Pergunte a dez compradores o que é importante em um classificador óptico e nove falarão sobre câmeras, canais ou capacidade de processamento. Muito poucos perguntam sobre a luz — no entanto, a iluminação é o componente que determina, em primeiro lugar, se um defeito é fisicamente visível para a máquina.
Um classificador óptico não consegue detectar um contraste que sua fonte de luz nunca cria. Se uma pedra e um grão de arroz refletirem comprimentos de onda idênticos sob sua fonte de iluminação, nenhuma quantidade de poder de processamento ou resolução de câmera será capaz de separá-los. A fonte de luz define o contraste físico disponível; tudo o que vem a seguir apenas determina quão bem esse contraste é utilizado.
Este artigo mapeia as quatro famílias de iluminação e detecção utilizadas na classificação moderna — visível/RGB, infravermelho próximo, ultravioleta e raios X — de acordo com os materiais para os quais elas realmente são eficazes, para que você possa adequar a tecnologia ao defeito, em vez de comprar a configuração mais cara e torcer para que dê certo.
A iluminação vem em primeiro lugar na cadeia de classificação
Todo separador opera por meio da mesma cadeia de cinco etapas: o material é apresentado em uma única camada, iluminado, capturado por imagem, classificado e, em seguida, ejetado. A iluminação ocupa o segundo lugar e condiciona todas as etapas posteriores a ela.
A razão é simples. Os sensores CCD e CMOS não “enxergam” objetos; eles medem os fótons que chegam a cada pixel. O que chega depende de três fatores — o conteúdo espectral da fonte, como o material alvo reflete ou absorve esse espectro e a sensibilidade espectral do próprio sensor. Altere qualquer um desses três fatores e o mesmo objeto físico produzirá um sinal completamente diferente.
É por isso que a pergunta mais útil em uma conversa com um fornecedor não é “quantas câmeras?”, mas “sob que iluminação e para qual defeito?”.
Luz visível e RGB: a faixa de referência de 400–700 nm
A classificação no espectro visível utiliza a faixa de 400–700 nm — a faixa que o olho humano enxerga — capturada por câmeras de varredura linear trilineares com sensor vermelho/verde/azul.
Essa é a configuração mais utilizada, e por um bom motivo. A maioria dos defeitos em alimentos e produtos agrícolas realmente apresenta diferenças na cor visível: grãos de arroz esbranquiçados e amarelados, feijões danificados por insetos, café descolorido, nozes mofadas, flocos de plástico com cor alterada. As configurações publicadas para classificadores ópticos de alimentos especificam 0,3–0,5 mm por pixel ao longo da pista, com taxas de varredura de até 6.000 linhas por segundo, o que é suficiente para detectar pontos submilimétricos em produtos que se movem a 2,5–3,5 m/s.
A classificação RGB também é a configuração mais barata e a mais fácil de operar, pois o operador vê na tela exatamente o que a câmera vê.
Seu limite, no entanto, é estrutural. As três faixas de cor não carregam informações químicas. Um defeito que tenha a mesma cor visível do produto é invisível para uma câmera RGB, por melhor que seja a câmera. Um estudo independente sobre reciclagem de plásticos ilustra essa lacuna: enquanto um classificador por espectroscopia no espectro visível atingiu 96,5% de pureza e 91,7% de eficiência na separação de garrafas de PET transparentes das azuis-claras e verdes-claras, uma câmera RGB alcançou 86,5% e 77% no mesmo fluxo.
Essa diferença de 15 pontos na eficiência não é um problema de qualidade da câmera. É um problema de comprimento de onda.
Infravermelho próximo: 750–2.500 nm, onde se classifica a composição química em vez da cor
A espectroscopia no infravermelho próximo muda a medição da aparência para a composição. A banda NIR abrange aproximadamente 750–2.500 nm; os sistemas de classificação industriais geralmente utilizam a porção de ondas curtas, com sensores InGaAs cobrindo 900–1.750 nm.
É a física que torna essa tecnologia útil. As ligações químicas no material absorvem comprimentos de onda específicos e começam a vibrar, modulando o espectro de luz espalhada de volta pela superfície. Como diferentes materiais contêm ligações diferentes — sendo as ligações carbono-hidrogênio nos plásticos o caso clássico —, cada material retorna uma “impressão digital” espectral distinta. O classificador não está mais comparando cores; ele está lendo a estrutura molecular.
Essa capacidade permite separações que o RGB simplesmente não consegue realizar:
- Identificação de polímeros na reciclagem. PET, HDPE, PP, PS, ABS e PVC apresentam, cada um, faixas de absorção identificáveis, de modo que os flocos podem ser separados por tipo de resina, em vez de por cor — incluindo o “preto sobre preto”, onde a classificação visual falha completamente.
- Separação de casca e miolo. Estudos espectrais publicados sobre amêndoas identificam uma característica próxima a 930 nm associada ao teor de óleo da casca, o que separa o miolo da casca, independentemente de quão semelhantes os dois pareçam a olho nu. O mesmo princípio se aplica à castanha de caju e outras nozes, nas quais fragmentos da casca e o miolo podem ser visualmente quase idênticos.
- Umidade e composição interna. O NIR monitora o teor de água, o que o torna útil para detectar diferenças de qualidade interna em grãos e sementes que ainda não apresentam uma assinatura de cor externa.
Duas observações práticas. Primeiro, a intensidade do sinal NIR varia de acordo com a banda: as características de absorção na faixa do infravermelho de onda curta (SWIR) são significativamente mais fortes do que na faixa do infravermelho próximo (NIR), razão pela qual os sistemas equipados com SWIR lidam com alvos difíceis — filmes finos, amostras escuras, superfícies contaminadas — de maneira mais confiável. Segundo, a extensão para o infravermelho de onda média, em torno de 2.900–4.200 nm, é o que permite a separação de plásticos pretos, já que eles quase não absorvem nada utilizável na banda visível.
O custo operacional é a iluminação. O trabalho com NIR tradicionalmente depende de fontes halógenas porque elas cobrem a faixa do infravermelho, mas as lâmpadas halógenas têm vida útil limitada, alto consumo de energia e geram calor significativo — um problema real em fábricas de alimentos, onde o calor das lâmpadas afeta o produto. Fontes de LED otimizadas para NIR estão substituindo progressivamente as halógenas exatamente por esse motivo.
Ultravioleta: 100–400 nm e a assinatura de fluorescência
O UV situa-se na faixa de 100–400 nm. Seu valor para a classificação decorre menos da cor refletida e mais da fluorescência — certos materiais absorvem o UV e o reemitem em comprimentos de onda visíveis mais longos, produzindo um sinal que é fácil de isolar contra um fundo escuro.
Na prática, o UV é uma ferramenta especializada, e não de uso geral. É aplicado quando um contaminante apresenta fluorescência e o produto não, incluindo aplicações de triagem para determinados contaminantes biológicos e resíduos. O ponto importante do ponto de vista da engenharia é que a resposta à radiação UV requer óptica dedicada: sensores padrão de silício e lentes de vidro apresentam baixa transmissão de UV, e o trabalho com UV normalmente requer sensores otimizados para UV ou retroiluminados, além de materiais de lente apropriados.
Para a maioria das aplicações em alimentos e minerais, o UV é um complemento à luz visível ou ao NIR, e não um substituto.
Transmissão de raios X: classificação por densidade em vez de reflexão
Os raios X rompem completamente com esse modelo. As técnicas de luz visível, NIR e UV são todas baseadas na reflexão — a luz atinge a superfície e é refletida de volta. A transmissão por raios X permite que a radiação atravesse o objeto e mede o que é absorvido, o que depende da densidade atômica e da espessura, e não da aparência da superfície.
É isso que resolve a categoria mais difícil de problemas de classificação: defeitos que são idênticos em cor, idênticos em forma e diferentes apenas em densidade.
- Vidro, pedras e metal dentro de fluxos de alimentos
- Vazios internos, grãos ocos e danos causados por pragas ocultos dentro de um tegumento intacto
- Fragmentos de osso em alimentos processados
- Separação de minerais em que rochas valiosas e resíduos apresentam aparência superficial semelhante
Como a densidade é uma característica intrínseca do material, o raio X também é indiferente à contaminação superficial — poeira, película de umidade e variação de cor não prejudicam o sinal da mesma forma que prejudicam uma câmera óptica.
Abordamos a abordagem baseada na densidade em detalhes separadamente; para uma visão geral de nossas configurações de raios X, consulte a linha de sistemas de classificação por raios X.
Refletância ou transfletância: o fundo é tão importante quanto a lâmpada
Um detalhe que diferencia máquinas bem comissionadas das mal comissionadas é o fundo de referência atrás do produto.
Em máquinas do tipo esteira, o produto fica sobre um transportador, e o arranjo padrão é a medição por refletância contra uma esteira preta — a esteira não contribui com nenhum sinal espectral próprio, de modo que tudo o que o sensor percebe provém do produto.
Em máquinas com rampa e de queda livre, o produto está em movimento no ar, e um fundo de referência de cor clara — superfícies de azulejos cerâmicos ou PTFE são opções comprovadamente eficazes — permite a medição por transflexão, na qual a luz passa parcialmente através ou ao redor de materiais finos antes de retornar. É isso que torna possível a medição de flocos finos, filmes e materiais translúcidos.
Errar nesse ponto é uma causa comum para o baixo desempenho de uma máquina, mesmo com um bom hardware. Além disso, é um problema que pode ser resolvido: trata-se de uma decisão de comissionamento, não de uma limitação do hardware.
Escolhendo a fonte de iluminação correta: uma matriz prática
| Princípio de detecção | Banda | O que mede | Resolve | Não resolve |
|---|---|---|---|---|
| RGB / visível | 400–700 nm | Cor da superfície | Descoloração, textura farinhenta, mofo, cor estranha | Defeitos de cor idêntica |
| NIR / SWIR | 750–2.500 nm (InGaAs 900–1.750 nm) | Absorção molecular | Identificação de polímeros, casca/miolo, umidade, plásticos pretos | Diferenças de densidade |
| UV | 100–400 nm | Fluorescência | Contaminantes e resíduos fluorescentes | A maioria dos defeitos gerais |
| Transmissão de raios X | — | Densidade atômica | Vidro, pedra, metal, vazios internos, danos ocultos | Classificação de cor apenas na superfície |
O padrão é que nenhuma tecnologia isolada abrange tudo, e a questão relevante é qual propriedade física distingue o defeito do seu produto. Se for a cor, a classificação visual é suficiente e mais econômica. Se for a composição química, você precisa de NIR. Se for a densidade, você precisa de raios X.
Como isso se aplica às máquinas da JIACUI
Nossa linha de produtos é configurada da mesma forma que a decisão funciona na prática — por material e, em seguida, pela propriedade que separa o que está em boas condições do que está com defeito:
- Classificação por CCD de luz visível nas linhas de grãos, feijões e nozes, onde os defeitos são de cor superficial
- Configurações NIR e multiespectrais para café e caju, onde a composição química e a qualidade interna são tão importantes quanto a aparência
- Transmissão de raios X para separações baseadas na densidade
- Máquinas do tipo calha, desde a compacta CS-QB16 (20–100 kg/h, ideal para trabalhos em laboratório e em pequenos lotes) até a CS-HA32, CS-4A, CS-5A até o CS-7A, com capacidade de 6–12 T/h, e máquinas com esteira CS-LA300, CS-LA600, CS-LA1200 e a CS-LA1200D de dois andares para produtos que não devem cair livremente
Em toda a linha, nossa referência publicada é uma precisão de classificação ≥99%, declarada em uma condição definida — arroz polido do tipo japonica com aproximadamente 2% de impurezas —, pois uma porcentagem sem condições de teste não constitui uma especificação.
Perguntas frequentes
Posso adicionar NIR a uma máquina comprada para classificação visual?
Às vezes, mas trate isso como uma questão de hardware, não de software. O NIR requer um sensor sensível ao infravermelho, iluminação adequada e o caminho óptico correto. A adaptação posterior é possível em algumas plataformas e impossível em outras; é muito mais barato especificá-lo no momento da compra.
Uma câmera de alta resolução compensa uma fonte de luz de baixa qualidade?
Não. A resolução determina a precisão com que você amostra a imagem; a iluminação determina se o alvo se diferencia do fundo. Melhorar a resolução em um sinal sem contraste apenas mede a ausência de contraste com mais precisão.
Por que o desempenho da minha classificadora oscila ao longo de um turno longo?
A causa mais comum é a variação na iluminação, não a falha do sensor. A potência da lâmpada varia com a temperatura e o tempo de uso, e a poeira na janela de visualização atenua a luz progressivamente. Máquinas modernas compensam isso com calibração periódica de referência branca; sem ela, uma máquina pode apresentar variações mensuráveis ao longo de um único turno.
Preciso de raios X ou o NIR é suficiente?
Faça o teste físico. Se o seu defeito diferir do produto em boa condição em termos de cor ou composição química, a triagem por NIR ou luz visível irá detectá-lo, e o raio X será um gasto desnecessário. Se o defeito diferir apenas em densidade — vidro no grão, pedra no minério, grãos ocos —, o NIR não o detectará, e o raio X é a ferramenta correta.
O LED é sempre melhor que o halogênio?
Para trabalhos com luz visível e infravermelho próximo em produtos alimentícios, o LED geralmente leva vantagem em termos de vida útil da lâmpada, consumo de energia e — o que é importante — aquecimento, fator relevante em processos sensíveis à temperatura. O halogênio continua sendo relevante quando é necessário um amplo espectro contínuo em toda a faixa de infravermelho. A escolha depende da aplicação específica.
Como posso verificar uma especificação de iluminação declarada?
Faça um teste com seu próprio material, na sua própria taxa de produção, e rejeite manualmente o fluxo de rejeitos. Qualquer dado fornecido pelo fornecedor sobre precisão ou capacidade de detecção deve ser reproduzível em seu produto — consulte nosso guia para medir a precisão da classificação de forma honesta.
