Detecção de Resíduos em Imagens de Bolsas de Sangue Utilizando Transformada Wavelet Cássio Avelino Adorni cassioaa@ig.com.br Adilson Gonzaga adilson@sel.eesc.usp.br Departamento de Engenharia Elétrica, Escola de Engenharia de São Carlos Universidade de São Paulo USP RESUMO - A medicina de transfusão de sangue cada vez mais exige produtos e processos mais seletivos. Deste modo as bolsas de sangue são submetidas a processos com grande variação de temperatura e a várias centrifugações sucessivas, e se no seu filme existir qualquer material ou resíduo poderá causar ruptura da bolsa com conseqüente perda de seu conteúdo. Estes materiais ou resíduos podem ser detectados durante o processo de manufatura e fabricação, mas algumas empresas adotam o sistema de inspeção visual manual, que não garante que todas as bolsas estejam livres destes resíduos, devido ao fator humano e a juízo de valor. Para automatizar este processo este artigo propõe uma metodologia de Inspeção Visual Automática. No processamento das imagens foi utilizada a Transformada Wavelet para destacar as altas freqüências nas imagens. A metodologia proposta, baseada em wavelets, alcançou resultados promissores e confiáveis indicando que sua implantação em uma linha de produção pode melhorar a qualidade do produto final. Estes materiais ou resíduos podem ser detectados no processo de fabricação e manufatura da bolsa de sangue, durante as inspeções de qualidade. Em algumas empresas o processo de inspeção de bolsa de sangue é feito visualmente, a olho desarmado ou a olho nu, como na Figura 1, fato que não permite garantir a ausência de resíduo por estar diretamente ligado ao fator humano e a juízo de valor [2]. INTRODUÇÃO Com a evolução da medicina de transfusão de sangue nos últimos tempos, são necessários processos e produtos mais seletivos. As bolsas de sangue, produto utilizado na armazenagem de componentes sanguíneos, são submetidas a vários processos com grandes variações de temperatura, de 120ºC na esterilização à -70ºC no armazenamento de sangue e centrifugações sucessivas de até 5000 RPM [1]. Para garantir sua qualidade, o filme plástico com a qual é fabricada, não pode conter qualquer material ou resíduo que cause alteração em seu estado ou resistência, para evitar que durante os processos de armazenamento ou centrifugação não haja ruptura da bolsa, causando a perda do conteúdo e por conseqüência graves transtornos. Figura 1 Processo de Inspeção Visual manual. É preciso garantir que as bolsas comercializadas para coleta de sangue, não contenham qualquer tipo de resíduo, a um custo que não inviabilize a competitividade comercial das empresas, que somente pode ser conseguida com sistemas automatizados. Para automatizar o processo de inspeção visual, este artigo propõe uma metodologia para o desenvolvimento de um sistema de visão de máquina (Inspeção Visual Automática), por meio de Visão Computacional. Com o avanço dos sistemas computacionais, os algoritmos para reconhecimento de padrões em imagens têm apresentado excelentes resultados quando aplicados em sistemas automatizados, obtendo avanços significativos em várias áreas [3] [4].
CAPTURA DAS IMAGENS Na captura das imagens, foi usado um sistema de iluminação omni-direcional [5], para isolar as bolsas para coleta de sangue das adversidades do ambiente. Este equipamento, na parte superior possui uma abertura e um suporte no qual é fixada a câmera para digitalização das imagens. A iluminação é realizada através de quatro lâmpadas fluorescentes tubulares de luz branca excitadas por fonte de alta freqüência (15 KHZ). Estas lâmpadas estão direcionadas para a parte superior do difusor, que reflete a luz na bolsa para coleta de sangue e assim distribuindo a luz de maneira uniforme e isolando das adversidades do ambiente. Foi utilizada a câmera de vídeo KP-110CCD da Hitachi, com um conjunto de lentes de zoom óptico de 16 vezes e controle de abertura do diafragma. Esta câmera gera imagens analógicas que posteriormente são digitalizadas. Para a formação do primeiro banco de imagens foram utilizadas 48 bolsas para coleta de sangue com os dois tipos de filmes: Di (2-etilhexil) ftalato (DEHP) e tri (2-hetilexil) trimelitato (TEHTM), nos formatos de bolsa satélite e mãe. Estas bolsas foram retiradas da linha de produção, e classificadas, por um Laboratório de Controle de Qualidade, em Bolsa com resíduo e Bolsa sem resíduo, determinando-se a quantidade de resíduos em cada bolsa. Cada bolsa para coleta de sangue foi catalogada, numerada e dividida em oito partes, como na Figura 2. Figura 2 - Imagens geradas de uma bolsa de sangue. As imagens foram dividas em oito partes, porque desta maneira pode-se ampliar as imagens usando os recursos da filmadora e do conjunto óptico. Além das oito imagens de cada bolsa foram capturadas imagens de partes das bolsas que representem cenas que possam gerar dificuldades no processamento e na classificação dos pixels de resíduos. Estas imagens geralmente são partes escuras, com níveis de cinza próximos aos de resíduos, ou que tem grande variação. As imagens contêm hímens, tear off, tubos de saída, interruptor de fluxo e vários resíduos próximos das bordas e com níveis de cinza diferentes, como mostrados na Figura 3. Figura 3 - Exemplos de imagens capturadas. O primeiro banco de imagens foi gerado no formato BMP, resolução de 608 x 456 pixels e 256 níveis de cinza, com 504 imagens das quais 380 sem resíduos e 124 imagens com resíduos. O segundo banco de imagens foi gerado usando cem bolsas para coleta de sangue retiradas da linha de produção, também com os dois tipos de filmes e com os mesmos formatos, resolução e níveis de cinza do primeiro, com 800 imagens, ou seja, 8 imagens de cada bolsa. Estas bolsas foram inspecionadas, classificadas apenas em Bolsa com resíduo e Bolsa sem resíduo pelo mesmo laboratório de controle de qualidade, sem determinar a quantidade de resíduos em cada bolsa, e em seguida numerada de um a cem. Nenhuma das bolsas usadas nesta inspeção foi usada na geração das imagens do primeiro banco de imagens. A captura das imagens foi realizada da mesma maneira que na geração do primeiro banco de imagens, considerando-se as oito imagens, sem imagens adicionais. PROCESSAMENTO DAS IMAGENS UTILIZANDO A TRANSFORMADA WAVELET
Nesse trabalho foi usada a análise de multiresolução (Multiresolution Analisys - MRA), desenvolvida por Mallat [6] [7] e a Wavelet de Haar [8] [9], devido sua simplicidade para implementação, baixo custo computacional, e ser amplamente usada em processamento de imagens digitais [10]. Foram utilizados dois níveis de decomposição, mas somente os coeficientes horizontais do segundo nível [11] foram capazes de detectar a presença de resíduos. Os resíduos presentes nestas bolsas não apresentam tamanho inferior a 10 e superior a 60 pixels, pois, são oriundos de pequenos fios de cabelo humano, partículas de poeira ou outros materiais. Entretanto, as bordas das bolsas quando processadas via Transformada Wavelet destacam-se da mesma maneira que os resíduos procurados. A diferença está no tamanho do agrupamento de pixels formantes das bordas. Portanto, verificando-se na imagem de coeficientes horizontais do segundo nível de decomposição a conectividade de todos os pixels, usando a vizinhança de quatro na vertical e na horizontal (N4(p)) [2] [3] e em seguida identificando-se quais os objetos (grupos de pixels conectados) na imagem possuem mais de 350 pixels conectados, é possível descartar blobs maiores considerando-os como bordas e não resíduos. Foi usado um limiar para gerar os pixels de interesse, e dessa forma isolar os pontos de mais alta freqüência. Este limiar foi determinado em testes empíricos, com auxílio da base de imagens, observandose as características dos resíduos. O valor do limiar foi estabelecido em 204. Por fim, para cada agrupamento encontrado na imagem, foi verificada a quantidade de pixels que possuíam e considerado resíduos somente aqueles entre 10 e 60 pixels conectados, gerando-se uma imagem binária com apenas os pixels que representam resíduos, como na Figura 4. Para a avaliação dos resultados obtidos foi realizada uma inspeção visual manual em cada bolsa para coleta de sangue utilizada na montagem do primeiro banco de imagens. Esta inspeção visual manual foi realizada por três inspetoras de uma linha de produção. Cada inspetora tem características e experiência diferentes, como acontece no trabalho de qualquer empresa. A Inspetora 1 tem 3 meses de experiência nesta função, a Inspetora 2, um ano de experiência nesta função e a Inspetora 3, um ano e dois meses de experiência nesta função. Nenhuma das inspetoras usam lentes corretivas. ANÁLISE ESTATÍSTICA Na comparação dos resultados foi utilizada a análise estatística do Teste t Student [12] para amostras pareadas, com o intervalo de confiança de 95%, sendo consideradas diferenças estatisticamente não significantes quando o valor de p < 0,05, ou seja, com baixo nível de incerteza. O coeficiente de correlação de Pearson [12] foi utilizado para análise comparativa entre os resultados das inspeções realizadas e a classificação do laboratório de controle de qualidade. Esta correlação varia de -1 a 1, onde -1 indica correlação inversa e 1, a correlação perfeita. INSPEÇÃO VISUAL MANUAL Figura 4 Exemplo de Processamento das Imagens pela abordagem proposta Todas as inspetoras foram treinadas para exercer esta função e os treinamentos são realizados periodicamente de três em três meses. As três inspetoras analisaram todas as quarenta e oito bolsas, tal como em suas atribuições diárias, ou seja, com a rotina de trabalho habitual.
Para se obter um resultado único do sistema de inspeção visual manual foi gerada a média das três inspeções realizadas. As bolsas usadas na captura das imagens foram classificadas e a quantidade de resíduos anotada. Os resultados obtidos pelas inspetoras, bem como média do processo de inspeção visual manual e o tempo de execução desta tarefa, foram comparados ao resultado do Laboratório de Controle de Qualidade e são apresentados na Tabela 1. Como era de se esperar, as inspetoras obtiveram resultados diferentes na inspeção de uma mesma bolsa de sangue. Por exemplo, o resultado obtido pelas inspetoras na bolsa_46 são divergentes; a Inspetora 1 encontrou 4 resíduos e as outras duas não encontraram resíduo algum. O tempo médio para processar uma imagem e verificar a existência de resíduos foi de 1,4 segundos. Nas oito imagens, que uma bolsa pode gerar, o tempo médio de inspeção foi de 11,2 segundos e o tempo total para análise das 48 bolsas para coleta de sangue, foi de aproximadamente 10 minutos, ou seja, tempo este inferior à média dos tempos das inspetoras humanas. Tabela 1 - Resultados da inspeção visual manual Tempo (Min.) Coeficiente de Correlação Inspetora % Acerto 1 68,75 10 0,7016 2 77,08 15 0,2436 3 62,5 15 0,3343 Média 70,8 12 0,6690 Figura 5 - Digrama de blocos do algoritmo desenvolvido. Este fato comprova a interferência do fator humano nos resultados de classificação. RESULTADOS DA INSPEÇÃO VISUAL AUTOMÁTICA Para analisar as imagens do banco de imagens foi desenvolvido um algoritmo na plataforma Matlab versão 7.0 da MathWorks, Inc. Este algoritmo foi aplicado em todas as 504 imagens do primeiro banco de imagens. A Figura 5 mostra um diagrama de blocos do algoritmo desenvolvido. A metodologia proposta neste trabalho identificou corretamente, ou seja, considerando-se o número total de resíduos em cada uma, a existência de resíduos em 46 das 48 bolsas analisadas, ou seja, com 96% de precisão, e o coeficiente de correlação de 0,9753. A Figura 6 traz o gráfico com os resultados da classificação realizada pelo laboratório e da inspeção realizada. Apenas duas bolsas, a bolsa_6 e a bolsa_13, não foram corretamente analisadas. Estas bolsas têm como características, resíduos nas bordas da imagem, como apresentado na Figura 7. O algoritmo não conseguiu identificar resíduos nessas imagens, porque o resíduo estava na borda da bolsa, e como a borda foi removida, também foi removida a informação com o resíduo. INSPEÇÃO VISUAL AUTOMÁTICA APLICADA ÀS BOLSAS RETIRADAS DA LINHA DE PRODUÇÃO Para se avaliar o desempenho do sistema de Inspeção Visual Automático desenvolvido neste trabalho, o algoritmo desenvolvido foi aplicado nas 800 imagens do segundo banco de imagens retirado diretamente da linha de produção. Figura 6 - Comparação dos resultados da inspeção visual automática e a classificação do laboratório de controle de qualidade.
coeficiente de correlação de 0,9526. Estes resultados estão demonstrados na Figura 8, onde 1 indica resíduo e 0 a ausência de resíduo. Da mesma maneira o método não obteve êxito em duas bolsas, a bolsa_7 e a bolsa_12, porque os resíduos nestas bolsas estão localizados na borda da imagem, como na Figura 9. Figura 7 - (a) Imagem do resíduo da bolsa_6; (b) Imagem do resíduo da bolsa_13. Nesta inspeção somente foi avaliado se existem ou não resíduo na bolsa para coleta de sangue, sem especificar a quantidade de resíduos encontrada. Figura 9 - (a) Imagem do resíduo da bolsa 7; (b) Imagem do resíduo da bolsa 12. CONCLUSÃO Figura 8 - Comparação resultados Inspeção Visual Automática das bolsas retiradas da linha de produção. Os resultados mostram que a abordagem desenvolvida neste trabalho conseguiu identificar corretamente resíduos em noventa e oito das cem bolsas analisadas, ou seja, com precisão de 98%, e obteve o Os resultados obtidos com as inspeções realizadas pelas inspetoras da linha de produção indicam que existem divergências na inspeção de uma mesma bolsa. As análises realizadas neste trabalho mostram que o percentual de acerto obtido é pequeno quando a inspeção é realizada de maneira manual, mesmo que por inspetores treinados. Este fato expõe a fragilidade do processo e indica claramente a necessidade de automatização da Inspeção Visual. Portanto a automatização desta tarefa pode obter resultados mais uniformes com padrões mais bem definidos.
A metodologia de inspeção visual automática baseada em Wavelets alcançou resultados mais precisos com o percentual de acerto de 96% das bolsas analisadas no primeiro banco, com o coeficiente de correlação de 0,9753 e de 98% das bolsas analisadas na linha de produção, com o coeficiente de correlação de 0,9526. O tempo que o sistema de Inspeção Visual Automático levou para processar e classificar as imagens das 48 bolsas do primeiro banco foi de aproximadamente 10 minutos, sendo que a média do tempo da inspeção manual foi de 12 minutos para as mesmas bolsas. Ou seja, o tempo de processamento do sistema automático, mesmo nesta versão implementada em Matlab, foi menor, demonstrando a viabilidade de desenvolvido em código compilado e instalado diretamente em uma linha de produção. REFERÊNCIAS BIBLIOGRÁFICAS [1] VERCEZE, A V. PEREIRA, N L., BUZZO, E. J., Estudo físico-químico de diferentes filmes de bolsa de sangue visando a segurança frente ao processo hemoterapêutico. Revista Brasileira de Hematologia e Hemoterapia 2006, Rio de Janeiro, 2006, pág 139-143. [8] HAAR A., Zur Theorie der orthogonalen Funktionensysteme, Mathematische Annalen, pp 331-371, 1910. [9] ALMEIDA, O. C. P.,Técnicas de Processamento de Imagens para Localização e Reconhecimento de Faces, Dissertação de Mestrado Instituto de Ciências Matemáticas e da Computação (ICMC-USP) Universidade de São Paulo, 2006. [10] LIMA, P. C., Wavelets: Teoria, Algoritmos e Aplicações. Departamento de matemática, UFMG, 2004. [11] PARRAGA, A., Aplicação da Transformada Wavelet Pocket na Análise e Classificação de vozes Patológicas, Dissertação de Mestrado (Mestrado em Engenharia Elétrica) - Universidade Federal do Rio Grande do Sul, 2002. [12] MARTINS A. G., Estatística Geral Aplicada, São Paulo: Atlas.2005. [2] ADORNI, C.A.; GONZAGA, A.; Da SILVA, I.N. Detecção de Resíduos em Imagens de Bolsas para Coleta de Sangue Utilizando um Sistema Fuzzy nos canais RGB, X Congresso Brasileiro de Informática em Saúde CIBIS 2006, Sociedade Brasileira de Informática em Saúde, Joinvile, Anais p. 178-179, 2006. [3] Marques Filho, O., Vieira neto, H. Processamento Digital de Imagens, Brasport, 1999. [4] Rafael C. Gonzalez and Paul Wintz. Digital Image Processing, Addison-Wesley Pub. Co., 1987. [5] Batchelor, B.G., Hill,.A. Hodgson, D.G. Automated Visual Inspection, IFS Publi Carton Ltd, North-Holland Pub. Co., 1985. [6] MALLAT, S., Theory for Multiresolution Signal Decomposition: The Representation. IEE Transaction on Pattern Analysis and Machine Intelligence, v 11, p.674-693, 1989. [7] CASTELANO, C. R., Estudo Comparativo da Transformada Wavelet no Reconhecimento de padrões da Íris Humanas, Dissertação de Mestrado Escola de Engenharia de São Carlos - Universidade de São Paulo 2006.