A indústria de madeira tem dispensado especial atenção às etapas de classificação e seleção de
madeira serrada. Sistemas de Visão Artificial têm sido propostos para automação dessas etapas na indústria.
A identificação de características apropriadas para discriminar os defeitos da madeira em imagens digitais é
um dos maiores desafios no desenvolvimento desta tecnologia. O objetivo deste trabalho foi avaliar, por meio
de técnicas de análise multivariada, a capacidade de discriminar defeitos em tábuas de eucalipto, utilizando-
se as características de percentis de imagens coloridas. Foram realizadas análises discriminantes linear e quadrática
para classificação de defeitos e madeira limpa em imagens digitais de tábuas de eucaliptos. As características
de percentis do histograma das bandas do vermelho, verde e azul, retiradas de dois tamanhos de blocos de
imagens, foram utilizadas para desenvolvimento e teste das funções discriminantes. Foram usados 492 blocos,
contendo os 12 defeitos estudados e madeira limpa, retirados das imagens de 40 tábuas amostradas aleatoriamente.
As características foram analisadas com seus valores originais, escores dos componentes principais e escores
das variáveis canônicas. Os menores erros globais de classificação foram 19 e 24% para funções discriminantes
lineares com os escores das variáveis canônicas para tamanho de bloco de 64 x 64 e 32 x 32 pixels, respectivamente.
Tendo em vista a magnitude desses erros, as características de percentis foram consideradas adequadas para
discriminar defeitos e madeira limpa em imagens digitais.
The lumber industry has given special attention for lumber grading and selection stages. Machine
Vision Systems have been proposed as a technological solution for automation of these stages. The proper
feature selection for discriminating defect and clear wood is one of the most challenging in the development
of such technology. The objective of this work was to evaluate, using multivariate analysis, the discriminating
power of color images percents. In this work, linear and quadratic discriminant analysis were accomplished
for classification of defects and clear wood in digital images of eucalyptus lumber. The percent features of
the histogram for the red, green and blue bands, from two sizes of image blocks were used for developing
and testing the discriminant functions. 492 blocks were used, containing the 12 studied defects and clear wood, derived from images of 40 lumbers randomly sampled. The features were analyzed with their original
values, scores of the principal components and scores of the canonical variables. The smallest global misclassification
errors were 19% and 24% for linear discriminant function with the canonical variable scores using block
sizes of 64x64 and 32x32 pixels, respectively. The percent features were considered appropriate to discriminate
defects and clear wood in digital images.
