Casamento de modelos baseado em projeções radiais e circulares invariante a pontos de vista.

Este trabalho aborda o problema de casamento entre duas imagens. Casamento de imagens pode ser do tipo casamento de modelos (template matching) ou casamento de pontos-chaves (keypoint matching). Estes algoritmos localizam uma região da primeira imagem numa segunda imagem. Nosso grupo desenvolveu dois algoritmos de casamento de modelos invariante por rotação, escala e translação denominados Ciratefi (Circula, radial and template matchings filter) e Forapro (Fourier coefficients of radial and circular projection). As características positivas destes algoritmos são a invariância a mudanças de brilho/contraste e robustez a padrões repetitivos. Na primeira parte desta tese, tornamos Ciratefi invariante a transformações afins, obtendo Aciratefi (Affine-ciratefi). Construímos um banco de imagens para comparar este algoritmo com Asift (Affine-scale invariant feature transform) e Aforapro (Affine-forapro). Asift é considerado atualmente o melhor algoritmo de casamento de imagens invariante afim, e Aforapro foi proposto em nossa dissertação de mestrado. Nossos resultados sugerem que Aciratefi supera Asift na presença combinada de padrões repetitivos, mudanças de brilho/contraste e mudanças de pontos de vista. Na segunda parte desta tese, construímos um algoritmo para filtrar casamentos de pontos-chaves, baseado num conceito que denominamos de coerência geométrica. Aplicamos esta filtragem no bem-conhecido algoritmo Sift (scale invariant feature transform), base do Asift. Avaliamos a nossa proposta no banco de imagens de Mikolajczyk. As taxas de erro obtidas são significativamente menores que as do Sift original.

Bruise Simulation in Peach Grading Lines as a tool for designing Improvement Strategies.

The Physical Properties Laboratory (LPF) has been working on the improvement of fruit and vegetable grading lines since 1992'. The experience shows that the improvement of grading lines for decreasing mechanical damages has to be approached from two viewpoints: 1) machinery aggressiveness, and 2) fruit susceptibility. Machinery aggressiveness can be characterized as impact probability for different impact intensities assessed by means of electronic fruits (IS-100) 2,5 . On the other hand, bruise susceptibility can be determined using different laboratory tests. A recent study from LPF4 shows that damage may arise differently in pome and in stone fruits, since: a) pome fruits are mainly stress-susceptible, while stone fruits appear to be more deformation-susceptible, and b) bruise size may be a good predictor for bruise susceptibility in pome fruits while for stone fruits bruise probability is the most relevant characteristic of bruise susceptibility. Also, this study indicates the feasibility of predicting bruise probability using several mechanical and load characterization parameters. Despite the efforts to establish damage thresholds in peachess, no simulation models are currently available for predicting bruise occurrence in grading lines.