Medir anéis de crescimento com o telemóvel

Os avanços nas câmaras dos telemóveis atuais substituíram as nossas câmaras convencionais. Começámos a criar uma aplicação para contar anéis de crescimento em amostras de verruma com o iPhone. O primeiro passo é testar a câmara e perceber melhor como obter as melhores imagens.

Para obter boas fotografias da amostra, estas têm de:

• Ser nítidas
• Ter alta resolução
• Ter iluminação uniforme

Ter muitos píxeis nítidos por mm, com iluminação uniforme, dá-nos boas condições para contar os anéis de crescimento.

Especificações de câmara de diferentes modelos de iPhone

Os resultados provêm de especificações oficiais, de dados das API da Apple e de imagens tiradas com a aplicação de câmara Halide, que recomendamos vivamente.

De um modo geral, as câmaras grande angular são as melhores, exceto talvez a câmara ultra grande angular do iPhone 13 Pro. Como mostra a Tabela 1, as câmaras grande angular mais recentes não trouxeram maior resolução a curta distância. Ao longo dos anos, as alterações na distância focal e na abertura aumentaram a distância mínima de focagem. Por exemplo, a resolução em píxeis por mm era melhor no iPhone 7 do que no iPhone 13 Pro (grande angular).

No entanto, a qualidade das fotografias melhorou significativamente nos últimos anos: há uma grande diferença entre as fotografias do iPhone 7 e do 11, por exemplo (ver exemplos mais abaixo). Os sensores continuam a ter 12 megapíxeis, mas hoje os píxeis são muito mais nítidos.

Comparação da qualidade de fotografia entre modelos de iPhone

iPhone 7. Pouco nítida e com problemas de equilíbrio de brancos.

iPhone 8. Pouco nítida e com alguns problemas no equilíbrio de brancos automático.

iPhone SE2. Mais nítida e com melhor equilíbrio de brancos do que os telemóveis mais antigos acima.

iPhone XR. Resultado semelhante ao do iPhone SE2.

iPhone 11. Nítida. A qualidade é muito boa. Melhor do que o XR e o SE2.

iPhone 12 Pro Max. A distância mínima de focagem é maior do que no 12 Pro normal e no 11. É mais difícil obter imagens nítidas.

iPhone 13 Pro. Câmara ultra grande angular. Imagens muito nítidas. Serão necessários ajustes especiais para evitar margens desfocadas.

iPhone 13 Pro. Câmara grande angular. Não tão boa como o 11, o 12 ou o 12 Pro.

Junção de imagens

Para fotografar a amostra inteira, é preciso tirar várias fotografias e juntá-las. A amostra tem cerca de 5 mm de largura e 10-50 cm de comprimento. Para obter resolução suficiente, é preciso fotografá-la a curta distância.

O problema é que a distância mínima de focagem da câmara grande angular é de cerca de 10-15 cm. Isto significa que só conseguimos fotografar uma pequena parte da amostra de cada vez. É preciso tirar várias fotografias sobrepostas e juntá-las.

Testámos a junção de imagens e funciona bem. O utilizador tira fotografias sobrepostas e a aplicação junta-as automaticamente. A aplicação indica ao utilizador se a junção foi bem-sucedida ou se é preciso repetir a fotografia.

Guia visual do processo de junção

Qualidade de imagem

Para tirar fotografias com a maior qualidade possível, quero aproveitar o tamanho máximo do sensor de imagem, que tem 3000 x 4000 píxeis. Para usar a largura máxima (4000 px), a aplicação tem de ser usada na horizontal ao fotografar a amostra (vista de câmara). Depois, é preciso criar um ecrã para contar os anéis (vista de imagem) e outro para ver as amostras numa tabela (vista de tabela).

Navegação entre vistas

Na floresta, o objetivo é fotografar os anéis, verificar a qualidade da fotografia e talvez contar os anéis. No escritório, o objetivo é rever amostras fotografadas anteriormente e contar os anéis.

Por isso, é preciso poder navegar entre as diferentes vistas. Eis uma sugestão de como poderia ser:

Fluxo de navegação entre as diferentes vistas

A vista de câmara tem de incluir o seguinte:

• Ajuda gráfica para colocar a amostra no centro do ecrã.
• Mostrar a imagem anterior, para facilitar a fotografia seguinte da amostra.
• Indicação de que a junção foi bem-sucedida.
• Poder verificar se a imagem está nítida antes de premir o botão do obturador.

Para contar os anéis, a vista de imagem precisa do seguinte:

• Poder ampliar a imagem.
• Contar os anéis manualmente, marcar cada décimo anel e somar automaticamente.
• Poder guardar a medição.

A vista de tabela

deve ser uma tabela padrão onde se podem eliminar amostras e escolher a que se quer ver na vista de imagem.

O próximo passo é testar a aplicação no terreno e ver se funciona como esperado. Provavelmente vamos descobrir aspetos que precisam de ser alterados.

Prevemos enviar a aplicação para testes no final de março. Os interessados podem registar-se aqui.

Para quem perdeu os nossos artigos anteriores sobre a criação da aplicação, há mais para ler:

Ligações para as partes 1 e 2.

Talvez saiba que tenho trabalhado numa aplicação para contar os anéis de crescimento das árvores com o telemóvel. Nas últimas semanas, tenho estado bastante calado sobre o assunto.

O motivo é simples.

Fui testá-la em condições reais e percebi que não seria possível criar uma aplicação assim. Vou explicar porquê, para que quem tentar o mesmo no futuro possa partir da minha experiência.

Aprender com o fracasso

Na internet, quase toda a gente fala dos seus sucessos, mas poucos contam quando falham. Isso dá a ideia de que é fácil ter sucesso e impede-nos de aprender com os erros dos outros. O sucesso é um mau professor – o fracasso não. Vou agora contar o que aprendi e porque estou a abandonar a ideia.

A origem

Tudo começou há vários anos, quando ouvi repetidamente que os técnicos florestais achavam trabalhoso contar anéis de crescimento. Preferiam uma máquina que medisse a idade das árvores apenas encostando-a ao tronco.

Ver o interior de uma árvore sem a abater é um desafio técnico difícil. Parecia-me fora do meu alcance. Mas talvez fosse possível fotografar amostras de verruma com o telemóvel e deixar o próprio telemóvel contar os anéis.

Comecei a criar uma aplicação que, numa primeira fase, permitisse fotografar amostras e contar os anéis manualmente. Se resultasse, o passo seguinte seria criar uma solução de IA que os contasse automaticamente.

O primeiro desafio

foi aproximar a câmara o suficiente, mas isso resolvia-se tirando várias fotografias e juntando-as automaticamente. Foi um pouco difícil, porque a focagem automática tinha dificuldade em focar uma amostra tão estreita. Resolvi-o com uma função de ampliação que mostrava se a amostra estava nítida ou não. Se o utilizador colocasse a mão atrás da amostra, tudo corria bem.

O segundo desafio

foi juntar as imagens: o utilizador tinha de deixar uma sobreposição razoável entre elas. Nem pouca demais, porque a junção falhava, nem demasiada, porque o utilizador teria de tirar demasiadas fotografias. Resolvi-o mostrando uma parte da imagem anterior e indicando ao utilizador se a nova imagem tinha sido unida à anterior ou se era preciso repeti-la. Com a resposta háptica, ficava claro se tinha corrido bem ou mal.

Testei em interiores e senti que estava no bom caminho.

Depois fui algumas vezes para o exterior e aprendi o seguinte:

• A luz era um desafio: o sol e a neve criavam muito contraste na imagem.
• Os anéis de crescimento não se viam com clareza nas fotografias. Era difícil ter a certeza se se tratava de lenho inicial ou lenho tardio.

Imagem 1: Amostra de verruma de pinheiro. É difícil contar os anéis de crescimento.

Imagem 2: Amostra de verruma de pinheiro. É frequente a amostra ficar com sujidade. Por vezes, isso dificulta a contagem e tornará a contagem automática ainda mais difícil.

O problema da luz podia resolver-se ficando de costas para o sol e com o mínimo possível de neve na imagem.

Não consegui resolver o problema de os anéis não ficarem suficientemente nítidos. A resolução era bastante elevada, 20-40 píxeis por mm, mas a nitidez não era perfeita e o contraste entre os anéis era demasiado baixo. Tentei aumentar o contraste e aplicar diferentes níveis de nitidez à imagem, mas o resultado continuou a não ser suficientemente bom. Pareceu-me mesmo um problema decisivo. O problema surgia sobretudo na parte exterior da imagem e podia, em parte, ser uma questão ótica.

Os programas de computador para análise de anéis de crescimento disponíveis no mercado exigem frequentemente madeira cortada e polida. As amostras de verruma não são um material tão bom, e essa é provavelmente a principal razão de ter sido tão difícil.

Evitar restos de casca na amostra não é fácil; acontece sobretudo com pinheiros, que têm casca grossa. Retirá-los era difícil e corria-se o risco de perder a amostra. Além disso, seria um desafio pôr uma IA a distinguir entre o lenho tardio escuro e a sujidade.

O que me fez desistir de vez foi estar na floresta a lutar para tirar fotografias sobrepostas. Quando finalmente consegui, tive dificuldade em ver os anéis. Passei a contá-los manualmente e foi mais rápido. Se eu próprio tenho problemas com a minha aplicação, como será a experiência para outro utilizador?

Lições aprendidas

Aprendi muito, incluindo o seguinte:

• Criar novos produtos envolve sempre riscos. É preciso minimizá-los testando primeiro as partes críticas. Neste caso, era a qualidade das fotografias.
• O interesse foi menor do que o esperado. Poucas pessoas mostraram interesse, o que indica que o mercado para uma aplicação deste tipo não é grande. Uma excelente aplicação num mercado pequeno dificilmente se mantém viável.
• Não há que hesitar em desistir, mesmo depois de investir muito tempo num projeto. É melhor testar muitas ideias e escolher a que tiver mais sucesso e tração. Agora tenho mais tempo para as minhas outras ideias...

Nos anos que se seguiram, houve algum interesse pelo tema. As câmaras dos telemóveis também melhoraram e surgiram algumas publicações interessantes na área.

Nos últimos cinco anos, a deteção automática de anéis de crescimento evoluiu rapidamente de um processamento de imagem frágil e baseado em regras para abordagens robustas de aprendizagem profunda. Os primeiros progressos surgiram com a aplicação de redes neuronais convolucionais à segmentação dos limites dos anéis, permitindo uma tolerância muito maior ao ruído, a lixagens irregulares e a iluminação variável. Um marco importante foi a utilização de modelos de segmentação de instâncias, como o Mask R-CNN, para detetar os limites dos anéis em imagens de scanner e de smartphone (Kim et al., 2023). Pouco depois, surgiram fluxos de trabalho totalmente automatizados que combinam aprendizagem profunda com pós-processamento e exportação para formatos padrão de dendrocronologia (Poláček et al., 2023). Estes métodos foram acompanhados de implementações em código aberto, tornando a deteção de anéis de última geração reprodutível e acessível (TRG-ImageProcessing no GitHub). Mais recentemente, foram publicados novos conjuntos de dados anotados e modelos de referência de segmentação semântica para lidar com superfícies difíceis de madeira de folhosas e amostras rugosas (Wu et al., 2024). Modelos de segmentação baseados em transformers foram também aplicados a microsecções de madeira de alta resolução, melhorando a delimitação dos limites em amostras anatomicamente complexas (García-Hidalgo et al., 2024). Ao mesmo tempo, os grandes modelos fundacionais de segmentação reduziram as barreiras à anotação interativa e à prototipagem rápida (Kirillov et al., 2023). A disponibilização destes modelos em código aberto acelerou a experimentação, tanto na investigação como no desenvolvimento de produtos aplicados (Segment Anything no GitHub). Em conjunto, estes avanços fazem hoje da contagem automática e de alta precisão de anéis a partir de fotografias uma base realista para aplicações móveis e prontas para o trabalho de campo.

Acrescentámos às listas os dados das lentes e câmaras dos iPhone mais recentes

Estamos curiosos para ver onde tudo isto vai dar