta qualidade, a indústria precisa de uma maneira de medir esse dano de forma rápida e objetiva, sem depender do olho subjetivo de um especialista humano.

É aqui que entra a interseção de duas formas diferentes de ver o mundo. Uma delas é a visão computacional, onde uma câmera captura a aparência externa de um objeto, de forma muito semelhante a um olho humano, mas com a capacidade de processar milhares de imagens em segundos. A outra é a espectroscopia de infravermelho próximo, uma técnica que olha para dentro do material para ler sua composição química através da análise de como ele absorve a luz. Enquanto uma câmera pode ver uma mancha marrom, ela não consegue ver o açúcar ou os aminoácidos mudando dentro da folha que conferem sabor ao chá. Ao combinar esses dois métodos, pesquisadores da Universidade de Jiangnan desenvolveram um novo sistema que atua como um filtro de duas etapas, usando a velocidade da câmera para triar a maioria das folhas e o insight químico da espectroscopia para conferir as que a câmera encontra confusas.

Os pesquisadores começaram treinando um modelo de computador para reconhecer e classificar folhas de chá frescas com base na severidade do dano causado pelo inseto. Eles utilizaram um sofisticado sistema de reconhecimento de imagem, uma versão aprimorada de uma tecnologia conhecida como YOLO, que é projetada para encontrar objetos em imagens e classificá-los instantaneamente. A equipe alimentou o sistema com milhares de imagens de folhas de chá, ensinando-o a distinguir entre três níveis de dano: leve, moderado e severo. Eles também ensinaram o modelo a ignorar a realidade desordenada de uma pilha de folhas, onde as folhas se sobrepõem, se enrolam e escondem partes umas das outras. O modelo aprimorado aprendeu a focar nos sinais visuais específicos que importam, como a cor do broto de chá, a extensão do escurecimento marrom nas bordas da folha e o grau de enrolamento.

Ao ser testado em um grande lote de imagens contendo quatro mil alvos de folhas individuais, este sistema de câmera aprimorado teve um desempenho impressionante. Ele identificou e classificou com sucesso a grande maioria das folhas que conseguia ver claramente. No entanto, como qualquer sistema que depende da visão, ele encontrou um obstáculo quando a informação visual era muito ambígua. Em cerca de doze por cento dos casos, a câmera não conseguiu tomar uma decisão confiante. Estes foram os alvos de "sem resultado": folhas que estavam muito enroladas, muito obscurecidas por vizinhas ou simplesmente muito semelhantes em aparência para distinguir a diferença entre dano leve e moderado. Se o processo parasse aqui, essas folhas difíceis permaneceriam não classificadas ou, pior, seriam classificadas incorretamente, potencialmente arruinando a qualidade do lote final de chá.

Para resolver este problema, os pesquisadores introduziram um segundo estágio para essas amostras persistentes. Em vez de tentar forçar a câmera a enxergar melhor, eles recorreram à assinatura química escondida dentro da folha. Eles pegaram as amostras físicas correspondentes às folhas que a câmera não conseguiu classificar e submeteram-nas à espectroscopia de infravermelho próximo. Este processo envolveu congelar, secar e moer as folhas para criar um pó uniforme, que foi então escaneado com luz. A luz interagiu com os compostos químicos dentro da folha — como polifenóis do chá, açúcares e aminoácidos — criando uma impressão digital espectral única. Os pesquisadores descobriram que folhas com diferentes níveis de dano por insetos possuíam perfis químicos distintos. Por exemplo, folhas com dano moderado tendiam a ter níveis mais altos de certos polifenóis, enquanto folhas severamente danificadas mostravam um aumento nos aminoácidos livres.

Usando essas impressões digitais químicas, a equipe construiu um segundo modelo para atuar como um árbitro. Este modelo foi treinado em um conjunto separado de duzentos e quarenta amostras para aprender a diferença entre as classes leve, moderada e severa baseando-se puramente em sua química interna. Quando este modelo químico foi aplicado às amostras difíceis que a câmera havia rejeitado, ele provou ser notavelmente preciso. Ele classificou corretamente quase noventa e seis por cento das folhas problemáticas. Ao combinar a velocidade da câmera com o insight químico da espectroscopia, os pesquisadores criaram um fluxo de trabalho que poderia lidar com todo o lote de folhas. A câmera fez o trabalho pesado, classificando os casos fáceis instantaneamente, enquanto a espectroscopia intervinha apenas quando necessário para resolver os casos difíceis.

O resultado desta abordagem de duas etapas foi um salto significativo na precisão geral. Se os pesquisadores tivessem dependido apenas da câmera, o sistema teria classificado corretamente apenas cerca de setenta e oito por cento de todas as folhas. Ao adicionar a reavaliação química para os casos difíceis, a precisão total subiu para quase noventa por cento. Este progresso demonstra que, embora uma câmera seja excelente para ver a superfície, ela nem sempre consegue ver através da complexidade da natureza. A análise química fornece um backup necessário, garantindo que mesmo as folhas mais confusas sejam classificadas corretamente.

No entanto, os pesquisadores fazem questão de notar que este sucesso foi alcançado em um ambiente controlado de laboratório. A análise química exigiu que as folhas fossem processadas — congeladas, secas e moídas — o que não é a forma como o chá é manuseado em uma linha de classificação em tempo real. O sistema atual é uma prova de conceito, mostrando que a combinação de dados visuais e químicos funciona em princípio. O próximo passo, que os autores identificam como essencial, é adaptar este método para folhas frescas que se movem em uma esteira transportadora, sem a necessidade de moagem ou congelamento. Até que isso aconteça, o sistema permanece uma ferramenta poderosa para a classificação laboratorial e um modelo para futuros sistemas de inspeção online, oferecendo um caminho para uma produção de chá mais consistente e de maior qualidade.