Você está na página 1de 92

SENAI CIMATEC EM MODELAGEM PROGRAMA DE POS-GRADUAC AO COMPUTACIONAL E TECNOLOGIA INDUSTRIAL Mestrado em Modelagem Computacional e Tecnologia Industrial

Disserta c ao de Mestrado

Reconhecimento de Objetos utilizando Redes Neurais Articiais e Geometria Fractal

Apresentada por: C andido Regis de Brito Bisneto Orientador: Josemar Rodrigues de Souza

Maio de 2011

C andido Regis de Brito Bisneto

Reconhecimento de Objetos utilizando Redes Neurais Articiais e Geometria Fractal

Disserta ca o de Mestrado apresentada ao Programa de P os-gradua ca o em Modelagem Computacional e Tecnologia Industrial, Curso de Mestrado em Modelagem Computacional e Tecnologia Industrial do SENAI CIMATEC, como requisito parcial para a obten c ao do t tulo de Mestre em Modelagem Computacional e Tecnologia Industrial. Area de conhecimento: Interdisciplinar Orientador: Josemar Rodrigues de Souza SENAI CIMATEC

Salvador SENAI CIMATEC 2011

B862r Brito Bisneto, Cndido Regis de. Reconhecimento de objetos utilizando redes neurais artificiais e geometria fractal. / Cndido Regis de Brito Bisneto. 2011. 91f.; il.; color. Orientador: Prof Dr. Josemar Rodrigues de Souza. Dissertao - Faculdade de Tecnologia Senai-CIMATEC, Mestrado em Modelagem Computacional e tecnologia Industrial, 2011. 1. Redes neurais artificiais. 2. Processamento de imagens. 3. Reconhecimento de objetos. I. Faculdade de Tecnologia Senai-CIMATEC. II. Souza, Josemar Rodrigues de. IV. Ttulo. CDD: 006.3

Nota sobre o estilo do PPGMCTI


Esta disserta ca o de mestrado foi elaborada considerando as normas de estilo (i.e. est eticas e estruturais) propostas aprovadas pelo colegiado do Programa de P os-gradua ca o em Modelagem Computacional e Tecnologia Industrial e est ao dispon veis em formato eletr onico (download na P agina Web http://ead.eb.org.br/portal faculdades/dissertacoes-e-tesesmcti.html ou solicita ca o via e-mail ` a secretaria do programa) e em formato impresso somente para consulta. Ressalta-se que o formato proposto considera diversos itens das normas da Associa ca o Brasileira de Normas T ecnicas (ABNT), entretanto opta-se, em alguns aspectos, seguir um estilo pr oprio elaborado e amadurecido pelos professores do programa de p os-gradua c ao supracitado.

Dedico este trabalho a toda minha fam lia, em especial, aos meus pais, minha amada m ae Vasti e meu pai Henrique, e minhas irm as Lorena, Patr cia e Rose. Amo voc es.

Aos que passam pela nossa vida...

Cada um que passa em nossa vida passa sozinho... Porque cada pessoa eu nica para n os, e nenhuma substitui a outra... Cada um que passa em nossa vida passa sozinho, mas n ao vai s o... Cada um que passa em nossa vida leva um pouco de n os mesmos e nos deixa um pouco de si mesmo... H a os que levam muito, mas n ao h a os que n ao levam nada... H a os que deixam muito, mas n ao h a os que n ao deixam nada... Esta e a mais bela realidade da vida, a prova tremenda de que cada um e importante e que ningu em se aproxima do outro por acaso... SAINT-EXUPERRY

Agradecimentos

O degrau de uma escada n ao serve simplesmente para que algu em permane ca em cima dele, destina-se a sustentar o p e de um homem pelo tempo suciente para que ele coloque o outro um pouco mais alto. THOMAS HUXLEY

Em primeiro lugar, agrade co a Deus pela vida e por ajudar-me em mais uma das minhas caminhadas, pois sem ele nada disso seria poss vel. ` minha m A ae, meu pai (in memoriam ), minhas irm as, que s ao o ch ao que me sustenta e o ar que respiro, obrigado pelo carinho, compreens ao, por compartilhar comigo minhas alegrias e tristezas, ai co es e al vios e estarem comigo nos momentos dif ceis. Em especial a ` minha m ae, Vasti, que foi, e e sempre ser a a estrela que me guia nesta vida, o meu ` minha irm exemplo de compet encia pessoal e prossional. A a Lorena, que sempre me apoiou, ajudou e incentivou. Ao meu pai Henrique e minhas queridas irm as Patr cia e Rose, que apesar das circunst ancias foram um apoio essencial para mim. ` minha fam A lia como um todo, em especial ` a minha tia Nega, que me deu o empurr aozinho necess ario para iniciar esta etapa na minha vida. E a ` minha tia Bete, por ceder parte de seu ref ugio, para abrigar uma mente que precisava de um pouco de sil encio. Aos amigos-irm aos Ab ercio, Alex, Carol, Lucas e Mirna que apesar da falta dos la cos sangu neos, s ao irm aos de cora ca o, grandes amigos e parceiros de todas as horas. Obrigado pela compreens ao nos diversos n aos recebidos pelos convites de sa das e festas ao longo desse tempo, e pelo incentivo em continuar. Aos grandes amigos Irani, M arcia, Samara, Andressa, Fabr cio e aos aqui n ao citados, mas que de uma forma ou outra, me ajudaram a conquistar mais uma vit oria na minha vida. ` Faculdade de Tecnologia Senai Cimatec, pela oportunidade de realiza A c ao do curso de mestrado. Ao Prof. Josemar Rodrigues de Souza, pela conan ca, orienta c ao, disposi c ao, bom humor, amizade e paci encia. ` Funda A ca o de Amparo e Pesquisa do Estado da Bahia (FAPESB), pelo suporte nanceiro durante a pesquisa e execu c ao do trabalho.

Aos Membros da Banca Examinadora, por aceitarem o convite para avaliar este trabalho, e pelas cr ticas e sugest oes apresentadas. Aos tantos professores do instituto, que ao longo desses dois anos, puderam transmitir um pouco do conhecimento inestim avel deles. Aos colegas de mestrado, pela companhia nas aulas, pelas boas conversas e pela troca de conhecimento. Em especial, a minha querida amiga e colega de mestrado e curso, Patr cia, por todo o apoio dado e id eias compartilhadas. ` todos os funcion A arios do Senai Cimatec, em especial a Secretaria e Coordena ca o da P os-Gradua ca o, pela assist encia e paci encia ao longo do curso. Enm, a todos voc es que zeram parte desta etapa da minha vida, por este per odo de crescimento pessoal, prossional e intelectual, e que souberam compreender a dedica c ao e, por vezes, o isolamento necess ario a conclus ao deste trabalho perdoando minha omiss ao como lho, irm ao, sobrinho, neto, e amigo, deixo aqui registrado, de alma e cora c ao, o meu...

MUITO OBRIGADO.

Salvador, Brasil 12 de Maio de 2011

C andido Regis de Brito Bisneto

Resumo
Esta disserta ca o apresenta um modelo computacional aplicado ` a Vis ao Computacional de um equipamento rob otico. O modelo foi desenvolvido utilizando uma abordagem de Redes Neurais Articiais e Geometria Fractal. O principal problema abordado foi o de reconhecimento e classica ca o de objetos por um rob o aut onomo. Este trabalho concentrou-se especicamente na vis ao articial do dispositivo. As Redes Neurais foram desenvolvidas usando a arquitetura Multilayer Perceptron com o algoritmo de Retropropaga ca o de Erro. Dentro do Processamento de Imagens Digital, a Dimens ao Fractal pode ser utilizada como uma medida de caracter sticas da complexidade de uma imagem, o que possibilita seu uso no reconhecimento de padr oes e nas an alises de formas e texturas. Em alguns trabalhos nota-se o uso das Redes Neurais Articiais, do Processamento de Imagens Digitais e da Geometria Fractal como classicadores de dados, neste trabalho, procurou-se utiliz a-las em conjunto para a classica ca o e reconhecimento dos objetos. O objetivo do trabalho foi desenvolver uma Rede Neural capaz de reconhecer o objeto e classic a-lo, segundo suas caracter sticas, ao grupo o qual pertence. Inicialmente foram capturadas imagens atrav es de equipamentos eletr onicos e via internet, o alvo da busca foram quatro diferentes tipos de parafusos. Nos grupos formados pelas imagens capturadas, 30% delas foram manipuladas manualmente para que apresentassem defeitos ou de fabrica ca o ou de aquisi ca o. Para as an alises, a arquitetura da Rede Neural foi desenvolvida em tr es vers oes nas quais difere somente na quantidade de sa das. Como dados de entrada para o treinamento, as imagens adquiridas foram pr e-processadas e transformadas em tons de cinza. Para a Dimens ao Fractal, utilizou-se o m etodo Box-Counting que utilizou o contorno do objeto para calcular o valor. Foram feitas duas simula c oes, a primeira utilizou a Dimens ao Fractal como um dos par ametros da Rede, na segunda esse dado foi descartado, para uma posterior compara ca o. Os resultados obtidos foram satisfat orios, atingindo uma m edia de 79% de acertos para o primeiro teste e de 67% para o segundo, diferen ca esta respons avel pela Dimens ao Fractal. A avalia c ao demonstra que o uso da fractalidade neste tipo de teste e v alida e que o sistema visual desenvolvido e vi avel.

Palavras-chave: Redes Neurais Articiais, Processamento de Imagens Digitais, Dimens ao Fractal, Reconhecimento de Objetos.

Abstract
This masters thesis presents a computacional model applied to Computer Vision of mechanical robot. The model was developed using an approach of Articial Neural Networks and Fractal Geometry. The main problem was the recognition and classication of objects by an autonomous robot. This work focuses especically on the articial vision of the device. The Neural Networks were developed using the Multilayer Perceptron architecture and the Error Backpropagation algorithm. Inside the Digital Image Processing, the Fractal Dimension can be used like a measure of images complex characteristics, allowing its use on the pattern recognition and on the analysis of shapes and textures. In some papers, the usage of Neural Networks, Digital Image Processing and Fractal Geometry are like data classiers, and in this thesis, theyre being used together for the recognition and classication of objects. This thesiss objective was to develop a Neural Network capable of recognize objects and classify them according to their characteristics to the group that they belong. Initially, images were captured through electronic devices and internet, the targets were four dierent types of screws. In the formed groups, 30% of them were manipulated manually to present some kind of defect by manufacturing or on the acquisition. To the analysis, the Neural Network architecture was developed in three versions, which dier in the output quantity. For the data entry to the training stage, the acquired images were preprocessed and transformed into greyscale images. For the Fractal Dimension, the Box-Counting method was used, it uses the objects edge to calculate the number of the dimension. Were made two simulations, the rst one used the fractal dimension like one of the parameters for the Neural Network, and on the second, this number was discarded, for a further comparison. The obtained results were satisfactory, reaching an average of 79% of hit ratios for the rst simulation and 67% for the second, and the fractal dimension was the responsable for this dierence. The evaluation shows that the use of fractals is valid and the visual system developed is viable.

Keywords: Articial Neural Networks, Digital Image Processing, Fractal Dimension, Object Recognition.

ii

Sum ario

1 Introdu c ao 1.1 Deni ca o do problema . . . . . . . . . . 1.2 Objetivo . . . . . . . . . . . . . . . . . . 1.3 Import ancia e Motiva c ao da Pesquisa . . 1.4 Organiza c ao da Disserta c ao de Mestrado

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

1 5 6 6 6 8 8 9 11 12 13 14 15 16 16 17 18 18 18 19 20 21 21 21 23 23 25 25 25 26 27 27 27 28 31 32 32 32 33

2 Fundamenta c ao Te orica e Estado da Arte no uso de Reconhecimento de Padr oes e Objetos, Redes Neurais e Geometria Fractal 2.1 As Redes Neurais Articiais . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1 Topologias de Redes . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.2 Paradigmas de Aprendizagem . . . . . . . . . . . . . . . . . . . . . 2.1.3 Avan cos na utiliza c ao das Redes Neurais . . . . . . . . . . . . . . . 2.2 Processamento Digital de Imagens para o Reconhecimento de Padr oes . . . 2.2.1 Imagem Digital e o Pixel . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1.1 Propriedade dos Pixels . . . . . . . . . . . . . . . . . . . . 2.2.2 Etapas do Processo . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2.1 Aquisi ca o da Imagem . . . . . . . . . . . . . . . . . . . . 2.2.2.2 Pr e-Processamento e Segmenta c ao . . . . . . . . . . . . . 2.2.2.3 Representa ca o e Descri c ao . . . . . . . . . . . . . . . . . . 2.2.2.4 Interpreta ca o e Reconhecimento . . . . . . . . . . . . . . . 2.2.3 A necessidade do Reconhecimento de Padr oes . . . . . . . . . . . . 2.3 O uso da Dimens ao Fractal em Pesquisas . . . . . . . . . . . . . . . . . . . 2.3.1 Os Avan cos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 Modelo Computacional 3.1 Apresenta c ao do Modelo . . . . . . . . . . 3.1.1 Objeto de Pesquisa . . . . . . . . . 3.1.2 Diferencial da Pesquisa . . . . . . . 3.2 Composi ca o do Modelo . . . . . . . . . . . 3.3 Etapas do Modelo . . . . . . . . . . . . . . 3.3.1 Processamento de Imagens . . . . . 3.3.2 Geometria Fractal e sua Dimens ao 3.3.3 Redes Neurais Articias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 Trabalho Experimental e Desenvolvimento do Sistema 4.1 Desenvolvimento do Sistema . . . . . . . . . . . . . . . . 4.1.1 Implementa ca o do Processamento de Imagens . . 4.1.1.1 M etodos de Processamento . . . . . . . 4.1.2 Implementa ca o da Dimens ao Fractal . . . . . . . 4.1.3 Rede Neural . . . . . . . . . . . . . . . . . . . . . 4.2 O Sistema . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1 Dados de Entrada . . . . . . . . . . . . . . . . . . 4.2.2 Componentes do Aplicativo . . . . . . . . . . . .

iii

SUMARIO

SUMARIO

5 Experimentos e Resultados 5.1 Base de Imagens . . . . . . . . . . . . . . . . . . . . . . 5.2 Prepara ca o dos Dados e Congura ca o da Rede . . . . . . 5.2.1 Arquitetura da Rede Neural . . . . . . . . . . . . 5.2.2 Classes de Objetos . . . . . . . . . . . . . . . . . 5.2.3 M etricas de Avalia ca o . . . . . . . . . . . . . . . 5.2.3.1 Matriz de Confus ao . . . . . . . . . . . 5.2.3.2 Indice Kappa . . . . . . . . . . . . . . . 5.2.3.3 Par ametros de Avalia c ao dos Resultados 5.3 Descri ca o dos Experimentos Realizados . . . . . . . . . . 5.3.1 Descri c ao dos Cen arios . . . . . . . . . . . . . . . 5.3.1.1 Cen ario 01 . . . . . . . . . . . . . . . . 5.3.1.2 Cen ario 02 . . . . . . . . . . . . . . . . 5.3.1.3 Cen ario 03 . . . . . . . . . . . . . . . . 5.4 An alise e Discuss ao dos Resultados . . . . . . . . . . . . 5.4.1 Primeira Fase . . . . . . . . . . . . . . . . . . . . 5.4.1.1 Cen ario 01 . . . . . . . . . . . . . . . . 5.4.1.2 Cen ario 02 . . . . . . . . . . . . . . . . 5.4.1.3 Cen ario 03 . . . . . . . . . . . . . . . . 5.4.2 Segunda Fase . . . . . . . . . . . . . . . . . . . . 5.4.2.1 Cen ario 01 . . . . . . . . . . . . . . . . 5.4.2.2 Cen ario 02 . . . . . . . . . . . . . . . . 5.4.2.3 Cen ario 03 . . . . . . . . . . . . . . . . 5.4.3 Compara ca o dos Resultados . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . .

38 38 38 39 40 40 40 41 42 43 43 44 45 45 46 46 46 47 48 49 49 50 51 51

6 Considera c oes Finais 55 6.1 Conclus ao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 6.2 Atividades Futuras de Pesquisa . . . . . . . . . . . . . . . . . . . . . . . . 56 A Algoritmo de Retropropaga c ao de Erro 57 A.1 O Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 A.2 Os Passos do Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 B Resultados Totais B.1 Primeira Fase . . . . . . . . B.1.1 Cen ario 01 . . . . . . B.1.1.1 Cen ario 01 B.1.1.2 Cen ario 01 B.1.1.3 Cen ario 01 B.1.1.4 Cen ario 01 B.1.2 Cen ario 02 . . . . . . B.1.3 Cen ario 03 . . . . . . B.2 Segunda Fase . . . . . . . . B.2.1 Cen ario 01 . . . . . . B.2.1.1 Grupo G01 B.2.1.2 Grupo G02 B.2.1.3 Grupo G03 B.2.1.4 Grupo G04 B.2.2 Cen ario 02 . . . . . . B.2.3 Cen ario 03 . . . . . . . . . . . . G01 G02 G03 G04 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 60 60 60 61 61 62 62 63 63 64 64 64 65 65 66 66

iv

SUMARIO

SUMARIO

Refer encias

68

Lista de Tabelas
4.1 5.1 5.2 5.3 5.4 Tabela da quantidade de quadrados para o m etodo Box-Counting . . . . . 31 . 39 . 39 . 41 . 42 . 44 . 44 . 45 . 45 . 45 . 46 60 60 61 61 61 61 62 62 62 62 63 63 63 64 64 64 64 65 65 65 65 66 66 67 67 67

Tabela de topologias de rede submetidas ao sistema. . . . . . . . . . . . . Par ametros de treinamento da rede neural . . . . . . . . . . . . . . . . . Matriz de Confus ao com duas classes. FONTE: (CONGALTON, 1991) . . Tabela de medidas avaliat orias do Indice Kappa. FONTE: (CRUZ ELEANDRO S.; CARVALHO, 2008) . . . . . . . . . . . . . . . . . . . . . . . . . . 5.5 Especica ca o do Cen ario 01. . . . . . . . . . . . . . . . . . . . . . . . . . 5.6 Distribui ca o da quantidade de dados nas fases da rede neural no primeiro cen ario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.7 Especica ca o do Cen ario 02. . . . . . . . . . . . . . . . . . . . . . . . . . 5.8 Distribui ca o da quantidade de dados nas fases da rede neural no segundo cen ario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.9 Especica ca o do Cen ario 03. . . . . . . . . . . . . . . . . . . . . . . . . . 5.10 Distribui ca o da quantidade de dados nas fases da rede neural no terceiro cen ario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . B.1 B.2 B.3 B.4 B.5 B.6 B.7 B.8 B.9 B.10 B.11 B.12 B.13 B.14 B.15 B.16 B.17 B.18 B.19 B.20 B.21 B.22 B.23 B.24 B.25 B.26

Matriz Confus ao G01 - Cen ario 01. . . . . . . . . . . . . . . . . . . . . . . Tabela de resultado dos par ametros do G01 - Cen ario 01. . . . . . . . . . . Matriz Confus ao G02 - Cen ario 01. . . . . . . . . . . . . . . . . . . . . . . Tabela de resultado dos par ametros do G02 - Cen ario 01. . . . . . . . . . . Matriz Confus ao G03 - Cen ario 01. . . . . . . . . . . . . . . . . . . . . . . Tabela de resultado dos par ametros do G03 - Cen ario 01. . . . . . . . . . . Matriz Confus ao G04 - Cen ario 01. . . . . . . . . . . . . . . . . . . . . . . Tabela de resultado dos par ametros do G04 - Cen ario 01. . . . . . . . . . . Matriz Confus ao do Cen ario 02 - Testes 01 e 02. . . . . . . . . . . . . . . . Tabela de resultado dos par ametros do Cen ario 02 - Testes 01 e 02. . . . . Matriz Confus ao do Cen ario 03 - Teste 01. . . . . . . . . . . . . . . . . . . Matriz Confus ao da Cen ario 03 - Teste 02. . . . . . . . . . . . . . . . . . . Tabela de resultado dos par ametros da Cen ario 03 - Testes 01 e 02.. . . . . Matriz Confus ao 2a. Fase - Cen ario 01 - Classe G01. . . . . . . . . . . . . Tabela de resultado dos par ametros da 2a. Fase - Cen ario 01 - Classe G01. Matriz Confus ao 2a. Fase - Cen ario 01 - Classe G02. . . . . . . . . . . . . Tabela de resultado dos par ametros do 2a. Fase - Cen ario 01 - Classe G02. Matriz Confus ao 2a. Fase - Cen ario 01 - Classe G03. . . . . . . . . . . . . Tabela de resultado dos par ametros do 2a. Fase - Cen ario 01 - Classe G03. Matriz Confus ao 2a. Fase - Cen ario 01 - Classe G04. . . . . . . . . . . . . Tabela de resultado dos par ametros do 2a. Fase - Cen ario 01 - Classe G04. Matriz Confus ao do Cen ario 02 - Testes 01 e 02. . . . . . . . . . . . . . . . Tabela de resultado dos par ametros do Cen ario 02 - Testes 01 e 02. . . . . Matriz Confus ao da Simula c ao 03 - Teste 01. . . . . . . . . . . . . . . . . . Matriz Confus ao da Simula c ao 03 - Teste 02. . . . . . . . . . . . . . . . . . Tabela de resultado dos par ametros do Cen ario 03 - Testes 01 e 02.. . . . .

vi

Lista de Figuras

1.1 2.1 2.2 2.3

Etapas b asicas de um Processamento de Imagens. FONTE: (GONZALEZ RAFAEL C.; WOODS, 2002) . . . . . . . . . . . . . . . . . . . . . . . . . . .

Modelo de Neur onio Simples. FONTE: (HAYKIN, 1998) . . . . . . . . . . . 8 Tipos de fun c ao ativa c ao. FONTE: (RAUBER, 1997) . . . . . . . . . . . . . 9 Topologias de Redes de Propaga ca o para Frente: (1) camada u nica, (2) com camada oculta. FONTE: (HAYKIN, 1998) . . . . . . . . . . . . . . . . 10 2.4 Topologias de Redes Recorrentes: (1) camada u nica, (2) com camada oculta. FONTE: (HAYKIN, 1998) . . . . . . . . . . . . . . . . . . . . . . . 11 2.5 Forma de leitura e representa ca o de uma imagem digital em aspecto matem atico. FONTE: Adaptado de (CARVALHO, 2003) e (GONZALEZ RAFAEL C.; WOODS, 2002) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.6 Propriedade de Vizinhan ca. (a) D4n, pixels conectados pela borda, (b) D4d, pixels conectados pela diagonal, e (c) D8, pixels conectados pelas bordas e pela diagonal. FONTE: Adaptado de (PAVIM X A.; ROLOFF, 2005) . . . . . 16 2.7 Diferen ca da dist ancia segundo as tr es abordagens de conectividade, para efeitos de exemplo utilizou-se a contagem de pixels como medida de dist ancia. (a) utilizando D4n, a dist ancia seria igual a 8px, (b) D4d e (c) D8, a dist ancia para ambos seria de 4px. FONTE: Adaptado de (PAVIM X A.; ROLOFF, 2005). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.8 Etapas do Processamento Digital de Imagens. FONTE: Adaptado de (GONZALEZ RAFAEL C.; WOODS, 2002) . . . . . . . . . . . . . . . . . . . . . . . 16 2.9 Esquema do processo de forma ca o da imagem. FONTE: (GONZALEZ RAFAEL C.; WOODS, 2002) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.10 Exemplo de fractal auto-similar e independente de escala. FONTE: (ASSIS, 2008) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 3.1 3.2 3.3 Componentes do parafuso, (a) Cabe ca, (b) Corpo, (c) Extremidade. FONTE: (DESTEC, 2011) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diferentes tipos de cabeca de parafuso. FONTE: (DESTEC, 2011) . . . . . Diferentes tipos de corpo de parafuso, (a) Ponta Agulha Rosqueado, (b) Ponta Broca Rosqueado, (c) Ponta Agulha Parcialmente Rosqueado e, (d) Ponta Broca Parcialmente Rosqueado. FONTE: (DESTEC, 2011) . . . . . . Objetos de estudo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagrama do modelo proposto. . . . . . . . . . . . . . . . . . . . . . . . . Exemplica c ao das etapas do processamento de imagens. FONTE: Adaptado de (PAVIM X A.; ROLOFF, 2005) . . . . . . . . . . . . . . . . . . . . . Exemplo da malha do m etodo Box-Counting. FONTE: (FERNANDES, 2007) Modelo da RNA para o trabalho. . . . . . . . . . . . . . . . . . . . . . . . Filtros lineares Passa-Baixa 3x3: . . . . . Filtro linear Passa-Alta 3x3: . . . . . . . Imagem ap os as 3 primeiras etapas. . . . . Algoritmo de dilata c ao por vizinhan ca D8. Algoritmo de subtra c ao de imagens. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 22

3.4 3.5 3.6 3.7 3.8 4.1 4.2 4.3 4.4 4.5

22 23 24 25 26 26 29 29 30 30 31

vii

LISTA DE FIGURAS

LISTA DE FIGURAS

4.6 4.7 4.8 4.9 4.10

4.11 4.12 4.13 4.14 4.15 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 5.10 5.11 5.12 5.13 5.14 5.15 5.16 5.17 5.18

Imagem resultante do processo de extra ca o da borda. . . . . . . . . . . . . Imagem do arquivo texto gerado contendo os valores dos pixels normalizados utilizados como dados de entrada da rede neural. . . . . . . . . . . . . Interface do aplicativo desenvolvido. . . . . . . . . . . . . . . . . . . . . . . Componentes da interface do aplicativo relacionadas a ` escolha do Cen ario. Componentes da interface respons aveis pela aquisi c ao e informa c ao de dados para a rede neural, e os componentes de Treinamento e Execu ca o da RNA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Componentes da interface que mostram os resultados obtidos. . . . . . . . Aplicativo com Cen ario 01 selecionado e seus respectivos itens habilitados. Cen ario 02 escolhido e itens habilitados . . . . . . . . . . . . . . . . . . . . Interface do aplicativo com o terceiro cen ario escolhido e os itens desabilitados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Imagem do aplicativo em execu ca o. . . . . . . . . . . . . . . . . . . . . . . Imagem de um objeto normal (a) e uma gura manipulada para ter defeito (b). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Diagrama dos experimentos realizados. . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 01 da primeira fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 02 da primeira fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 03 da primeira fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 04 da primeira fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 02 - Teste 01 da primeira fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 02 - Teste 02 da primeira fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 03 - Teste 01 da primeira fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 03 - Teste 02 da primeira fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 01 da segunda fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 02 da segunda fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 03 da segunda fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 04 da segunda fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 02 - Teste 01 da segunda fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 02 - Teste 02 da segunda fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 03 - Teste 01 da segunda fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Gr aco dos resultados obtidos nos testes do Cen ario 03 - Teste 02 da segunda fase. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
viii

31 33 33 34

34 35 35 36 36 37

. 40 . 43 . 46 . 47 . 47 . 48 . 48 . 49 . 49 . 50 . 50 . 51 . 51 . 52 . 52 . 53 . 53 . 53

LISTA DE FIGURAS

LISTA DE FIGURAS

5.19 Gr aco comparativo das Taxas de Indice Kappa das duas fases. . . . . . . 54 5.20 Gr aco comparativo da diferen ca entre a taxa de acerto total e o ndice kappa das duas fases. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

ix

Lista de Siglas

PPGMCTI . . PDI . . . . . . . . . RNA . . . . . . . . MLP . . . . . . . . px . . . . . . . . . . RGB . . . . . . . . PDI . . . . . . . . . PCA . . . . . . . .

Programa de P os-gradua c ao em Modelagem Computacional e Tecnologia Industrial Processamento Digital de Imagens Redes Neurais Articiais Multilayer Perceptron Pixels Red Green Blue Processamento Digital de Imagens An alise de Componentes Principais

Cap tulo Um

Introdu c ao

Uma c elebre frase de um autor desconhecido j a dizia: Uma imagem vale mais que mil palavras, e assim que (GONZALEZ RAFAEL C.; WOODS, 2002) inicia seu trabalho sobre o Processamento de Imagens Digitais. Nele, os autores armam haver dois grande motivos para o interesse nesta recente area de pesquisa: (1) melhoria de informa c oes para interpreta c ao humana e, (2) no processamento de dados de imagem para armazenamento, transmiss ao e representa ca o para percep ca o de m aquinas aut onomas. O r apido desenvolvimento das tecnologias permitiu que o uso de imagens expandisse para todos os lados, e atualmente, no que se trata de pesquisas cient cas, tem um grande foco em Vis ao Computacional para dispositivos mec anicos aut onomos. Contudo, h a algum tempo atr as, atividades que envolviam imagens n ao eram simples de serem executadas. Tendo basicamente a atividade humana como combust vel para sua divulga ca o, as pesquisas que se baseavam em imagens n ao tinham como avan car muito, mas com o tempo isso foi mudando. Desde a Revolu c ao Industrial, onde as m aquinas come caram a substituir parte das atividades dos homens em algumas tarefas, at e os dias atuais onde elas efetivamente os substitu ram, a busca pela automatiza c ao de atividades foi crescendo. Atrav es desta constante busca e que surgiu a Rob otica. Ao contr ario do que a maioria pensa, a rob otica n ao se trata somente de m aquinas com aspecto f sico semelhante ao homem ou animais, vide andr oides, ciborgues e etc. Mas trata-se de uma area de pesquisas tecnol ogicas que visa automatizar e otimizar processos (MACHADO K aSSIO L.; RIBEIRO, 2009). Sua expans ao e percebida em diversos aspectos, tais como a Ind ustria, o lar, o entretenimento, as pesquisas, entre outros. Desde sua inven ca o, a Rob otica possibilitou um grande crescimento nas atividades industriais. Pode-se armar que a maioria das Ind ustrias fazem uso de equipamentos rob oticos em suas etapas de fabrica c ao, sejam elas automobil sticas, aerona uticas, aliment cias, etc. Dentro do mundo da rob otica, h a uma area que visa dar autonomia ` as m aquinas, chamada de Rob otica Aut onoma. Seu objetivo principal e permitir aos dispositivos mec anicos tomarem decis oes, tornando-os capazes de executar tarefas em diferentes meios sem a interven c ao humana (BAYER, 2004). Nas u ltimas d ecadas, os progressos no campo da rob otica permitiram o desenvolvimento de tecnologias de ponta, possibilitando o uso de metodologias mais seguras, melhores e ecientes. Com isso, a rob otica aut onoma tornou-se de grande import ancia para os dias atuais, tanto para as ind ustrias quanto para as resid encias, visto que atrav es dela e poss vel aumentar o lucro e a qualidade do produto, bem como reduzir os custos, e propor1

Cap tulo Um

cionar um maior conforto e qualidade nos servi cos oferecidos a `s pessoas (TORRES RUBIAO G.; MACHADO, 2005). Para alcan car esse n vel de autonomia, as pesquisas foram intensicadas e novos m etodos continuam sendo desenvolvidos para que tais equipamentos possam atuar sozinhos. Para isso, a utiliza ca o de sensores e atuadores torna-se de fundamental import ancia para a obten ca o da autonomia rob otica. Dentre muitas partes que auxiliam essas m aquinas, os dispositivos de vis ao articial, t em demonstrado grande eci encia no suporte aos equipamentos (ROSARIO, 2005) (FORESTI RENAN L; LORINI, 2005). A area de estudos que investiga o uso da vis ao articial e chamada de Vis ao Computacional. Os estudos envolvendo essa a rea, especicamente o reconhecimento de objetos, concentram-se basicamente numa tentativa de assemelhar-se a ` capacidade que o c erebro humano possui de reconhecer objetos em tr es dimens oes (3D) baseando-se somente em uma imagem bidimensional (2D) (HOGENDOORN, 2006). Inspirado na vis ao humana, essa a rea visa estudar e desenvolver conjuntos de m etodos e t ecnicas que permitam sistemas computacionais tornarem-se capazes de interpretar imagens. Entretanto, alcan car os mesmos n veis de reconhecimento visual humano e uma tarefa extremamente dif cil (RODRIGUES P S.; ARAUJO, 2002). Por meio da vis ao articial e que se obt em a imagem, objeto este, que e a mat eria prima do trabalho desenvolvido. Por conter uma grande quantidade de informa c oes que n ao s ao percept veis aos olhos humanos, a imagem tornou-se fonte de dados para as pesquisas nas areas que envolvem a Vis ao Computacional (CARVALHO, 2003). H a alguns anos atr as, era grande a diculdade em processar dados de imagens, mas com os avan cos da computa ca o, hoje a Vis ao Computacional est a presente nos mais diversos campos de atua ca o, manipulando dados simples ou complexos (BOGGIONE, 2004). Em pouco tempo, a vis ao computacional alcan cou um r apido desenvolvimento nas areas de detec ca o e reconhecimento. Detectar e classicar objetos e/ou grupos de objetos em imagens constituem atualmente um dos mais interessantes, u teis, e dif ceis desaos para a vis ao de m aquinas. Muito progresso t em sido alcan cado durante a u ltima d ecada: na formula c ao de modelos que capturam a imagem e caracter sticas geom etricas de objetos naturais, na cria c ao de algoritmos que rapidamente correlacionam esses modelos a `s imagens, e no desenvolvimento de t ecnicas de aprendizado que podem estimar esses modelos a partir de um treinamento com imagens e supervis ao limitada. O sistema de vis ao articial se comparado ao humano consegue operar em praticamente todo o espectro de radia c oes eletromagn eticas e com alt ssima velocidade de processamento, mas n ao possui capacidade de trabalhar sob condi co es variadas nem de reconhecimento de padr oes simult aneos diversos numa mesma imagem. Contudo, os melhores algoritmos est ao longe de alcan car as habilidades humanas, pois, como (GRILL-SPECTOR K.; KANWISHER, 2005) armaram em sua pesquisa: para humanos classicar algo e t ao r apido quanto detectar a presen ca do objeto - logo que voc e sabe que est a l a, voc e j a sabe o que e. Os sistemas de vis ao

Cap tulo Um

computacional diferem em diversos aspectos do sistema biol ogico humano, tais como: n umero de categorias a serem aprendidas e reconhecidas, as taxas de erro de classica c ao, a velocidade, e a facilidade com que se aprende. A partir do reconhecimento de padr oes, a vis ao computacional encontrou v arias formas de aplica co es, tanto na ind ustria, que v ao desde a inspe ca o de pe cas at e a montagem robotizada quanto na medicina ou no entretenimento. Mas, para que se possa utilizar todas as informa co es u teis contidas nas imagens, a `s vezes e necess ario passar por um processo de melhoria e sele c ao de dados (BITTENCOURT J R; OSORIO, 2002). O Processamento de Imagens Digitais, ou PDI, e um conjunto de t ecnicas bastante comum em diversas areas da Computa ca o, e um processo pelo qual as imagens passam para a obter algum tipo de melhoria. E realizada atrav es da utiliza ca o de fun co es matem aticas que transformam a imagem original em uma imagem tratada (BITTENCOURT J R; OSORIO, 2002). Segundo (GONZALEZ RAFAEL C.; WOODS, 2002) e um processo composto basicamente de 6 etapas, conforme a Figura 1.1, e que n ao implica a passagem por todas as etapas.

C.; WOODS,

Figura 1.1: Etapas b asicas de um Processamento de Imagens. FONTE: (GONZALEZ RAFAEL 2002)

Basicamente, a primeira etapa e a aquisi c ao de imagens, que como o pr oprio nome diz, e a etapa onde a imagem e adquirida. A segunda etapa e o pr e-processamento, que e respons avel por aplicar t ecnicas de transforma c oes lineares e n ao lineares ` as imagens com o objetivo de reduzir problemas e melhorar caracter sticas. Posteriormente, na etapa de segmenta c ao, a imagem e particionada em regi oes disjuntas desde que possuam alguma caracter stica importante para a aplica c ao. A representa ca o consiste nas diversas formas de armazenar as regi oes obtidas ap os a segmenta ca o. Esta nova representa c ao possui informa co es sobre a forma e topologia dos objetos. Para complementar a representa c ao, a descri c ao serve para extrair caracter sticas estruturais. Em seguida, no reconhecimento,
3

Cap tulo Um

um r otulo e associado a cada objeto segmentado, enquanto a interpreta ca o associa um signicado a cada conjunto de objetos. Pode-se recorrer a ` base de conhecimento quando se disp oe de conhecimento pr evio do resultado esperado. A base de conhecimento, al em de controlar a intera c ao do processo, e repons avel por guiar a opera c ao de cada etapa no processamento (GONZALEZ RAFAEL C.; WOODS, 2002). O processamento de imagens e constantemente utilizado por diversas a reas em in umeras tarefas, das quais podemos citar: a detec ca o de doen cas na medicina; na geograa, em geoprocessamento e an alises de vegeta c ao, clima, entre outros; na computa c ao e rob otica, no reconhecimento de padr oes e objetos, aquisi ca o e transmiss ao de imagem digital (TV Digital) (BITTENCOURT J R; OSORIO, 2002). Para que um computador possa entender uma imagem, e necess ario transform a-la em uma matriz de n umeros (BRITO S. F.; CARVALHO, 1998). Dessa forma, o processamento oferece bastante exibilidade na manipula ca o dos dados. Entretanto, entender e analisar tal matriz e uma atividade complexa e demanda um custo computacional alto devido ao grande volume de opera co es matem aticas (CARVALHO, 2003). Atualmente h a uma grande quantidade de pesquisas que utilizam imagens processadas para obten c ao de resultados mais satisfat orios dentro de algum processo. Comumente associada ao processamento de imagens, a Rede Neural Articial (RNA) e uma t ecnica constantemente utilizada no Reconhecimento de Padr oes e Objetos. As RNAs, s ao t ecnicas computacionais que apresentam um modelo inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento a partir de experi encia pr evia (HAYKIN, 1998). A premissa b asica das Redes Neurais Articais e imitar o funcionamento do c erebro humano e desenvolver sistemas computacionais capazes de aprender, generalizar e descobrir (NEVES, 2006). Compostas por sistemas paralelos distribu dos que possuem unidades de processamento simples, comumente chamados de neur onios, que computam determinadas fun co es matem aticas. Tais unidades s ao dispostas em uma ou mais camadas, e interligadas por um grande n umero de conex oes. Essas liga c oes est ao associadas a pesos, que armazenam o conhecimento representado no modelo e serve para ponderar a entrada recebida por cada neur onio (BILOBROVEC M; MARCAL, 2004). A principal caracter stica das redes neurais e o paralelismo, que cria a possibilidade de um desempenho superior se comparado a m etodos convencionais (HAYKIN, 1998). Para a resolu c ao de problemas com redes neurais, o procedimento normal passa por uma fase de aprendizagem, onde um conjunto de exemplos e apresentado a ` rede, que extrai automaticamente as caracter sticas necess arias para representar a informa ca o recebida. Essas caracter sticas s ao utilizadas posteriormente para gerar respostas para o problema (CHAGAS C. S.; VIEIRA, 2009). As redes neurais possuem essa capacidade de aprender a partir de

Cap tulo Um

1.1. Deni c ao do problema

exemplos e de generalizar a informa c ao aprendida (NYGREN, 2004). A generaliza ca o est a associada a capacidade da rede em aprender atrav es de um conjunto reduzido de exemplos, e posteriormente, dar respostas coerentes a dados n ao apresentados a ` rede.(HAYKIN, 1998) Os modelos de RNAs t em sido constantemente explorados em processamento de imagens e reconhecimento de padr oes, pois, uma vez treinada, a ativa ca o de uma rede neural e extremamente r apida, o que a torna atraente para problemas que requerem processamento em tempo real (MORAES, 2010). A natureza se manifesta de diversas maneiras, tais como sons, formas, imagens, cheiros e sabores, que s ao facilmente percebidos e reconhecidos por pessoas e animais. Na computa ca o, o reconhecimento de padr oes e a a rea do processamento em que se utilizam t ecnicas computacionais para aproximar a performance das m aquinas a ` do ser humano de modo a reconhecer padr oes (NOGUEIRA A.; AZEVEDO, 2006). Existem dois grandes motivos para os estudos nesta a rea: (1) a necessidade de comunica c ao entre m aquinas e humanos atrav es de linguagens naturais; (2) e na constru ca o de rob os aut onomos. Sendo uma ci encia n ao exata, o padr ao de natureza n ao estruturado torna o problema de reconhecimento mais dif cil de ser tratado por m etodos tradicionais. Desta forma, o uso de redes neurais articiais surgiu como modo alternativo de solu ca o, pois, ao inv es de criar procedimentos l ogicos, a constru c ao destas redes envolve o entendimento informal do comportamento desejado para atender o problema (CASTRO, 2009).

1.1

Deni c ao do problema

O problema cl assico da vis ao computacional e do processamento de imagens e determi uma nar se uma imagem cont em ou n ao um dado objeto, caracter stica ou atividade. E tarefa facilmente resolvida pelos humanos, mas que ainda n ao foi satisfatoriamente resolvida para equipamentos aut onomos, onde objetos, situa co es, ilumina c ao e pose s ao arbitr arias. O principal problema do processo computacional est a relacionado a quantica ca o das informa co es visuais presentes nas imagens, ou seja, para um reconhecimento de um dado objeto e necess ario encontrar de alguma maneira caracter sticas na imagem que o distingam dos outros dentro do seu universo de trabalho (MACHADO, 2008). O problema concentra-se no desenvolvimento de um modelo de Redes Neurais para reconhecimento de objetos e classica ca o dele em grupos de objetos. Tal modelo necessita extrair caracter sticas relevantes do objeto em quest ao, para que possam ser utilizadas no reconhecimento. A proposta do problema pode ser exemplicada com a seguinte situa ca o: Uma empresa hipot etica fabrica parafusos para venda, que s ao utilizados em diversas situa c oes, mas cada tipo de parafuso possui uma utiliza c ao espec ca. Tendo
5

Cap tulo Um

1.2. Objetivo

em vista o crescimento das vendas, a empresa precisa agilizar a fabrica ca o dos materiais mantendo a qualidade do produto. Pensando nisso, ela resolveu modernizar os processos, e para que a qualidade n ao diminua, foi idealizado o desenvolvimento de um equipamento rob otico que possui um sistema de vis ao computacional acoplado e que avalia pe ca por pe ca separando-as conforme a necessidade, no intuito de agilizar a fabrica c ao e entrega do produto nal sem perder a qualidade.

1.2

Objetivo

A partir do entendimento dos princ pios e conceitos que fundamentam os assuntos apresentados, o presente trabalho concentra-se particularmente no sistema de vis ao articial. Tem como objetivo principal a modelagem e implementa ca o de um sistema de vis ao rob otica em C++ para reconhecimento e classica c ao de objetos em imagens baseado em Redes Neurais e Geometria Fractal.

1.3

Import ancia e Motiva c ao da Pesquisa

Muitas pesquisas s ao realizadas no ambito do reconhecimento de padr oes, consequentemente, h a diversas t ecnicas para o problema proposto. Na busca por uma melhor solu ca o, as chances de encontrar vantagens espec cas em cada um dos m etodos existentes s ao grandes, e uma simples uni ao dessas vantagens poderia ser de grande interesse, por em, acarretando tamb em o aumento da dimensionalidade dos dados. Essas diculdades refor cam a necessidade de maior investiga ca o e busca de solu co es. Por se tratar da uni ao de grandes areas de pesquisa, nota-se de fato, que e um campo f ertil e que o trabalho ser a de utilidade para o laborat orio no qual foi desenvolvido.

1.4

Organiza c ao da Disserta c ao de Mestrado

O presente documento apresenta seis cap tulos e est a estruturado da seguinte forma:

Cap tulo 1 - Introdu c ao: Contextualiza o a mbito, no qual a pesquisa proposta est a inserida. Apresenta a deni c ao do problema, objetivos e justicativas da pesquisa e como esta disserta c ao de mestrado est a estruturada; Cap tulo 2 - Fundamenta c ao Te orica e Estado da Arte no uso de Reconhecimento de Padr oes e Objetos, Redes Neurais e Geometria Fractal: e
6

Cap tulo Um

1.4. Organiza c ao da Disserta c ao de Mestrado

discutido o Estado da Arte no que tange o Reconhecimento de Padr oes e Objetos utilizando Redes Neurais para a classica c ao dos dados; Cap tulo 3 - Modelo Computacional Proposto: apresenta as estrat egias para o reconhecimento de objetos. Nele e descrito o modelo proposto, as etapas necess arias e a metodologia empregada; Cap tulo 4 - Trabalho Experimental: descreve o desenvolvimento do modelo, os experimentos realizados, bem como suas funcionalidades e algoritmos desenvolvidos; Cap tulo 5 - Resultados Obtidos: s ao apresentados os resultados obtidos, considera co es sobre os experimentos realizados e uma an alise do desempenho das abordagens propostas; Cap tulo 6 - Considera co es Finais: Apresenta as principais conclus oes, contribui co es e algumas sugest oes de atividades de pesquisa a serem desenvolvidas no futuro.

Cap tulo Dois

Fundamenta c ao Te orica e Estado da Arte no uso de Reconhecimento de Padr oes e Objetos, Redes Neurais e Geometria Fractal

Neste cap tulo ser ao mostrados os avan cos dos trabalhos que utilizam Redes Neurais, Processamento de Imagens e Reconhecimento de Padr oes, e Geometria Fractal como base para as pesquisas. Poder-se- a vericar que as diversidades de trabalhos desenvolvidos nos u ltimos anos em que esses temas atuam s o tendem a crescer e se espalhar por outras grandes areas de pesquisa.

2.1

As Redes Neurais Articiais

Os estudos envolvendo o c erebro s ao datados de muitos anos atr as. Por em, por meio da cria ca o da eletr onica, foi que os homens come caram a tentar simular o c erebro e seus processos (HAYKIN, 1998). Em 1943, McCulloch & Pitts publicaram o primeiro modelo de neur onio articial, Figura 2.1, que que interpretava o funcionamento como sendo um circuito bin ario simples que combina v arias entradas e gera uma sa da (NEVES, 2006).

Figura 2.1: Modelo de Neur onio Simples. FONTE: (HAYKIN, 1998)

Em termos matem aticos, um neur onio pode ser descrito atrav es das equa c oes 2.1 e 2.2 (HAYKIN, 1998):

Cap tulo Dois

2.1. As Redes Neurais Articiais

uk =

m j =1 wkj

xj

(2.1)

yk = (uk + bk )

(2.2)

Desta forma os autores mostraram que era poss vel criar uma rede neural utilizando somente a matem atica e algoritmos. O neur onio e composto basicamente de tr es elementos b asicos (HAYKIN, 1998): 1. Um conjunto de Pesos: espeicamente, um sinal xj na entrada, conectada ao neur onio k e multiplicado pelo peso wkj ; 2. Um somador: que faz a soma dos sinais de entrada j a ponderados; 3. Uma fun ca o de ativa c ao: que restringe a amplitude da sa da de um neur onio. A depender do problema, pode-se escolher diferentes tipos de fun c oes, a gura 2.2, mostra tr es diferentes tipos de fun ca o:

Figura 2.2: Tipos de fun c ao ativa c ao. FONTE: (RAUBER, 1997)

Posteriormente, as pesquisas tiveram altos e baixos, mas em 1958, Frank Rosenblatt criou o perceptron, a unidade funcional das redes, o que alimentou os animos, e desde ent ao, as pesquisas envolvendo este tema cresceram bastante (MASSON, 1990). Atualmente as aplica co es envolvendo Redes Neurais em seu desenvolvimento abrangem uma diversidade de a reas, indo de pesquisas educacionais/cient cas ` a aplica c oes comerciais e industriais (BILOBROVEC M; MARCAL, 2004).

2.1.1 Topologias de Redes


A eci encia das Redes Neurais se d a pela utiliza c ao de conjuntos de neur onios interligados entre si formando uma complexa estrutura de rede (CERA, 2005), onde os sinais de
9

Cap tulo Dois

2.1. As Redes Neurais Articiais

entrada recebidos pelos neur onios s ao transformados e repassados adiante, at e chegarem a sa da, onde obt em-se a resposta desejada (MEDEIROS, 2003), e neste processo onde a intelig encia e formada. A topologia de uma rede e a forma pela qual ela se apresenta sicamente, ou seja, como ela est a organizada. A escolha de uma topologia implica diretamente no resultado da Rede, isto porque a organiza c ao dos neur onios numa RNA est a diretamente relacionado ao tipo de problema a ser resolvido e e um fator decisivo na escolha do algoritmo de aprendizado (NEVES, 2006). As principais topologias de rede s ao (HAYKIN, 1998):

Propaga ca o para frente (Feedforward ): As redes feedforward, gura 2.3, s ao unidirecionais, agrupadas em camadas, podendo haver camadas ocultas, ou seja, n ao est ao conectadas nem com as entradas nem com as sa das. S ao mais populares por possuirem m etodos de aprendizagem mais difundidos e f aceis de utilizar.

Figura 2.3: Topologias de Redes de Propaga c ao para Frente: (1) camada u nica, (2) com camada oculta. FONTE: (HAYKIN, 1998)

Recorrentes (Recurrent ): Distingue-se de uma rede de propaga c ao para frente por ter pelo menos um la co de realimenta c ao e o uso de mais um elemento na rede, gura 2.4, o que implica em um impacto na capacidade de aprendizagem e desempenho da rede.

Para o desenvolvimento da pesquisa, foi escolhido a topologia de Propaga ca o para Frente, por apresentar melhores resultados quando utilizados no reconhecimento de objetos.

10

Cap tulo Dois

2.1. As Redes Neurais Articiais

Figura 2.4: Topologias de Redes Recorrentes: (1) camada u nica, (2) com camada oculta. FONTE: (HAYKIN, 1998)

2.1.2 Paradigmas de Aprendizagem


o ato de produzir um O principal processo de uma rede neural e a aprendizagem. E comportamento diferente por um est mulo recebido, isto ocorre devido a `s rea co es obtidas anteriormente. As redes neurais possuem a capacidade de aprender por exemplos. O aprendizado pode ser classicado em (NEVES, 2006):

Supervisionado: Neste caso, a rede e treinada pela presen ca de dados de entrada e sa da desejada, e a cada itera c ao do treinamento da rede, a entrada produz uma sa da que ao ser comparada com a sa da desejada, gera uma diferen ca e faz com que a rede se reajuste (adaptando os pesos) at e que essa diferen ca seja m nima ou nula. N ao-Supervisionado: Ao contr ario do supervisionado, este tipo de treinamento n ao possui um dado de sa da desejada para guiar o treinamento. Neste tipo, a aprendizagem e realizada pelas descobertas de semelhan cas nos dados de entrada, procurando agrupamentos dos exemplos de treinos. Basicamente, usa a seguinte id eia, para exemplos de coisas semelhantes, a rede responde de forma semelhante.

O foco deste trabalho e na rede de aprendizado supervisionado. Para que ocorra o aprendizado e necess aria a utiliza c ao de regras matem aticas, chamadas de regras de aprendizado. Existem diversas regras para o aprendizado neste tipo de rede. Pode-se citar a Lei de Hebb, representada na equa ca o 2.3 (HEBB, 1949).

H wij = Yi yj
11

(2.3)

Cap tulo Dois

2.1. As Redes Neurais Articiais

Onde e a taxa de aprendizado, que e um valor de escala positiva que determina a velocidade da aprendizagem. Yi e a sa da calculada e yj a sa da desejada. Esse modelo foi adaptado por Widrow-Ho (WIDROW B.; HOFF, 1960), e passou a ser chamada de Regra Delta. Esta regra tem como objetivo minimizar o erro entre os valores de sa da calculados pela rede e os desejados pelos exemplos fornecidos, e est a representada na equa ca o 2.4:

D wij = (Yi yi ) yj

(2.4)

Onde Yi yi , e a diferen ca entre o valor da sa da calculada e da desejada. Por em, o bom funcionamento dessas regras e exclusivo das redes com duas camadas, entrada e sa da. Em 1986, Rumelhart, Hinton e Williams desenvolveram o algoritmo de retropropaga ca o de erro, ou Backpropagation, que e uma generaliza ca o da Regra Delta, podendo ser utilizado com eci encia em redes com tr es ou mais camadas (RUMELHART D. E.; HINTON, 1986). Esta e uma das regras mais utilizadas em pesquisas, e n ao se limita a resolver problemas linearmente separ aveis.

2.1.3 Avan cos na utiliza ca o das Redes Neurais


Toda essa evolu c ao das redes neurais at e os dias atuais somado a era da tecnologia permitiu aos pesquisadores avan cos ainda mais signicativos no desenvolvimento de uma rede neural articial. Por terem sido criadas com base na rede neural biol ogica, as RNA possuem algumas de suas caracter sticas mais importantes, como o aprendizado pela experi encia, a generaliza c ao e abstra ca o de caracter sticas. Atributos esses que geram grande interesse para as pesquisas atuais. (WASSERMAN, 1989) Atualmente as Redes Neurais est ao sendo utilizadas em pesquisas nas mais diversas a reas, por meio de sua utiliza c ao e poss vel reconhecer objetos, classicar objetos em grupos, reconhecer e associar padr oes, al em de predizer o futuro. A grande maioria das pesquisas foca na classica ca o de objetos e padr oes (NYGREN, 2004). Em 2000, (ZHANG, 2000) arma em seu trabalho que as Redes Neurais surgiram como uma importante ferramenta para classica ca o, e que as pesquisas mostraram ser uma promissora alternativa aos m etodos de classica c ao existentes. Hoje, percebe-se a extens ao da sua utiliza c ao, da economia ` a medicina. Em seu artigo, (LIMA FABIANO G; PERERA, 2009) mostrou a aplica ca o das redes neurais na an alise e concess ao de cr edito ao consumidor, apresentando resultados positivos na classica ca o, em torno de 75% de acertos, ou nas previs oes de s eries nanceiras (MACIEL L S.; BALLINI, 2008)(ABELEM, 1994), que s ao particularmente ruidosas e sem periodi-

12

Cap tulo Dois

2.1. As Redes Neurais Articiais

cidade aparente, mostrando que o m etodo das Redes Neurais Articiais e superior aos outros testados, pelos autores, dentro do a mbito da economia. J a em (TORRES RUBIAO G.; MACHADO, 2005), e apresentada a utiliza ca o no ambiente industrial, na previs ao de falhas de equipamentos do sistema industrial antes da manuten c ao programada. Esses modelos foram desenvolvidos para que possam ser previstas futuras falhas de determinadas pe cas do maquin ario para que se possa fazer a manuten ca o pr evia, no intuito de terem as m aquinas funcionando de forma prolongada e eciente, sem serem pegos de surpresa. Em outra situa ca o, utilizada em atividades da agropecu aria, as Redes Neurais continuam armando a sua ec acia nas atividades propostas. Em (BITTENCOURT, 2009), foi proposto um m etodo para classica c ao autom atica do acabamento de gorduras em carca cas bovinas utilizando redes neurais, a mesma alcan cou uma taxa de acerto em torno de 86% na classica ca o. Nos u ltimos tempos, est a sendo constantemente utilizada no Geoprocessamento e Sensoriamento Remoto, ambos ligados a Geograa. Em sua tese (GALO, 2000), a autora realizou um estudo comparativo da caracteriza ca o ambiental de uma localidade utilizando Redes Neurais e Sensoriamento Remoto, somente utilizando as caracter sticas espaciais, espectrais, radiom etricas e temporais das imagens obtidas por meio de sat elites e os dados reais obtidos pelo org ao respons avel. Os resultados mostraram que a classica ca o das Redes Neurais obtiveram valores pr oximos aos reais, o que comprova mais uma vez a eci encia das RNA e que e totalmente vi avel sua utiliza ca o neste tipo de pesquisa. Em (CHAGAS C. S.; VIEIRA, 2009), as Redes Neurais s ao utilizadas como um m etodo alternativo para a classica ca o dos n veis de degrada c ao de pastagens, obtendo excelentes resultados nas compara co es com a realidade. Na medicina, as Redes Neurais Articiais s ao utilizadas em diversas aplica co es, como nas decis oes m edicas (diagn ostico, progn ostico e terapia), no reconhecimento de sinais biol ogicos (ECG, EEG, etc) e em imagens m edicas (raio-x, cintilograa, resson ancias, tomograas, etc). Uma pesquisa realizada no Colorado desenvolveu um sistema para diagnosticar o c ancer de pr ostata bem como predizer a poss vel recorr encia do mesmo depois do tratamento. No trabalho de (ROCHA EDROALDO L. DA; NICOLEIT, 2007), e apresentado um sistema com Redes Neurais e Processamento de Imagens para o diagn ostico automatizado de doen cas do c olon do u tero, que segundo o INCA, e o terceiro tipo de doen ca mais comum entre mulheres no Brasil.

13

Cap tulo Dois

2.2. Processamento Digital de Imagens para o Reconhecimento de Padr oes

2.2

Processamento Digital de Imagens para o Reconhecimento de Padr oes

O Processamento Digital de Imagens, ou PDI, teve um not avel crescimento nas u ltimas d ecadas, gra cas ao desenvolvimento tecnol ogico e computacional, tornando-se um grande e atual tema de pesquisa (CASTRO, 2009) (HAYKIN, 1998). Trata-se da representa c ao e an alise de dados em forma visual, i.e., o PDI e um processo de manipula c ao de dados num ericos contidos em uma imagem digital que utiliza fun c oes matem aticas para efetuar mudan cas com a proposta de melhorar sua apar encia visual (HOGENDOORN, 2006). A partir deste processo, e poss vel melhorar imagens antigas, clarear imagens m edicas, entre outros, al em de possuir a habilidade de extrair informa c oes impercept veis aos olhos humanos. Atualmente o PDI est a sendo utilizado em aplica c oes de diversos seguimentos, como a ind ustria, medicina, rob otica, explora ca o espacial, mar tima e terrestre, pesquisas educacionais, entre outras. Na medicina, e comumente utilizado na an alise morfol ogica dos cortes em tecidos (pele, m usculos, etc), no clareamento de imagens para diagn ostico, compara ca o de DNA; na biotecnologia faz parte do sequenciamento autom atico de DNA, entre outros (PEREIRA RAFAEL M.; WU, 2004). Um bom exemplo da import ancia do uso do PDI se d a na meteorologia, que utilizando uma sequ encia de imagens de sat elite da forma c ao de um furac ao, e combinando esses dados a outros dados meteorol ogicos armazenados, na an alise das imagens processadas obtidas e poss vel tra car rotas, predizer a for ca, o tempo e a localiza c ao por onde ir a passar, podendo ajudar em um poss vel sinal de alerta. O PDI tamb em e utilizado na descoberta de focos de queimadas, detec ca o de doen cas nos olhos, na restaura c ao e conserva ca o de obras de arte, etc (BOGGIONE, 2004). A utiliza ca o do PDI se mostra presente principalmente nas aplica co es que necessitam de compress ao e/ou an alise em grandes volumes de dados, na velocidade de manipula c ao e demanda de informa ca o atualizada. O processamento digital de imagens e um processo totalmente matem atico. Uma imagem digital e uma matriz de medidas, que pode conter dados de ilumina c ao, temperatura, altitude, etc, transformadas em intervalos regulares e mostradas em forma de pixels (GONZALEZ RAFAEL C.; WOODS, 2002).

2.2.1 Imagem Digital e o Pixel


Para que uma imagem possa ser processada computacionalmente e necess ario que a mesma seja adquirida digitalmente (BRITO S. F.; CARVALHO, 1998). Sendo ela o objeto principal do modelo, uma imagem digital, nada mais e que uma matriz MxN de n veis de cinza, no caso de uma imagem digital monocrom atica. Segundo (BANON, 2000), uma imagem
14

Cap tulo Dois

2.2. Processamento Digital de Imagens para o Reconhecimento de Padr oes

em escala de cinzas e composta por dois conjuntos: (1) Conjunto X, composto por um quadrado dispostos em linhas e colunas e, (2) um conjunto Y, contendo n veis de cinza, variando de 0 a 255. Para ele, um pixel e um elemento do produto cartesiano de uma posi ca o do conjunto X e um elemento do conjunto Y. Uma imagem digital monocrom atica segundo (MASCARENHAS N. A.; VELASCO, 1989) e uma fun ca o de intensidade de luz bidimensional f(x,y), chamada de pixel, onde x e y s ao coordenadas espaciais. Cada pixel possui propriedades associadas a ele, valores estes representados por n veis de cinza, cor, textura, etc. Em uma imagem monocrom atica, o valor de f no ponto (x,y) e proporcional ao brilho da imagem neste ponto. Caso a imagem seja colorida, a cor ou o valor de f passa a ser denida por tr es grandezas: (1) mumin ancia, associada ao brilho da luz, (2) matiz, associada com o comprimento de onda dominante, e (3) satura ca o, que est a associada com o grau de pureza da matiz. Independente de ser vista como uma matriz, a leitura matem atica de uma imagem digital e diferente e se d a conforme a Figura 2.5, nela as coordenadas x e y se invertem, e x e lida de cima para baixo. Para este trabalho, utilizou-se a imagem em escala de cinzas como base.

Figura 2.5: Forma de leitura e representa c ao de uma imagem digital em aspecto matem atico. FONTE: Adaptado de (CARVALHO, 2003) e (GONZALEZ RAFAEL C.; WOODS, 2002)

2.2.1.1

Propriedade dos Pixels

Uma das propriedades importantes dos pixels e a conectividade. Vizinhan ca, ou conectividade, pode ser classicada em dois tipos (Figura 2.6) (CARVALHO, 2003):

Conectividade D4n, na qual se t em por base os pixels adjacentes a borda, desconsiderando os vizinhos na diagonal; Conectivadade D4d, utiliza os pixels da diagonal; Conectividade D8, onde se utilizam todas as oito dire c oes.

15

Cap tulo Dois

2.2. Processamento Digital de Imagens para o Reconhecimento de Padr oes

Figura 2.6: Propriedade de Vizinhan ca. (a) D4n, pixels conectados pela borda, (b) D4d, pixels conectados pela diagonal, e (c) D8, pixels conectados pelas bordas e pela diagonal. FONTE: Adaptado de (PAVIM X A.; ROLOFF, 2005)

O pixel e um elemento anisotr opico em rela c ao a dist ancia, i.e., o valor da dist ancia ter a diferentes resultados que ir ao depender da dire c ao considerada, que no caso e o tipo de conectividade. A escolha de um deles afeta diretamente na propriedade da dist ancia dos pixels, Figura 2.7, que e utilizada constantemente em m etodos de processamento digital como as opera co es morfol ogicas (PAVIM X A.; ROLOFF, 2005).

Figura 2.7: Diferen ca da dist ancia segundo as tr es abordagens de conectividade, para efeitos de exemplo utilizou-se a contagem de pixels como medida de dist ancia. (a) utilizando D4n, a dist ancia seria igual a 8px, (b) D4d e (c) D8, a dist ancia para ambos seria de 4px. FONTE: Adaptado de (PAVIM X A.; ROLOFF, 2005).

2.2.2 Etapas do Processo


Adaptando o modelo de (GONZALEZ RAFAEL C.; WOODS, 2002), as etapas do processamento digital de imagens do trabalho e composto por quatro etapas b asicas: (1) Aquisi c ao da Imagem, (2) Pr e-Processamento da Imagem e Segmenta ca o, (3) Representa c ao e Descri ca o, e (4) Reconhecimento e Interpreta ca o, conforme Figura 2.8.

16

Cap tulo Dois

2.2. Processamento Digital de Imagens para o Reconhecimento de Padr oes

RAFAEL C.; WOODS,

Figura 2.8: Etapas do Processamento Digital de Imagens. FONTE: Adaptado de (GONZALEZ 2002)

2.2.2.1

Aquisi c ao da Imagem

Para o processo de forma ca o da imagem e sua poss vel aquisi ca o em uma imagem digital, Figura 2.9, s ao necess arios tr es elementos: (1) luz natural ou articial, (2) dispositivo f sico sens vel a luz, que seja capaz de captar os espectros de energia eletromagn etica reetidos pela imagem/dado original e, (3) um digitalizador, que converte o sinal anal ogico/el etrico em formato digital. Sistemas de imageamento, como tamb em s ao chamados o conjunto de elementos, s ao facilmente encontrados atualmente, por exemplo, as c ameras fotogr acas digitais (CARVALHO, 2003).

C.; WOODS,

Figura 2.9: Esquema do processo de forma c ao da imagem. 2002)

FONTE: (GONZALEZ RAFAEL

Segundo Kulkarni, no momento da aquisi ca o existe a possibilidade da imagem vir com algum tipo de degrada c ao, seja pelo ambiente ou pelo equipamento utilizado (CASTRO, 2009). Quando se trata de uma pesquisa cient ca, existem bancos de dados de imagens na internet, i.e., pacotes de imagens de um mesmo objeto, geralmente fornecidas por institui co es de ensino e/ou pesquisa. Esta e uma etapa fundamental do processo, pois al em de ser o momento da aquisi c ao, e nela onde ser ao discutidos aspectos externos ao processo, como ambiente, ilumina c ao, resolu ca o, entre outros (FIGUEREDO, 2007).

17

Cap tulo Dois

2.2. Processamento Digital de Imagens para o Reconhecimento de Padr oes

2.2.2.2

Pr e-Processamento e Segmenta c ao

O pr e-processamento consiste na maior parte de transforma c oes lineares e n ao lineares aplicadas a ` imagem visando o aprimoramento da mesma, atrav es de remo ca o de ru dos, mudan ca de contraste, ilumina ca o, distor co es, nitidez, dentre outros. A segmenta ca o ea extra ca o ou identica ca o de regi oes contidas na imagem, onde a regi ao e toda a caracter stica com conte udo relevante para a aplica ca o (MASCARENHAS N. A.; VELASCO, 1989). Geralmente particiona a imagem em duas regi oes, uma representa o fundo da imagem, constitu da de dados desnecess arios ` a aplica c ao, e a outra, denominada de regi ao de interesse, que cont em os dados necess arios para as pr oximas etapas. E uma fase em que o processo aut onomo torna-se dif cil pois necessita de informa c oes espec cas, e que s ao melhores fornecidos por um observador humano a um observador mec anico. Entretanto, muitos algoritmos computacionais s ao utilizados e seus resultados s ao bastante satisfat orios. Constantemente utilizado nesta etapa, o histograma e um dos m etodos de segmenta c ao que e ecaz e simples de ser implementado. Pode ser criado por diferentes formas, mas, sua id eia principal e quantizar a frequ encia da ocorr encia de pixels dentro de um mesmo espa co.

2.2.2.3

Representa c ao e Descri c ao

Esta etapa serve para extrair dados num ericos da regi ao de interesse obtida na segmenta c ao, armazenando essas informa co es num vetor de caracter sticas. A representa c ao consiste das v arias formas de armazenar a fronteira e o interior de objetos segmentados, contendo informa c oes sobre a forma e a topologia dos objetos. (GONZALEZ RAFAEL C.; WOODS, 2002) dene esta etapa como:

Geralmente, uma representa c ao externa e escolhida quando a aten c ao prim aria estiver voltada para caracter sticas de forma. Por outro lado, uma representa c ao interna e selecionada quando a aten c ao estiver voltada para propriedades como cor ou textura. (GONZALEZ RAFAEL C.; WOODS, 2002)

A descri c ao, ou escolha de caracter sticas, e a extra c ao de atributos que resultam em uma rela ca o quantitativa da representa ca o.

18

Cap tulo Dois

2.2. Processamento Digital de Imagens para o Reconhecimento de Padr oes

2.2.2.4

Interpreta c ao e Reconhecimento

Com base na descri ca o, o reconhecimento associa um r otulo a cada objeto segmentado, e a interpreta ca o associa um signicado ao conjunto de objetos segmentados.

2.2.3 A necessidade do Reconhecimento de Padr oes


Est a intr nseca a ` natureza dos seres humanos, a habilidade de reconhecer padr oes, ou seja, no momento em que observa um dado objeto/sensa ca o, s ao coletadas informa c oes e comparadas com as informa co es de propriedades e comportamentos que possu mos armazenadas na mente (CERA, 2005) (NOGUEIRA A.; AZEVEDO, 2006). O termo reconhecimento de padr oes foi primeiramente introduzido na d ecada de 60 e signicava detec ca o de formas simples, hoje, sabe-se que o termo vai muito al em do que s o reconhecer formas simples (REIS CAIMI F; ALBUQUERQUE, 2001). Existem muitas deni co es sobre reconhecimento de padr oes, segundo Pao(1989), todas as coisas que acontecem na vida humana tomam forma de padr oes, da a import ancia nos estudos do reconhecimento de padr oes. J a Bezdek e Pal (1992) dizem que e a busca por estruturas em dados. Duda, Hart e Stork (2000) denem como sendo: um campo que consiste no reconhecimento de regularidades signicativas em meios ruidosos e complexos (MORAES, 2010). Nos seres humanos a habilidade de reconhecer padr oes e bastante r apida e trivial, por em, para a computa ca o, n ao existe hardware nem software capaz de se igualar a capacidade humana. Para a computa ca o, o reconhecimento de padr oes e uma ci encia inexata, por isso admite diversas abordagens para solucionar um determinado problema, como redes neurais, redes neuro-fuzzy, k -means, rede Bayes com algoritmos gen eticos, dentre outros (SOUZA, 1999). Um grande desao dessa area e o reconhecimento de objetos/padr oes em imagens. Reconhecer um objeto e um processo de tomada de decis ao objetivando classic a-los em n umeros de categorias ou classes (MACHADO, 2008). A maioria das aplica co es que utiliza o reconhecimento de padr oes, utilizam o processamento digital de imagens como primeiro passo. Por serem padr oes complexos, as imagens possuem uma alta dimens ao de caracter sticas e por natureza s ao dif ceis de processar (SOUZA, 1999). Segundo (JAIN A. K.; DUIN, 2000), nos u ltimos anos, avan cos signicativos foram alcan cados por meio das pesquisas. Atualmente, a quantidade de aplica c oes que requerem t ecnicas de reconhecimento de padr oes mais ecientes aumentou, pode-se citar como exemplo a Bioinform atica, diagn osticos m edicos, minera c ao de dados, automa c ao industrial, dentre outros.

19

Cap tulo Dois

2.3. O uso da Dimens ao Fractal em Pesquisas

2.3

O uso da Dimens ao Fractal em Pesquisas

A geometria fractal e o ramo da matem atica que estuda as propriedades e comportamentos dos fractais. Descreve situa co es que n ao podem ser explicadas pela geometria cl assica. O termo fractal foi criado pelo matem atico Beno t Mandelbrot em 1975, que estudava os problemas da geometria cl assica. Um fractal e um dado objeto geom etrico que pode ser dividido em partes, cada uma delas semelhante ao objeto original, s ao auto-similares e independem de escala, como mostra a Figura 2.10 (ASSIS, 2008).

Figura 2.10: Exemplo de fractal auto-similar e independente de escala. FONTE: (ASSIS, 2008)

Segundo (BACKES, 2006), por meio dos fractais, e poss vel calcular um n umero denominado de dimens ao fractal, que para o processamento de imagens, atua como uma medida da complexidade da organiza ca o dos pixels que constituem a imagem, sendo que este n vel de complexidade e diretamente relacionado ao seu aspecto visual.

2.3.1 Os Avan cos


A Geometria Fractal tem sido constantemente utilizada em diversas a reas cient cas. Na Geograa por exemplo, e constantemente utilizada nos estudos cartogr acos, topogr acos e ecol ogicos (AZEVEDO T. S.; MARQUES, 2004). Por meio das pesquisas, nota-se uma ampla utiliza ca o da dimens ao fractal na Medicina. Ela e utilizada como m etodo de diagn ostico quantitativo e objetivo de v arias patologias. Um dos campos mais desenvolvidos e o diagn ostico de c ancer (ASSIS, 2008). Os experimentos mostram que a rede capilar dos tumores cancer genos possuem dimens ao fractal maior que o dos tecidos normais. Partindo dessa informa ca o, os pesquisadores continuaram as pesquisas, e conseguiram descrever o processo patol ogico da doen ca, sendo tamb em utilizado como par ametro relacionado ao grau de agressividade da doen ca (GUANDALINI, 2006). Segundo (DINIZ, 2006), e possivel identicar alguns tipos de c ancer na boca, e que pelo valor da dimens ao, e poss vel armar em que grau de inltra ca o a doen ca est a. Dessa forma, o estudo realizado, que pode ser considerado um progn ostico, ou seja, uma antecipa ca o do desenvolvimento da doen ca, e de grande import ancia j a que a partir da an alise desses dados e poss vel iniciar um tratamento
20

Cap tulo Dois

2.3. O uso da Dimens ao Fractal em Pesquisas

e consequentemente aumentar consideravelmente as chances de recupera ca o do paciente. Em sua pesquisa, (OLIVEIRA, 2006) constatou que a dimens ao fractal e um par ametro que pode ser utilizado para diferenciar pessoas normais das que possuem problemas na retina dos olhos. Segundo o autor (BARRETO, 2001), outra a rea de utiliza c ao dos fractais e na biologia. Um estudo realizado pela Universidade Federal do Rio de Janeiro mostra que a irregularidade do habitat de algumas esp ecies inuencia diretamente na escolha dos locais, por oferecer melhor abrigo e prote ca o contra predadores e varia c oes clim aticas.

21

Cap tulo Tr es

Modelo Computacional

Este cap tulo apresenta o modelo desenvolvido como solu ca o para o problema proposto.

3.1

Apresenta c ao do Modelo

Conforme visto anteriormente, o problema cl assico da vis ao computacional e do processamento de imagens e determinar se em uma dada imagem h a ou n ao um objeto espec co, uma caracter stica ou uma atividade. Ao contr ario dos seres humanos, que realizam tais tarefas com tamanha facilidade, a computa ca o ainda n ao consegue execut a-las satisfatoriamente, onde objetos, situa c oes, ilumina c ao e pose s ao arbitr arias. Para um sistema computacional exercer essas atividades, e necess ario que ele extraia caracter sticas da imagem que distingam o dado objeto dos outros dentro do mesmo universo. Sabe-se que a computa ca o e uma ferramenta de apoio a qualquer a rea do conhecimento, e tendo em vista, a eterna melhoria na qualidade de servi cos e equipamentos, a necessidade de ter um sistema con avel que execute as atividades desejadas com eci encia e deveras alta. Para isto, os esfor cos realizados na pesquisa e desenvolvimento desses sistemas crescem muito, n ao tendo em vista somente o a mbito cient co, mas tamb em no entretenimento e conforto pessoal.

3.1.1 Objeto de Pesquisa


Para a avalia ca o do sistema, foi escolhido o parafuso, como objeto de an alise. Foi escolhido por ser um item que possui diversos tamanhos, formas, e e utilizado em larga escala por diversos seguimentos da ind ustria, a Figura 3.1 mostra as partes que comp oem o parafuso.

Figura 3.1: Componentes do parafuso, (a) Cabe ca, (b) Corpo, (c) Extremidade. FONTE: (DESTEC, 2011)

22

Cap tulo Tr es

3.1. Apresenta c ao do Modelo

O parafuso serve para xar um objeto a outro, e a depender dos materiais que ser ao acoplados, a forma do parafuso e determinante (SENAI, 2008). Os parafusos diferem tanto na cabe ca quanto no corpo, a Figura 3.2 e a Figura 3.3 mostram algumas das diferen cas entre eles.

Figura 3.2: Diferentes tipos de cabeca de parafuso. FONTE: (DESTEC, 2011)

Figura 3.3: Diferentes tipos de corpo de parafuso, (a) Ponta Agulha Rosqueado, (b) Ponta Broca Rosqueado, (c) Ponta Agulha Parcialmente Rosqueado e, (d) Ponta Broca Parcialmente Rosqueado. FONTE: (DESTEC, 2011)

Como exemplo da diferen ca na utiliza c ao do item, na Figura 3.2, tanto (a) quanto (b) servem para xar pers met alicos entre si, j a o (c) serve para a xa ca o de chapas de gesso sobre pers met alicos. Enquanto na Figura 3.3, os tipos (a) e (c) servem para perfurar chapas met alicas com espessura m axima de 0,7mm e a (b) e (d) para chapas de 0,7 a 2mm, isso sem levar em considera c ao o fato de estarem totalmente ou parcialmente rosqueados (DESTEC, 2011). Mediante tais diferen cas, e sabendo que qualquer defeito, o menor que fosse, pode prejudicar a sua utiliza c ao. Com isso, o modelo possui como id eia principal, o reconhecimento de quatro tipos distintos de parafusos conforme mostra a Figura 3.4. Conforme visto na Figura 3.4, os tipos de objetos s ao chamados de: (a) Parafuso Ponta Broca, (b) Parafuso Cabe ca Chata Rosca Total, (c) Parafuso Sextavado Rosca Parcial e, (d) Parafuso Cabe ca Trombeta Ponta Agulha (DESTEC, 2011)(SENAI, 2008). Distinguemse principalmente no formato da cabe ca, somente o (c) que possui o corpo parcialmente rosqueado, (c) e (b) possuem semelhan ca no tipo de extremidade, diferentemente de (a)
23

Cap tulo Tr es

3.2. Composi c ao do Modelo

Figura 3.4: Objetos de estudo.

e (d) que s ao bem distintas entre si. Baseando-se nos dados apresentados, e sabendo da necessidade de agilidade na fabrica c ao, bem como na estabilidade ou melhora da qualidade dos produtos, idealiza-se o desenvolvimento de um dispositivo rob otico capaz de vistoriar as pe cas, separando as boas das defeituosas e/ou separ a-las conforme sua especica c ao. Para isso, o sistema de vis ao precisa ser r apido e eciente. Baseando-se nesta necessidade, e sabendo das vantagens que as redes neurais possuem, este modelo implementa um sistema de reconhecimento de objetos que utiliza como par ametro a imagem de um dado objeto e a dimens ao fractal do mesmo.

3.1.2 Diferencial da Pesquisa


O fator diferencial deste modelo est a na utiliza ca o da geometria fractal como uma das caracter sticas imposta a rede neural como par ametro de aprendizado e classica c ao. A dimens ao fractal atua como uma medida da complexidade da organiza ca o dos pixels que constituem a imagem, sendo esse n vel de complexidade da imagem diretamente relacionado ao seu aspecto visual, tornando poss vel a sua compara ca o com outras imagens.

3.2

Composi c ao do Modelo

Para o problema proposto, foi desenvolvido um modelo de reconhecimento de objetos atrav es de Redes Neurais Articiais e Geometria Fractal. O modelo e basicamente composto de tr es areas do conhecimento: (1) Imagem e Processamento de Imagens, (2) Geomteria Fractal, e (3) Redes Neurais Articiais. O modelo desenvolvido e composto

24

Cap tulo Tr es

3.2. Composi c ao do Modelo

resumidamente de 5 etapas, como mostra a Figura 3.5.

Figura 3.5: Diagrama do modelo proposto.

Primeiramente, h a a apresenta ca o do problema, o qual determina a a rea de atua ca o da atividade, onde o objeto ser a avaliado. Posteriormente, as atividade relativas a area de Imagem e Processamento, onde ser ao realizados processos na imagem de forma que a mesma sofra altera co es para tornar-se mais adequada aos procedimentos seguintes. Na etapa da Geometria Fractal, a imagem passa por uma avalia ca o e e gerado um valor referente a dimens ao fractal da mesma. A Rede Neural e respons avel por organizar os dados recebidos pelas duas etapas anteriores e realizar o treinamento e classica ca o dos dados. E, por u ltimo, a etapa dos resultados, na qual ser ao evidenciados os dados obtidos ap os a classica ca o e reconhecimento dos dados.

25

Cap tulo Tr es

3.3. Etapas do Modelo

3.3

Etapas do Modelo

3.3.1 Processamento de Imagens


Como sendo o primeiro passo do modelo, a etapa de PDI e respons avel por modicar a imagem adquirida, e transform a-la a ponto de estar em seu melhor estado para que possa ser utilizada nos processos seguintes. O objetivo da etapa de processamento de imagens e separar o objeto do restante, ou seja, ter somente informa c oes referentes ao objeto, excluindo o fundo da imagem. A Figura 3.6 exemplica a sequ encia de informa c oes geradas no processamento de imagens.

Figura 3.6: Exemplica c ao das etapas do processamento de imagens. FONTE: Adaptado de (PAVIM X A.; ROLOFF, 2005)

3.3.2 Geometria Fractal e sua Dimens ao


Para o c alculo da dimens ao fractal existem diversos m etodos, dentre eles existe o BoxCounting, comumente utilizado e considerado um dos m etodos mais simples de implementar e estimar a dimens ao fractal de um dado objeto em uma imagem. O m etodo Box-Counting consiste basicamente em sobrepor uma malha de quadrados de tamanho M e contar quantos s ao os n umeros de quadrados que cont em alguma parte da imagem, como mostra a Figura 3.7. Este processo resulta em um certo n umero N, que depende de M, i.e., N(M). Em seguida, diminui-se o tamanho de M, por serem inversamente proporcionais, o valor de N(M) aumentar a, e assim por diante, cada vez com M menor e contando o n umero de quadrados. Posteriormente, para cada itera c ao n, contr oi-se o gr aco no plano log(N(M)) x log(1/M) marcando seus respectivos pontos. Depois, encaixa-se uma reta nos pontos do diagrama,
26

Cap tulo Tr es

3.3. Etapas do Modelo

Figura 3.7: Exemplo da malha do m etodo Box-Counting. FONTE: (FERNANDES, 2007)

e a medida da inclina ca o da reta corresponde a dimens ao Box-Counting da imagem, representada pela Equa c ao 3.1:

Df = lim

log (Nn+1 (M )) log (Nn (M )) log


1 Mn+1

log

1 Mn

(3.1)

3.3.3 Redes Neurais Articias


Baseando-se nas an alises de outros trabalhos, vericou-se que a arquitetura de Redes Neurais Multilayer Perceptron utilizando o algoritmo de Retropropaga ca o de Erro para o aprendizado s ao as que geram melhores resultados em se tratando de Reconhecimento de Padr oes atrav es de imagens, por isso, optou-se pela utiliza ca o das mesmas. Nesse m etodo, os dados de entrada s ao apresentados repetidamente para a rede neural, e ao nal de cada itera ca o, a sa da da rede neural e comparada com a sa da desejada e um valor de erro e calculado. Esse erro e propagado de volta a rede e usado para ajustar os pesos buscando reduzir o erro a cada etapa, at e que o resultado torne-se o mais pr oximo da sa da desejada. A Figura 3.8 mostra o esquema da Rede Neural criada para o modelo.

Figura 3.8: Modelo da RNA para o trabalho.

27

Cap tulo Quatro

Trabalho Experimental e Desenvolvimento do Sistema

Neste cap tulo ser ao mostradas as etapas do desenvolvimento do sistema, bem como as simula co es propostas.

4.1

Desenvolvimento do Sistema

Esta pesquisa foi realizada por meio de revis ao de literatura, e apresenta um enfoque quantitativo experimental. Para o desenvolvimento do sistema, foi utilizado a IDE QT Creator 2.0, de programa c ao em C++, de propriedade da Nokia Corporation. Baseado no modelo computacional, o sistema foi desenvolvido em 5 etapas distintas: (1) A primeira etapa e referente ao Processamento de Imagem, (2) Fun co es da Geometria Fractal, (3) Desenvolvimento de uma RNA MLP utilizando o algoritmo de Retropropaga c ao de Erro, (4) Adapta c ao da entrada da Rede Neural para os dados, e (5) Treinamento, Testes e Valida c ao.

4.1.1 Implementa c ao do Processamento de Imagens


O processamento de imagens utiliza, como o pr oprio nome diz, a imagem como mat eria prima. Para tanto, foi necess ario transformar a imagem original de forma que se adapte a maneira com a qual vai ser processada. A aquisi ca o de imagens foi realizada de duas formas diferentes. A primeira foi feita atrav es de busca na internet, seja por meio de banco de dados de imagens ou de forma aleat oria. A segunda foi adquirida por uma m aquina fotogr aca digital, posicionada a uma dist ancia de 30 cent metros e xada a um a ngulo de 90 graus em rela c ao a superf cie, luminosidade proveniente da pr opria c amera e de l ampadas uorescentes presentes no ambiente. Todas as imagens adquiridas possuem o parafuso na posi c ao horizontal. No total, obteve-se 184 imagens, posteriormente divididas em grupos para a realiza c ao dos testes. Sabe-se que a qualidade da imagem e diretamente ligada ao tamanho das imagens, logo n ao houve a necessidade de utilizar uma m aquina acima de 3 megapixels, j a que todas as imagens tiveram que ser reduzidas. Ap os a aquisi ca o, foi necess ario manipular as imagens manualmente para que as mesmas tivessem um tamanho padr ao, foram testados quatro tamanhos diferentes, (1) 176x144px, (2) 156x124px, (3) 154x62px e por u ltimo, (4) 152x56px, tamanho
28

Cap tulo Quatro

4.1. Desenvolvimento do Sistema

este que apresentou melhores resultados na manipula ca o dos pixels al em de apresentar uma quantidade menor de dados para a rede sem prejudicar a performance do sistema. Para isso, foi utilizado um software livre para manipula ca o de imagens, chamado GIMP, na vers ao 2.6.11. Sabendo que qualquer meio utilizado para a obten c ao de imagens pode interferir na mesma, pode ser necess ario manipul a-las para que se obtenha a melhor imagem poss vel. Na teoria, os esfor cos para adquirir uma imagem perfeita deveriam ser feitos no momento da aquisi ca o, mas como na pr atica isto implica em gastos ncanceiros e computacionais altos, a op c ao utilizada pela maioria e a utiliza ca o de softwares de manipula ca o de imagens para trat a-las e torn a-las o mais pr oximo da perfei c ao.

4.1.1.1

M etodos de Processamento

Para a realiza ca o do processo, foi necess ario utilizar tr es tipos de manipula c ao: (1) Filtragem Linear no Dom nio Espacial, (2) Transforma c oes Radiom etricas e, (3) Detec ca o de Contorno.

1. Filtragem Linear no Dom nio Espacial A utiliza ca o de ltros lineares tem como objetivo modicar o valor de um pixel tendo como base seu valor de original e dos pixels da vizinhan ca. Essas mudan cas podem ser no intuito de corrigir, suavizar ou real car determinadas caracter sticas de uma imagem dentro de uma aplica c ao espec ca. Atua no dom nio espacial por operar diretamente sobre os pixels da imagem em sua forma original. Esse processo de ltragem e feito utilizando matrizes, chamadas de m ascaras, que s ao aplicadas sobre a imagem original, e percorrem todas as linhas e colunas. As m ascaras podem ser geradas em dimens oes M xN, sendo que o pixel resultante obedece a seguinte Equa ca o 4.1:
M N

r (i, j ) =
m=1 n=1

p (m, n) h (m, n)

(4.1)

onde r(i,j) e o valor novo do pixel e i e j s ao suas coordenadas, p(m,n) e o pixel original e h(m,n) e a m ascara escolhida. No sistema foram utilizados dois ltros: (1) ltro passa-baixa e, (2) ltro passa-alta. (a) Filtro Passa-Baixa: S ao ltros que atenuam ou eliminam as altas frequ encias que est ao associadas as informa co es de detalhes da imagem. Seu efeito visual eo de suavizar a imagem, que consequentemente minimiza o efeito dos ru dos. Em contrapartida, diminui a nitidez e deni c ao da imagem. A Figura 4.1 mostra as
29

Cap tulo Quatro

4.1. Desenvolvimento do Sistema

m ascaras que foram testadas nas imagens, sendo que a utilizada foi a (b ) por apresentar um melhor resultado.

Figura 4.1: Filtros lineares Passa-Baixa 3x3:

(b) Filtro Passa-Alta: Ao contr ario do passa-baixa, este ltro atenua ou elimina as baixas frequ encias, real cando os detalhes, ou seja, torna mais n tida as transi c oes entre regi oes diferentes, real cando o contraste. Seu efeito colateral e o de intensicar o ru do existente na imagem. A gura 4.2 mostra a m ascara usada como passa-alta.

Figura 4.2: Filtro linear Passa-Alta 3x3:

No intuito de obter uma imagem sem ru do, ou com o m nimo poss vel, utilizou-se o ltro passa-baixa, por em, como a mesma implica na perda de nitidez, foi necess ario utilizar posteriormente o ltro passa-alta para aumentar a nitidez. 2. Transforma c oes Radiom etricas S ao transforma co es que independem da localiza ca o dos pixels na imagem (FALCAO ALEXANDRE X; LEITE, 2003). Foram feitas tr es transforma co es radiom etricas: (1)Escala de Cinzas, (2) Histograma e, (3) Binariza ca o. (a) Escala de Cinzas: Inicialmente foi feita a transforma c ao da imagem colorida em escala de cinzas. Para isso, e mister saber que o pixel e formado pela combina c ao das tr es cores primitivas da escala RGB: (1) vermelho, (2) verde e, (3) azul. Mas para a transforma c ao em escala de cinzas, foi necess ario separar essas cores. Depois da separa c ao, as cores vermelho, verde e azul precisam ser acrescentadas em 30%, 11% e 59% de seu valor, respectivamente, e a sua soma equivale ao valor em tom de cinza (GONZALEZ RAFAEL C.; WOODS, 2002). Por
30

Cap tulo Quatro

4.1. Desenvolvimento do Sistema

exemplo, um pixel p= e decomposto em Rp =x, Gp =y e Bp =z, posteriormente, P =(Rp +Rp *30%) + (Gp +Gp *11%) + (Bp +Bp *59%). (b) Histograma e Binariza c ao: O histograma e um gr aco que indica a quantidade de vezes em que uma determinada cor se repete, e para a cria c ao do histograma e necess ario contar a frequ encia de ocorr encia dos n veis de cinza da imagem (FALCAO ALEXANDRE X; LEITE, 2003). E e por meio do histograma que e poss vel obter um valor de threshold, ou limiar, para poder binarizar a imagem, i.e., transform a-la em uma imagem somente com pixels brancos e pretos. Por observa c ao, chegou-se a um valor m edio de threshold igual a 178. A partir dessa deni c ao, todos os pixels da imagem que s ao menores que 178 tornam-se brancos, e os que s ao maiores ou igual tornam-se pretos. Desta forma a imagem que antes estava em escala de cinzas, tornou-se bin aria, fazendo com que o objeto do reconhecimento seja evidenciado, como mostra a Figura 4.3.

Figura 4.3: Imagem ap os as 3 primeiras etapas.

3. Detec ca o de Contorno Para a realiza ca o do c alculo da dimens ao fractal foi necess ario obter o contorno do objeto da imagem. Tal procedimento foi feito por meio de uma opera ca o elementar da morfologia matem atica, a dilata c ao. Compreende na mudan ca do valor do pixel da vizinhan ca pelo valor do pixel central. No caso do sistema foi feito o seguinte algoritmo:

Figura 4.4: Algoritmo de dilata c ao por vizinhan ca D8.

Desta forma, o objeto na imagem aumenta de tamanho. E a partir dela, foi feita uma subtra ca o dos elementos da imagem original pela imagem dilatada, onde o resultado
31

Cap tulo Quatro

4.1. Desenvolvimento do Sistema

Tabela 4.1: Tabela da quantidade de quadrados para o m etodo Box-Counting M Quantidade 2 2.128 4 532 8 =133 16 =27

foi posto em uma terceira imagem que cont em somente a borda, conforme mostra o algoritmo e a Figura 4.6 resultante.

Figura 4.5: Algoritmo de subtra c ao de imagens.

Figura 4.6: Imagem resultante do processo de extra c ao da borda.

4.1.2 Implementa c ao da Dimens ao Fractal


Para calcular a dimens ao fractal de um dado objeto foi utilizado o m etodo do BoxCounting, explicado em 3.2.3. Baseando-se na Equa ca o 1, para o sistema, foram feitos c alculos com M=2, 4, 8, 16, obtendo os valores da Tabela 4.1.

32

Cap tulo Quatro

4.2. O Sistema

4.1.3 Rede Neural


A rede neural do modelo e composta por uma camada de entrada, uma camada oculta e uma camada de sa da. A camada de entrada possui tantas entradas quanto a quantidade de pixels da imagem mais uma, ou seja, 8.512 unidades. Visto que uma das necessidades da pesquisa e a identica c ao de defeitos em objetos, a an alise de cada ponto da imagem e de grande import ancia. Como consequ encia da grande quantidade de entradas, o custo computacional do processo e alta. A camada oculta possui 4.256 neur onios e a camada de sa da possui 1, 4 e 8 neur onios, pois foram feitas tr es topologias para a pesquisa.

4.2

O Sistema

O sistema foi desenvolvido em algumas etapas. Primeiramente, foi feito um m odulo de aquisi ca o da imagem e processamento da imagem, nele e feita a aquisi ca o da imagem, pr e-processada e obtido o contorno. Posteriormente foi criado um m odulo de aquisi ca o dos dados de entrada, este procedimento e respons avel por extrair os valores de pixels das imagens contidas nos grupos e coloc a-las em um arquivo texto para que a fase de treinamento torne-se mais a gil. Posteriormente, os m odulos referentes ao c alculo da dimens ao fractal e da rede neural. Por u ltimo foi desenvolvido a interface do aplicativo.

4.2.1 Dados de Entrada


Para uma maior agilidade na fase do treinamento e uma redu c ao no custo computacional dos c alculos, preferiu-se tratar os dados anteriormente a fazer esse processo em tempo real. Devido ao n umero de testes e as diferentes quantidades de dados de entrada, foram criados arquivos separados contendo tais informa c oes. Esses arquivos foram separados em Treinamento, Teste e Valida ca o, respeitando a quantidade de imagens denidas para cada etapa em cada cen ario e seus valores de pixels devidamente normalizados. Um exemplo do resultado desse processo pode ser conferido na Figura 4.7. Em geral, os arquivos tiveram a seguinte forma de nomenclatura: tipo-do-cenario tipo-daetapa+numero-de-teste grupo+tipo-grupo. Os arquivos do Cen ario 01 foram nomeados com a seguinte termina ca o: cen01 YW g0ZX, onde Y={tr, te, va}, W={1, 2, 3}, Z={1, 2, 3, 4} e X={n, d}. Os elementos do conjunto Y s ao referentes a treinamento (tr), teste (te) e valida c ao (va), e os elementos de X s ao normais (n) e defeituosos (d). J a os arquivos dos Cen arios 02 e 03 tiveram a nomenclatura baseada em: cen0X YW, onde X={2, 3}, Y={tr, va}, W={1, 2}, devido ao fato de n ao possu rem a etapa de teste nem o terceiro teste.
33

Cap tulo Quatro

4.2. O Sistema

Figura 4.7: Imagem do arquivo texto gerado contendo os valores dos pixels normalizados utilizados como dados de entrada da rede neural.

4.2.2 Componentes do Aplicativo


A interface do aplicativo foi desenvolvida para ser bastante amig avel ao usu ario e est a ilustrada na Figura 4.8. Na interface, todos os m odulos foram representados, por em somente dois m odulos seriam realmente necess arios: (1) Aquisi ca o de Dados e, (2) Redes Neurais. Os m odulos de pr e-processamento e da dimens ao fractal possuem somente a visualiza ca o do resultado para aprecia ca o do usu ario pois n ao enviam informa c oes necess arias para que o aplicativo deixe de funcionar.

Figura 4.8: Interface do aplicativo desenvolvido.

A Figura 4.9 mostra dois componentes da interface: (1) Cen arios e, (2) Sa das. Para dar in cio ao funcionamento do aplicativo, e necess ario escolher qual o cen ario que ser a utilizado. Por default, o componente Sa das vem desabilitado, e serve s o para informar ao usu ario da quantidade de sa das que a rede neural ter a. No momento da escolha do
34

Cap tulo Quatro

4.2. O Sistema

cen ario, a sa da e automaticamente selecionada.

Figura 4.9: Componentes da interface do aplicativo relacionadas ` a escolha do Cen ario.

A Figura 4.10 mostra os componentes: (1) Dados de Entrada e, (2) Rede Neural. No primeiro componente, o bot ao Carregar Imagem e respons avel por enviar a imagem que ser a avaliada. Nesse componente tamb em h a a escolha do Grupo de Treinamento, estes itens somente estar ao habilitados quando o cen ario escolhido for o Cen ario 01, por ser o u nico no qual se escolhe o grupo que ser a treinado e testado. O segundo componente, Rede Neural, possui os bot oes de treinamento e execuc ao da rede, que somente estar ao habilitados se todos os itens necess arios estiverem selecionados.

Figura 4.10: Componentes da interface respons aveis pela aquisi c ao e informa c ao de dados para a rede neural, e os componentes de Treinamento e Execu c ao da RNA.

A Figura 4.11 mostra tr es componentes de resultados: (1) Resultados, (2) Classica ca o e, (3) Imagem Contorno. O componente de Resultados mostra os valores da dimens ao fractal da imagem a ser avaliada, e a porcentagem da prov avel taxa de acerto da rede para a imagem fornecida. O componente Classica c ao mostra objetivamente o resultado da execu ca o da rede. Inicialmente vem totalmente desabilitado, e dependendo do cen ario escolhido, os poss veis resultados ser ao habilitados. E somente para efeito de visualiza ca o, o terceiro componente mostra o contorno do objeto escolhido para ser testado. As Figuras 4.12, 4.13 e 4.14 mostram os itens habilitados conforme as escolhas realizadas. A Figura 4.15 mostra a tela do aplicativo sendo utilizada.

35

Cap tulo Quatro

4.2. O Sistema

Figura 4.11: Componentes da interface que mostram os resultados obtidos.

Figura 4.12: Aplicativo com Cen ario 01 selecionado e seus respectivos itens habilitados.

36

Cap tulo Quatro

4.2. O Sistema

Figura 4.13: Cen ario 02 escolhido e itens habilitados .

Figura 4.14: Interface do aplicativo com o terceiro cen ario escolhido e os itens desabilitados.

37

Cap tulo Quatro

4.2. O Sistema

Figura 4.15: Imagem do aplicativo em execu c ao.

38

Cap tulo Cinco

Experimentos e Resultados

Neste cap tulo ser ao feitas considera c oes acerca do treinamento de cada uma dessas redes e ser ao apresentados os resultados do sistema proposto, bem como os resultados obtidos pela referida metodologia, com a aplica ca o do conjunto de testes e valida c ao. Os experimentos foram divididos em dois grupos principais: (1) experimentos que utilizam a dimens ao fractal como um dos par ametros da Rede Neural, e (2) experimentos que n ao usam a dimens ao fractal.

5.1

Base de Imagens

As imagens de objetos utilizadas foram coletadas conforme o procedimento descrito em 4.1.1 atrav es de duas formas diferentes: (1) por meio da internet e, (2) por meio de c amera fotogr aca. Foram coletadas um total de 184 amostras, divididas em quatro classes, aqui denominadas G01, G02, G03 e G04, totalizando assim 46 exemplares/amostras por classe. Tais imagens foram gravadas com o padr ao de compress ao JPEG e com a resolu ca o de 152x56 pixels. Como dito anteriormente, o processo de aquisi ca o n ao e perfeito, o que pode acarretar na presen ca de ru dos na imagem nal, de forma que o pr e-processamento importante considerar o fato de que a aquisi n ao seja capaz de eliminar. E ca o de um objeto 3D para uma imagem (2D) implica no aparecimento de sombras e/ou sobreposi co es, o que tamb em pode prejudicar o resultado nal da imagem.

5.2

Prepara c ao dos Dados e Congura c ao da Rede

De um total de 184 amostras, separadas em quatro grupos, variando de 43% a 60% das amostras de cada classe foram submetidas como entrada da rede na etapa de treinamento, essa quantidade varia de acordo com as simula co es realizadas. Antes de serem inseridas na rede, e importante que todos os dados de entrada, no caso os pixels, sejam tratados. Esse processo e chamado de normaliza c ao, que e um ajuste na escala dos valores. A an alise de similaridade dos componentes dos dados possuem escalas de medidas diferentes, podendo haver uma vari ancia menor ou maior. Sendo ela menor, quer dizer que uma pequena varia c ao nesse componente pode ser mais relevante que em um componente com maior vari ancia, i.e., com os valores em uma faixa denida a classica ca o de um padr ao torna-se mais f acil. Os dados normalizados n ao perdem o signicado da informa ca o, s ao apenas convertidos numa nova escala. Os valores dos pixels originais estavam em uma faixa de 0
39

Cap tulo Cinco

5.2. Prepara c ao dos Dados e Congura c ao da Rede

a 255, e foram normalizados pela Equa ca o 5.1 para uma faixa entre 0 e 1.

P =

(p pmin ) (pmax pmin )

(5.1)

Onde P e o valor do pixel normalizado, p e o valor do pixel original, e p min e p max , s ao respectivamente o menor e o maior valor do intervalo do conjunto original.

5.2.1 Arquitetura da Rede Neural


A Rede Neural desenvolvida para o sistema e composta por uma camada de entrada, uma camada oculta e uma camada de sa da. Por em, para a realiza ca o dos testes foram utilizadas tr es varia c oes da arquitetura, conforme Tabela 5.1:

Tabela 5.1: Tabela de topologias de rede submetidas ao sistema. Camada Modelo 01 Modelo 02 Modelo 03 Entrada 8.512+1 neur onios 8.512+1 neur onios 8.512+1 neur onios Oculta 4.256 neur onios 4.256 neur onios 4.256 neur onios 1 neur onio 4 neur onios 8 neur onios Sa da

Como visto em 4.1.3, a camada de entrada possui 8.209 entradas, cada uma referente a um pixel da imagem, e mais um referente a dimens ao fractal. A camada oculta inicialmente foi criada com a mesma quantidade da camada de entrada, por em, devido ao custo computacional e resultados com pouca diferen ca, optou-se por utilizar metade da quantidade. A camada de sa da possui tr es varia co es, cada uma para um tipo de simula ca o realizada. Posteriormente, deniu-se a fun c ao de transfer encia sigm oide visto que a mesma limita a sa da dos neur onios a uma pequena faixa. A rede foi treinada seguindo os par ametros apresentados na Tabela 5.2.

Tabela 5.2: Par ametros de treinamento da rede neural Par ametro Valor Epocas 5.000 Erro M edio 0.01 Taxa de Aprendizado 0.3 Peso [-0.2,0.2]

40

Cap tulo Cinco

5.2. Prepara c ao dos Dados e Congura c ao da Rede

5.2.2 Classes de Objetos


As imagens obtidas foram separadas em quatro classes, cada uma contendo 46 amostras do objeto. Para cada classe, foram manipulados cerca de 30% das imagens, o equivalente a 14 unidades, para que apresentassem algum tipo de defeito que o pr e-processamento n ao fosse capaz de alterar. A Figura 5.1 mostra um objeto que foi manipulado para apresentar defeito.

Figura 5.1: Imagem de um objeto normal (a) e uma gura manipulada para ter defeito (b).

Percebe-se que na imagem (b) foram modicados quatro pontos do objeto. Em dois deles, foram retirados letes da parte rosqueada, na parte n ao rosqueada do parafuso foi feita uma extra c ao da imagem, defeito tal que pode ser gerado no momento da aquisi ca o, e por u ltimo, a ponta do parafuso que foi desgastada.

5.2.3 M etricas de Avalia c ao


Para fazer uma an alise dos resultados, foram adotadas algumas t ecnicas de avalia c ao de classicadores. Segundo (CONGALTON, 1991), a partir de uma amostra de refer encia j a e poss vel fazer uma avalia ca o. Neste projeto utilizou-se a Matriz de Confus ao, ou Matriz de Erros, e o Indice Kappa.

5.2.3.1

Matriz de Confus ao

A matriz de confus ao e considerada uma base padr ao para se calcular medidas de avalia c ao de hip oteses em problemas de classica c ao. O objetivo principal desta m etrica e mostrar os n umeros de previs oes corretas em rela c ao ` as esperadas para cada regra (CRUZ ELEANDRO S.; CARVALHO, 2008). Tamb em chamada de matriz de erros, e uma matriz quadrada de dimens ao igual ao n umero de classes avaliadas. Nessa matriz, os resultados da classica ca o s ao colocados nas colunas, estando na diagonal principal os n umeros de observa co es

41

Cap tulo Cinco

5.2. Prepara c ao dos Dados e Congura c ao da Rede

que tiveram a classica ca o de acordo com sua refer encia. No restante da coluna, est ao n umero de observa co es omitidas e classicadas como outras classes, denominadas de erro de omiss ao (CONGALTON, 1991). A Tabela 5.3 mostra a nomenclatura utilizada numa matriz de duas classes utilizada na pesquisa, onde suas classes sao Normal e Defeituosa, respectivamente representados na matriz por Norm e Def.
Tabela 5.3: Matriz de Confus ao com duas classes. FONTE: (CONGALTON, 1991) R/P Norm Def Norm Verdadeiro Positivo (VP) Falso Negativo (FN) Def Falso Positivo (FP) Verdadeiro Negativo (VN)

5.2.3.2

Indice Kappa

Desenvolvido por Cohen em 1960, o Indice Kappa (K ) e uma medida estat stica usada para medir o grau de concord ancia interobservador. A taxa de acerto total utiliza somente os dados que foram ditos verdadeiros, i.e., os resultados VP e VN, enquanto o Indice Kappa utiliza todos os dados obtidos (VP, VN, FP e FN), por este motivo e mais utilizado que a taxa de acerto total (CRUZ ELEANDRO S.; CARVALHO, 2008). Este ndice e encontrado por meio da Equa ca o 5.2:

K=

At 1

(5.2)

em que, K e o coeciente Kappa, At e o Acerto Total (Equa ca o 5.5) e, e a quantidade esperada de acerto por acaso, calculada pela Equa c ao 5.3.

c i=1

xi xi n2

(5.3)

Segundo Hudson e Ramm (1987), o coeciente Kappa pode ser estimado a partir dos totais marginais da matriz confus ao, pela seguinte Equa ca o 5.4 (CRUZ ELEANDRO S.; CARVALHO, 2008):

K=

c i=1 xii n2 c i=1

xi xi xi x i

c i=1

(5.4)

onde,

42

Cap tulo Cinco

5.2. Prepara c ao dos Dados e Congura c ao da Rede

Xii = valor na linha i e coluna i da matriz confus ao; Xi = total da linha i; Xi = total da coluna i; n = total de amostras; c = n umero total de classes.

Para avaliar se a concord ancia e razo avel, Landis Jr. e Koch GG sugerem as seguintes medidas conforme a Tabela 5.4 (CRUZ ELEANDRO S.; CARVALHO, 2008):
Tabela 5.4: Tabela de medidas avaliat orias do Indice Kappa. FONTE: (CRUZ ELEANDRO S.; CARVALHO, 2008) Valor do Indice Interpreta c ao (Concord ancia) <0 Sem 0 - 0,19 M nima Baixa 0,20 - 0,39 0,40 - 0,59 Moderada 0,60 - 0,79 Substancial 0,80 - 1,00 Alta

5.2.3.3

Par ametros de Avalia c ao dos Resultados

Os resultados obtidos neste projeto ser ao apresentados e avaliados atrav es dos par ametros abaixo (CRUZ ELEANDRO S.; CARVALHO, 2008):

Erros de Omiss ao (E.Om.): s ao descritos como a falha de classica c ao de uma determinada classe; Erros de Comiss ao (E.Co.): s ao descritos como atribui ca o de uma imagem a uma classe a qual n ao pertence; Taxa de Acerto Total (At ): representa o n vel da classica c ao, e obtida a partir da Equa ca o 5.5: At =
c i=1

xii

(5.5)

O Acerto Total e calculado pela divis ao da soma da diagonal principal pelo n umero total de amostras, onde, n representa o n umero total de amostras; xii representa os n umeros da diagonal principal e c, o n umero de classes presentes.
43

Cap tulo Cinco

5.3. Descri c ao dos Experimentos Realizados

Sensitividade (S): e a habilidade de classicar corretamente os objetos pertencentes a ` dada categoria, representada pela Equa c ao 5.6: S= VP V P + FN (5.6)

Especicidade (E): refere-se a classica ca o correta dos objetos n ao pertencentes a ` categoria, calculado pela da Equa ca o 5.7: E= VN V N + FP (5.7)

5.3

Descri c ao dos Experimentos Realizados

Os experimentos foram realizados em duas fases como mostra a Figura 5.2, na primeira, utilizou-se a dimens ao fractal como par ametro de treinamento na rede, j a na segunda, esse par ametro foi retirado, para que possa ser feita uma an alise do uso da geometria fractal neste tipo de pesquisa. Ambos possuem os mesmos testes e as mesmas imagens para que a compara ca o seja realizada de forma correta.

Figura 5.2: Diagrama dos experimentos realizados.

44

Cap tulo Cinco

5.3. Descri c ao dos Experimentos Realizados

5.3.1 Descri ca o dos Cen arios


Para o desenvolvimento da pesquisa, foram realizados tr es cen arios diferentes. O objetivo da Cen ario 01 e provar que o sistema sabe classicar se o objeto e defeituoso ou n ao, utilizando o modelo 01 da topologia. Foi realizado em tantas fases quanto a quantidade de classes constituintes, i.e. formado por 4 fases, cada uma referente a um tipo de objeto. O Cen ario 02 utiliza o modelo 02 da topologia e realiza a tarefa de classicar um objeto espec co numa rede treinada pelas quatro classes sem a inclus ao das amostras defeituosas. Esses cen arios foram criados de forma a comprovar a funcionalidade do modelo, mas, e no Cen ario 03 que o estudo se concentra. O mesmo e composto pela uni ao dos dois objetivos anteriores, ou seja, serve para classicar o objeto e identicar se e defeituoso ou n ao, utilizando o modelo 03 de topologia.

5.3.1.1

Cen ario 01

O primeiro cen ario tem como objetivo a separa ca o de objetos com e sem defeito. Foi realizado em quatro etapas, referentes as classes utilizadas na pesquisa. A sa da da rede neural deste cen ario e bin aria e denominada de Alvo Cen01, como mostra a Tabela 5.5, e utiliza o total de imagens adquiridas.
Tabela 5.5: Especica c ao do Cen ario 01. Amostras Normais Amostras Defeituosas Total de Amostras 32 14 46 32 14 46 32 14 46 32 14 46 128 56 184 0 1

Classes G01 G02 G03 G04 Total Alvo Cen01

Cada etapa foi composta por tr es testes, variando-se as quantidades de dados nas fases de treinamento, teste e valida ca o da rede neural. A Tabela 5.6 descreve a quantidade de imagens utilizadas e como foram distribu das nos diferentes experimentos.

Tabela 5.6: Distribui c ao da quantidade de dados nas fases da rede neural no primeiro cen ario. Etapas Teste 01 Teste 02 Teste 03 Normal Def. Normal Def. Normal Def. Treinamento 24 4 18 6 12 8 Teste 2 3 3 2 0 0 Valida c ao 6 7 11 6 20 6

45

Cap tulo Cinco

5.3. Descri c ao dos Experimentos Realizados

5.3.1.2

Cen ario 02

Neste cen ario foram utilizadas todas as imagens que n ao apresentavam defeitos. Utilizando o modelo 2 da topologia, essa rede busca classicar os dados em suas respectivas classes. A Tabela 5.7 mostra o conjunto sa da da rede, agora composto por quatro unidades.
Tabela 5.7: Especica c ao do Cen ario 02. Conjunto G01 G02 G03 G04 Total de Amostras Quantidade de Imagens 32 32 32 32 128 Alvo Cen02 1 2 3 4

Este cen ario foi composto por dois testes, conforme mostra a tabela 5.8:
Tabela 5.8: Distribui c ao da quantidade de dados nas fases da rede neural no segundo cen ario. Etapas Teste 01 Teste 02 G01/G02/G03/G04 G01/G02/G03/G04 Treinamento 10un/classe 20un/classe Teste 10un/classe 0 Valida c ao 12un/classe 12un/classe

5.3.1.3

Cen ario 03

Como sendo o experimento objetivo do projeto, o Cen ario 03 utiliza todas as imagens adquiridas, isso inclui as imagens normais e as defeituosas. Utilizando o modelo 3 da topologia, busca classicar as imagens em suas respectivas classes bem como separ a-las entre normais e defeituosas. Foi utilizado um conjunto sa da com 8 neur onios, conforme mostra a Tabela 5.9.
Tabela 5.9: Especica c ao do Cen ario 03. G01 G02 G03 G04 N D N D N D N D Quantidade de Imagens 32 14 32 14 32 14 32 14 Alvo Cen03 1 2 3 4 5 6 7 8 Conjunto

Total de Amostras 184

No par ametro Alvo Cen03, os alvos mpares referem-se as imagens normais das classes, e as pares ` as imagens com defeito. Este cen ario foi composto por dois testes, com a distribui ca o de imagens conforme Tabela 5.10.

46

Cap tulo Cinco

5.4. An alise e Discuss ao dos Resultados

Tabela 5.10: Distribui c ao da quantidade de dados nas Etapas Teste 01 G01/G02/G03/G04 (un/classe) N D Treinamento 10 5 Teste 0 0 22 9 Valida c ao

fases da rede neural no terceiro cen ario. Teste 02 G01/G02/G03/G04 (un/classe) N D 16 7 0 0 16 7

5.4

An alise e Discuss ao dos Resultados

A seguir s ao apresentados os gr acos dos resultados obtidos nos experimentos realizados, divididos em duas fases. No Ap endice B, encontram-se tabelas com todas as informa co es dos resultados obtidos.

5.4.1 Primeira Fase


A primeira fase cont em as experi encias que utilizaram a dimens ao fractal como par ametro da rede.

5.4.1.1

Cen ario 01

Como dito anteriormente, o objetivo do Cen ario 01 e identicar em cada classe quem era defeituoso e quem n ao era.

Figura 5.3: Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 01 da primeira fase.

O Cen ario 01 em geral obteve uma m edia de acerto satisfat oria, onde o G01 (Figura 5.3),
47

Cap tulo Cinco

5.4. An alise e Discuss ao dos Resultados

Figura 5.4: Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 02 da primeira fase.

Figura 5.5: Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 03 da primeira fase.

G02 (Figura 5.4), G03 (Figura 5.5) e G04 (Figura 5.6), obtiveram respectivamente uma m edia de acerto, baseado no ndice Kappa, igual a 81,7%, 77,7%, 62,% e 82,3%. Observase que em todos os grupos, a taxa de acerto decresce a medida que os testes avan cam, isto foi provocado pela diminui ca o das amostras na fase de treinamento e consequentemente no aumento da fase de valida c ao. Os grupos G04 e G01 obtiveram os melhores resultados, enquanto o G03 obteve o pior dentre eles.

5.4.1.2

Cen ario 02

Utilizando 32 imagens de cada classe e distribu das de diferentes formas nos dois testes realizados, a simula c ao do Cen ario 02 da primeira fase apresentou os seguintes resultados conforme mostra as Figuras 5.7 e 5.8: Com o intuito de classicar os objetos em suas respectivas classes, o modelo apresentou bons resultados. Pela an alise do Indice Kappa, 0,79 e 0,87 respectivamente para o primeiro
48

Cap tulo Cinco

5.4. An alise e Discuss ao dos Resultados

Figura 5.6: Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 04 da primeira fase.

Figura 5.7: Gr aco dos resultados obtidos nos testes do Cen ario 02 - Teste 01 da primeira fase.

e segundo teste, o resultado e avaliado como substancial e alta.

5.4.1.3

Cen ario 03

Com toda a quantidade de amostras obtidas, i.e., as 184 imagens, as Figuras 5.9 e 5.10 apresentam os resultados obtidos do Cen ario 03: Por ser a simula c ao objetivo do trabalho, os resultados dos testes 1 e 2 do Cen ario 3 obtiveram uma classica ca o alta.

49

Cap tulo Cinco

5.4. An alise e Discuss ao dos Resultados

Figura 5.8: Gr aco dos resultados obtidos nos testes do Cen ario 02 - Teste 02 da primeira fase.

Figura 5.9: Gr aco dos resultados obtidos nos testes do Cen ario 03 - Teste 01 da primeira fase.

5.4.2 Segunda Fase


A segunda fase foi realizada sem a utiliza ca o da dimens ao fractal como par ametro e constitu da dos mesmos cen arios e testes que a primeira fase.

5.4.2.1

Cen ario 01

Treinada com as mesmas imagens da primeira fase, as redes neurais das classes G01 (Figura 5.11), G02 (Figura 5.12), G03 (Figura 5.13) e G04 (Figura 5.14) apresentaram os seguintes resultados: As simula co es do Cen ario 01 na segunda fase, obtiveram ndices inferiores ao apresentado

50

Cap tulo Cinco

5.4. An alise e Discuss ao dos Resultados

Figura 5.10: Gr aco dos resultados obtidos nos testes do Cen ario 03 - Teste 02 da primeira fase.

Figura 5.11: Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 01 da segunda fase.

na primeira fase, contudo obteve um desempenho satisfat orio. Igualmente ao primeiro teste, o grupo G03 apresentou um menor desempenho, e ndices pouco satisfat orios.

5.4.2.2

Cen ario 02

Os resultados do Cen ario 02 estao nas Figuras 5.15 e 5.16: Felizmente ao contr ario dos resultados do cen ario anterior, este apresentou melhores ndices, sendo classicado como de concord ancia substancial, obteve valores bons, por em se comparados a ` primeira fase, foram inferiores.

51

Cap tulo Cinco

5.4. An alise e Discuss ao dos Resultados

Figura 5.12: Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 02 da segunda fase.

Figura 5.13: Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 03 da segunda fase.

5.4.2.3

Cen ario 03

Os resultados obtidos da simula c ao do Cen ario 03 s ao apresentadas nas Figuras 5.17 e 5.18: O Cen ario 03 apresentou bons ndices no geral, com uma m edia de 0,78 e 0,79 para os dois testes, igualmente aos outros testes, mostrou-se inferior a ` primeira fase das simula co es.

5.4.3 Compara ca o dos Resultados


Pela an alise dos resultados, foi poss vel avaliar a rede neural de reconhecimento de objetos como um bom classicador, al em de comprovar que a utiliza ca o da dimens ao fractal e bastante relevante a este tipo de pesquisa, a Figura 5.19 mostra uma compara c ao dos
52

Cap tulo Cinco

5.4. An alise e Discuss ao dos Resultados

Figura 5.14: Gr aco dos resultados obtidos nos testes do Cen ario 01 - Grupo 04 da segunda fase.

Figura 5.15: Gr aco dos resultados obtidos nos testes do Cen ario 02 - Teste 01 da segunda fase.

valores do ndice kappa obtido por todas os testes de ambas as fases. Por meio da Figura 5.19, e f acil ver a diferen ca nas taxas de acerto da rede, mostrando que o uso da fractalidade do objeto foi um par ametro importante no treinamento e valida ca o da rede. Anteriormente foi dito a raz ao pela qual o uso do Indice Kappa e maior que a Taxa de Acerto Total, partindo dessa ideia, foi realizada uma outra an alise dos resultados. Sendo o Indice Kappa superior em sua forma de avalia c ao, entende-se que quanto mais pr oximos os valores da Taxa de Acerto Total est ao do Indice Kappa, pode-se armar que seus resultados s ao mais con aveis daqueles que possuem uma maior diferen ca. Nesta avalia ca o vericou-se que essa diferen ca foi maior nos testes da segunda fase que na primeira, como mostra o gr aco da Figura 5.20. Com isso, pode-se armar que o uso da dimens ao fractal como par ametro foi o diferencial nos resultados dos testes.

53

Cap tulo Cinco

5.4. An alise e Discuss ao dos Resultados

Figura 5.16: Gr aco dos resultados obtidos nos testes do Cen ario 02 - Teste 02 da segunda fase.

Figura 5.17: Gr aco dos resultados obtidos nos testes do Cen ario 03 - Teste 01 da segunda fase.

Figura 5.18: Gr aco dos resultados obtidos nos testes do Cen ario 03 - Teste 02 da segunda fase.

54

Cap tulo Cinco

5.4. An alise e Discuss ao dos Resultados

Figura 5.19: Gr aco comparativo das Taxas de Indice Kappa das duas fases.

Figura 5.20: Gr aco comparativo da diferen ca entre a taxa de acerto total e o ndice kappa das duas fases.

55

Cap tulo Seis

Considera co es Finais

6.1

Conclus ao

A partir da an alise dos dados obtidos, pode-se concluir que a utiliza c ao da dimens ao fractal no reconhecimento/classica ca o alcan cou melhores resultados frente aos testes realizados sem a mesma, com uma m edia de acerto estimada em 79% contra 67%. O sistema provou que este tipo de pesquisa pode ser utilizado em ambientes diversos e que a dimens ao fractal pareceu ser respons avel por um signicativo melhoramento. H a grandes possibilidades dos resultados serem ainda melhores se forem feitas redu c oes nos dados de entrada, bem como uma melhoria nos equipamentos de aquisi ca o. Al em disso, a pesquisa mostrou que o uso da geometria fractal e um fator que pode contribuir para uma melhor solu ca o nas pesquisas, e que por meio de suas caracter sticas espec cas ajudou o sistema criado a obter uma converg encia mais satisfat oria dos resultados. Como j a foi dito anteriormente, o reconhecimento de objetos por meio de equipamentos rob oticos aut onomos e uma importante e dif cil tarefa a ser desenvolvida, principalmente no que tange o conhecimento dos mesmos. Desde o momento de aquisi c ao e pr e-processamento de dados, e grande a exig encia computacional dos equipamentos, por em, e no momento de reconhecimento e classica ca o em que tudo e posto em prova. Reconhecer e classicar objetos para humanos e uma tarefa trivial, mas para equipamentos rob oticos, n ao. A primeira grande, e talvez principal, diculdade e dar conhecimento a tais m aquinas, tarefa esta, que ainda n ao foi satisfatoriamente resolvida. Por em, as pesquisas avan cam a cada dia, e m etodos s ao desenvolvidos para que m aquinas fa cam tarefas espec cas, utilizando seu pr oprio conhecimento. O presente trabalho consistiu na elabora ca o de um modelo computacional para reconhecimento e classica ca o de objetos atrav es de Redes Neurais Articiais utilizando o conceito matem atico de dimens ao fractal. Para tal foi desenvolvido um aplicativo onde um grupo de imagens do objeto em estudo passam por um processamento antes de serem utilizadas no treinamento da rede, e posteriormente analisada para a classica c ao. Durante todo o processo, essas imagens passam por altera co es em suas caracter sticas sem perder sua identidade, em seguida, denindo-se a gura em escala de cinzas e o contorno da gura como entradas da rede. A dimens ao fractal e obtida a partir do m etodo box-counting, contando-se essencialmente o n umero de pixels ocupados pela borda e a quantidade total de pixels da imagem. A implementa ca o do trabalho foi realizada atrav es do software de programa ca o em C++ Qt Creator, e para a manipula c ao das imagens utilizou-se o GIMP, ambos s ao softwares de licen ca livre.
56

Cap tulo Seis

6.2. Atividades Futuras de Pesquisa

6.2

Atividades Futuras de Pesquisa

Com o desenvolvimento do sistema, notou-se que as limita co es da pesquisa giram em torno da dimensionalidade dos dados apresentados a ` rede. Objetivando uma redu c ao nesses dados, e dando continuidade a pesquisa, pode-se utilizar os m etodos PCA (An alise de Componentes Principais) para reduzir o n umero de entrada de dados e Algoritmos Gen eticos para fazer a sele c ao dos melhores dados de entrada para a rede. Visto que a dimens ao fractal proveu melhores resultados ao sistema, pretende-se continuar seu uso. Por em, realizando o c alculo da dimens ao fractal atrav es da imagem em escala de cinzas e utilizando a Dimens ao Fractal Multi-escala, que ao contr ario da realizada neste trabalho, apresenta mais de um par ametro para an alise. Para justicar o uso dos m etodos apresentados, sugere-se a utiliza c ao de imagens 3D do objeto para a an alise.

57

Ap endice A

Algoritmo de Retropropaga c ao de Erro

O Perceptron Multi-Camadas foi desenvolvido por causa da deci encia que as Redes Neurais de duas camadas possuiam. Este problema baseava-se na seguinte id eia: padr oes de entrada similares resultavam em padr oes de sa das similares. Esta restri ca o implica que a rede era incapaz de, mediante entradas com estruturas similares, gerar uma sa da com estruturas diferentes, um exemplo cl assico e o caso da fun ca o ou-exclusivo(XOR). Devido a esse impasse, (RUMELHART D. E.; HINTON, 1986) desenvolveram o modelo de Redes Neurais Multi-Camadas treinadas sob o algoritmo de Retropropaga c ao de Erro (BackProgation).

A.1

O Algoritmo

O algorimto de retropropaga ca o de erro e realizado em uma sequ encia de dois passos (CARVALHO, 2005):

1. Feed-Forward: Nesta etapa, o padr ao e apresentado ` a camada de entrada, e os c alculos de pesos e sa das s ao realizados normalmente, at e que a sa da nal seja produzida. 2. Feed-Backward: No segundo passo, a sa da obtida e comparada com a sa da desejada, estando diferente, o erro entre elas e calculado e propagado da camada de sa da at e a camada de entrada.

Esse algoritmo utiliza uma varia c ao da Regra Delta apropriada para as Redes Neurais Multi-Camadas.

A.2

Os Passos do Algoritmo

Um esquema resumido do algoritmo de retropropaga ca o de erro e apresentado a seguir (WINANDY, 2007):

1. Inicializa ca o da Rede: Os pesos sin apticos e os bias s ao escolhidos aleatoriamente, no intervalo de [0;1].
58

Cap tulo A

A.2. Os Passos do Algoritmo

2. Dados de Entrada: Os exemplos de padr oes de entrada s ao apresentados ` a rede. 3. Feed-Forward: Depois de apresentado o exemplo do conjunto de treinamento, o valor da ativa ca o e calculado pela fun ca o A.1, neste caso fun ca o sigm oide: f (v ) = Onde,
m

1 1 + exp(v )

(A.1)

vj =
i=1

wij xi + b

(A.2)

Utilizando a sa da dos neur onios de uma camada como os valores de entrada da camada seguinte. Este processo e repetidamente utilizando at e que se alcance a u ltima camada da rede, onde a sa da nal e calculada. 4. C alculo do Sinal de Erro: Neste passo, e calculada a diferen ca entre a sa da obtida da sa da desejada, Equa ca o A.3. ern = dj (n) Oj (n) (A.3)

Onde dj (n) e a sa da desejada e Oj (n) e a sa da obtida. Caso a resposta obtida esteja fora dos par ametros de parada da rede, este sinal de erro calculado ser a utilizado para computar os valores de erros das camadas anteriores, e fazer as corre co es necess arias nos pesos sin apticos. 5. Feed-Backward: Neste passo os erros locais s ao calculados baseados no sinal de erro obtido anteriormente. A camada de sa da e a primeira a fazer a corre ca o, e a partir dela o erro e repassado at e a camada de entrada. Para a camada de sa da e utilizada a Equa ca o A.4 e para as demais camadas utiliza-se a Equa ca o A.5: j (n) = exp (n) Oj (n) (1 Oj (n)) (A.4)

j (n) = Oj (n) (1 Oj (n))

k wjk

(A.5)

Onde, Oj e a fun ca o de ativa ca o; k e o erro das unidades da camada anterior; wjk s ao os pesos das conex oes com a camada anterior. Ap os o c alculo dos erros de cada unidade, calcula-se o ajuste dos pesos sin apticos de cada conex ao conforme Equa c ao A.6 e depois atualiza-se os pesos, Equa ca o A.7: wkj (n + 1) = wkj (n) + j yj (A.6)

59

Cap tulo A

A.2. Os Passos do Algoritmo

wn+1 = wn + wkj (n)

(A.7)

Onde, e a constante de momentum, que quando for igual a zero, a regra passa a funcionar como regra delta comum; e a taza de aprendizado; j e o erro da unidade; yj e a sa da produzida pela unidade j. 6. Par ametro de Parada: As condi c oes de paradas do treinamento podem ser diversas, dentre as mais comuns podem-se citar: (1) a quantidade de epocas e (2) a baixa converg encia da sa da da rede. Enquanto essas condi co es n ao forem alcan cadas, os passos 3, 4 e 5 continuam sendo realizados.

60

Ap endice B

Resultados Totais

Os resultados ser ao apresentados em formas de tabelas, contendo todas as informa c oes obtidas durante os testes.

B.1

Primeira Fase

Esta fase cont em os resultados dos testes que utilizaram a dimens ao fractal como par ametro da rede.

B.1.1 Cen ario 01


O objetivo deste Cen ario era a classica ca o da imagem fornecida em normal ou defeituoso.

B.1.1.1

Cen ario 01 - G01


Tabela B.1: Matriz Confus ao G01 - Cen ario 01. Teste 01 Teste 02 Teste 03 Norm. Def. E.Co. Norm. Def. E.Co. Norm. Def. E.Co. 06 01 14,3% 09 00 0,0% 11 00 0,0% 00 06 0,0% 02 06 25,0% 09 06 60,0% 0,0% 14,3% 18,2% 0,0% 45,0% 0,0% -

Classes Normais Defeituosas E.Om.

Tabela B.2: Tabela de resultado dos par ametros do G01 - Cen ario 01. Par ametros Teste 01 Teste 02 Teste 03 Valor Valor Valor Taxa de Acerto Total 92,3% 88,2% 65,38% Sensitividade 87,5% 100,0% 100,0% Especicidade 100,0% 75,0% 40,0% Indice Kappa 0,92 0,88 0,65

61

Cap tulo B

B.1. Primeira Fase

B.1.1.2

Cen ario 01 - G02


Tabela B.3: Matriz Confus ao G02 Teste 01 Teste 02 Norm. Def. E.Co. Norm. Def. 05 00 0,0% 08 01 01 07 13,0% 03 05 17,0% 0,0% 27,0% 17,0% - Cen ario 01. E.Co. 11,0% 38,0% Norm. 12 08 40,0% Teste 03 Def. E.Co. 01 8,0% 05 62,0% 17,0% -

Classes Normais Defeituosas E.Om.

Tabela B.4: Tabela de resultado dos par ametros do G02 - Cen ario 01. Par ametros Teste 01 Teste 02 Teste 03 Valor Valor Valor Taxa de Acerto Total 92,3% 76,5% 65,4% Sensitividade 100,0% 88,4% 92,3% 87,5% 62,5% 38,5% Especicidade Indice Kappa 0,92 0,76 0,65

B.1.1.3
Classes

Cen ario 01 - G03


Tabela B.5: Matriz Confus ao G03 - Cen ario 01. Teste 01 Teste 02 Teste 03 Norm. Def. E.Co. Norm. Def. E.Co. Norm. Def. E.Co. 05 03 37,5% 06 01 14,3% 10 01 9,1% 01 04 20,0% 05 05 50,0% 10 05 66,7% 16,7% 42,9% 45,5% 16,7% 50,0% 16,7% -

Normais Defeituosas E.Om.

Tabela B.6: Tabela de resultado dos par ametros do G03 - Cen ario 01. Par ametros Teste 01 Teste 02 Teste 03 Valor Valor Valor Taxa de Acerto Total 69,2% 64,7% 57,7% Sensitividade 62,5% 85,7% 90,9% Especicidade 80,0% 50,0% 33,3% Indice Kappa 0,68 0,63 0,56

62

Cap tulo B

B.1. Primeira Fase

B.1.1.4

Cen ario 01 - G04


Tabela B.7: Matriz Confus ao G04 Teste 01 Teste 02 Norm. Def. E.Co. Norm. Def. 06 02 25,0% 09 01 00 05 0,0% 02 05 0,0% 28,6% 18,2% 16,7% Cen ario 01. E.Co. 10,0% 28,6% Norm. 15 05 25,0% Teste 03 Def. E.Co. 00 0,0% 06 45,6% 0,0% -

Classes Normais Defeituosas E.Om.

Tabela B.8: Tabela de resultado dos par ametros do G04 - Cen ario 01. Par ametros Teste 01 Teste 02 Teste 03 Valor Valor Valor Taxa de Acerto Total 84,4% 82,4% 80,8% Sensitividade 75,0% 90,0% 100,0% Especicidade 100,0% 71,4% 54,5% Indice Kappa 0,84 0,82 0,81

B.1.2 Cen ario 02


O objetivo deste Cen ario foi fazer com que o sistema indicasse a qual grupo a imagem pertencia.
Tabela B.9: Matriz Confus ao do Cen ario 02 - Testes 01 e 02. Teste 01 Teste 02 G01 G02 G03 G04 E.Co. G01 G02 G03 G04 11 00 00 00 0,0% 12 01 00 00 01 10 02 02 33,3% 00 10 02 00 00 00 08 01 11,1% 00 01 09 01 00 02 02 09 30,8% 00 00 01 11 8,3% 16,7% 33,3% 25,0% 0,0% 16,7% 25,0% 8,3%

Classes G01 G02 G03 G04 E.Om.

E.Co. 7,7% 16,7% 18,2% 8,3% -

Tabela B.10: Tabela de resultado dos par ametros do Cen ario 02 - Testes 01 e 02. Par ametros Teste 01 Teste 02 Valor Valor Taxa de Acerto Total 79,2% 87,5% Sensitividade 81,0% 87,0% Especicidade 92,2% 95,7% Indice Kappa 0,79 0,87

63

Cap tulo B

B.2. Segunda Fase

B.1.3 Cen ario 03


O objetivo deste Cen ario mescla os dois anteriores, i.e., classicar a qual grupo pertence e dizer se o objeto e defeituoso ou n ao.
Tabela B.11: Matriz Confus ao do Cen ario 03 - Teste 01. G01-D G02-N G02-D G03-N G03-D G04-N G04-D 00 00 02 00 00 00 00 08 00 00 00 01 00 00 00 20 00 02 00 02 00 01 00 07 00 02 00 00 00 02 00 16 00 01 00 00 00 00 00 06 00 01 00 00 00 04 00 19 00 00 00 00 00 00 00 08 11,1% 9,1% 22,2% 27,3% 33,3% 13,6% 11,1% Tabela B.12: Matriz Confus ao da Cen ario 03 - Teste 02. G01-D G02-N G02-D G03-N G03-D G04-N G04-D 00 00 00 00 00 00 00 07 00 00 00 00 00 00 00 15 00 01 00 00 00 00 00 06 00 02 00 00 00 01 00 13 01 01 00 00 00 00 00 04 00 02 00 00 00 02 00 15 00 00 00 01 00 00 00 05 0,0% 6,3% 14,3% 18,8% 42,9% 6,3% 28,6%

Classes G01-N G01-D G02-N G02-D G03-N G03-D G04-N G04-D E.Om. Classes G01-N G01-D G02-N G02-D G03-N G03-D G04-N G04-D E.Om.

G01-N 19 00 03 00 00 00 00 00 13,6% G01-N 16 00 00 00 00 00 00 00 0,0%

E.Co. 9,5% 11,1% 25,9% 30,0% 15,8% 14,3% 17,4% 0,0%

E.Co. 0,0% 0,0% 6,3% 25,0% 18,8% 33,3% 11,8% 16,7%

Tabela B.13: Tabela de resultado dos par ametros da Cen ario 03 - Testes 01 e 02.. Par ametros Teste 01 Teste 02 Valor Valor Taxa de Acerto Total 83,1% 88,0% Sensitividade 84,0% 86,0% Especicidade 97,1% 98,1% Indice Kappa 0,83 0,88

B.2

Segunda Fase

A segunda fase foi realizada sem a utiliza ca o da dimens ao fractal como par ametro, mas foi constitu da dos mesmos cen arios que a primeira fase, bem como os mesmos grupos de
64

Cap tulo B

B.2. Segunda Fase

imagens como entrada.

B.2.1 Cen ario 01 B.2.1.1 Grupo G01

Tabela B.14: Matriz Confus ao 2a. Fase - Cen ario 01 - Classe G01. Teste 01 Teste 02 Teste 03 Norm. Def. E.Co. Norm. Def. E.Co. Norm. Def. E.Co. Normais 06 02 25,0% 07 00 0,0% 12 03 20,0% Defeituosas 00 05 0,0% 04 06 40,0% 08 03 72,7% E.Om. 0,0% 28,6% 36,4% 0,0% 40,0% 50,0% Classes Tabela B.15: Tabela de resultado dos par ametros da 2a. Fase - Cen ario 01 - Classe G01. Par ametros Teste 01 Teste 02 Teste 03 Valor Valor Valor Taxa de Acerto Total 84,6% 76,5% 57,7% Sensitividade 75,0% 100,0% 80,0% Especicidade 100,0% 60,0% 27,3% Indice Kappa 0,85 0,76 0,54

B.2.1.2

Grupo G02

Tabela B.16: Matriz Confus ao 2a. Fase - Cen ario 01 - Classe G02. Teste 01 Teste 02 Teste 03 Norm. Def. E.Co. Norm. Def. E.Co. Norm. Def. E.Co. Normais 05 02 28,6% 06 02 25,0% 12 04 25,0% Defeituosas 01 05 16,7% 05 04 55,6 % 08 02 80,0% E.Om. 16,7% 28,6% 45,5% 33,3% 40,0% 66,7% Classes Tabela B.17: Tabela de resultado dos par ametros do 2a. Fase - Cen ario 01 - Classe G02. Par ametros Teste 01 Teste 02 Teste 03 Valor Valor Valor Taxa de Acerto Total 76,9% 58,8% 53,8% Sensitividade 71,4% 75,0% 75,0% Especicidade 83,3% 44,4% 20,0% Indice Kappa 0,76 0,56 0,49

65

Cap tulo B

B.2. Segunda Fase

B.2.1.3

Grupo G03

Tabela B.18: Matriz Confus ao 2a. Fase - Cen ario 01 - Classe G03. Teste 01 Teste 02 Teste 03 Norm. Def. E.Co. Norm. Def. E.Co. Norm. Def. E.Co. Normais 03 03 50,0% 05 02 28,6% 09 02 18,2% Defeituosas 03 04 42,9% 06 04 60,0% 11 04 73,3% E.Om. 50,0% 42,9% 54,5% 33,3% 55,0% 33,3% Classes Tabela B.19: Tabela de resultado dos par ametros do 2a. Fase - Cen ario 01 - Classe G03. Par ametros Teste 01 Teste 02 Teste 03 Valor Valor Valor Taxa de Acerto Total 53,8% 52,9% 50,0% 57,1% 71,4% 81,8% Sensitividade Especicidade 50,0% 40,0% 26,7% Indice Kappa 0,48 0,49 0,47

B.2.1.4

Grupo G04

Tabela B.20: Matriz Confus ao 2a. Fase - Cen ario 01 - Classe G04. Teste 01 Teste 02 Teste 03 Norm. Def. E.Co. Norm. Def. E.Co. Norm. Def. E.Co. Normais 05 02 28,6% 07 00 0,0% 14 03 17,6% Defeituosas 01 05 16,7% 04 06 40,0% 06 03 66,7% E.Om. 16,7% 28,6% 36,4% 0,0% 30,0% 50,0% Classes Tabela B.21: Tabela de resultado dos par ametros do 2a. Fase - Cen ario 01 - Classe G04. Par ametros Teste 01 Teste 02 Teste 03 Valor Valor Valor Taxa de Acerto Total 76,9% 76,5% 65,4% Sensitividade 71,4% 100,0% 82,4% Especicidade 83,3% 60,0% 33,3% Indice Kappa 0,76 0,76 0,63

66

Cap tulo B

B.2. Segunda Fase

B.2.2 Cen ario 02


Tabela B.22: Matriz Confus ao do Cen ario 02 - Testes 01 e 02. Teste 01 Teste 02 G01 G02 G03 G04 E.Co. G01 G02 G03 G04 09 01 03 00 30,8% 11 02 00 00 02 10 01 00 23,1% 01 09 01 00 00 00 07 03 30,0% 00 00 07 03 01 01 01 09 25,0% 00 01 04 09 25,0% 16,7% 41,7% 25,0% 8,3% 25,0% 41,7% 25,0%

Classes G01 G02 G03 G04 E.Om.

E.Co. 15,4% 18,2% 30,0% 35,7% -

Tabela B.23: Tabela de resultado dos par ametros do Cen ario 02 - Testes 01 e 02. Par ametros Teste 01 Teste 02 Valor Valor Taxa de Acerto Total 72,9% 75,0% Sensitividade 73,0% 75,0% Especicidade 89,2% 90,4% 0,72 0,75 Indice Kappa

B.2.3 Cen ario 03

67

Cap tulo B

B.2. Segunda Fase

Classes G01-N G01-D G02-N G02-D G03-N G03-D G04-N G04-D E.Om. Classes G01-N G01-D G02-N G02-D G03-N G03-D G04-N G04-D E.Om.

Tabela B.24: Matriz Confus ao da Simula c ao 03 - Teste 01. G01-N G01-D G02-N G02-D G03-N G03-D G04-N G04-D 19 01 00 02 00 00 00 00 01 07 00 00 00 00 00 00 00 01 19 00 01 02 00 00 00 00 00 06 02 02 00 00 01 00 03 00 16 00 02 02 00 00 00 00 00 05 00 02 01 00 00 00 03 00 20 00 00 00 00 01 00 00 00 05 13,6% 22,2% 13,6% 33,3% 27,3% 44,4% 9,1% 44,4% Tabela B.25: Matriz Confus ao da Simula c ao 03 - Teste 02. G01-N G01-D G02-N G02-D G03-N G03-D G04-N G04-D 14 01 00 00 00 00 00 00 01 06 00 00 02 00 00 00 01 00 15 02 00 00 00 00 00 00 00 05 00 00 00 00 00 00 00 00 12 02 02 00 00 00 00 00 00 03 00 01 00 00 01 00 02 00 13 01 00 00 00 00 00 02 01 05 12,5% 14,3% 6,3% 28,6% 25,0% 57,1% 18,8% 28,6%

E.Co. 13,6% 12,5% 17,4% 40,0% 33,3% 28,6% 16,7% 16,7%

E.Co. 6,7% 33,3% 16,7% 0,0% 25,0% 25,0% 23,5% 37,5%

Tabela B.26: Tabela de resultado dos par ametros do Cen ario 03 - Testes 01 e 02.. Par ametros Teste 01 Teste 02 Valor Valor Taxa de Acerto Total 78,2% 79,3% Sensitividade 78,0% 79,0% Especicidade 96,2% 96,4% Indice Kappa 0,78 0,79

68

Refer encias Bibliogr acas

ABELEM, A. J. G. Redes Neurais Articiais na Previs ao de S eries Temporais. Disserta ca o (Mestrado) Pontif cia Universidade Cat olica do Rio de Janeiro, 1994. ASSIS, T. A. d. Geometria fractal: propriedades e caracter sticas de fractais ideais. Revista Brasileira de Ensino de F sica, v. 30, p. 110, 2008. AZEVEDO T. S.; MARQUES, M. L. As propriedades fractais da representa c ao cartogr aca de linhas: Um estudo de caso para o litoral do estado de s ao paulo - brasil. GEOUSP - Espa co e Tempo, v. 15, p. 5161, 2004. BACKES, A. R. Implementa c ao e Compara c ao de m etodos de estimativa da Dimens ao Fractal e sua aplica c ao ` a an alise e Processamento de Imagens. Disserta ca o (Mestrado) Instituto de Ci encias Matem aticas e de Computa ca o, USP, 2006. BANON, G. J. F. Formal Introduction to digital image processing. [S.l.], 2000. BARRETO, C. C. Fractais: Pra que serve? [S.l.], 2001. BAYER, F. M. Desenvolvimento e Implementa c ao de uma Interface de Comunica c ao para Controlador Rob otico Industrial. Disserta ca o (Mestrado) Programa de P os-Gradua ca o em Engenharia Mec anica, Universidade Federal do Rio Grande do Sul, 2004. BILOBROVEC M; MARCAL, R. F. M. P. L. A. Aplica co es de redes neurais articiais em simula co es. XI Simbep, v. 1, p. 6067, 2004. BITTENCOURT, C. D. R. Classica c ao Autom atica do Acabamento de Gordura em Imagens Digitais de Carca cas Bovinas. Disserta ca o (Mestrado) Instituto de Ci encias Exatas, Universidade de Bras lia, 2009. BITTENCOURT J R; OSORIO, F. S. O Uso de Redes Neurais Articiais no Processamento de Imagens Inteligente. [S.l.], 2002. BOGGIONE, G. d. A. Restaura c ao de Imagens do Sat elite LandSat-7. Disserta ca o (Mestrado) Minist erio da Ci encia e Tecnologia, Instituto Nacional de Pesquisas Espaciais, 2004. BRITO S. F.; CARVALHO, J. M. Sistemas de Processamento Digital de Imagens para ns Did aticos/Cient cos: Estudo, sele c ao e implementa c ao de algoritmos de segmenta c ao. Agosto 1998. CARVALHO, A. A. d. C. Fundamenta c ao Te orica para Processamento Digital de Imagens. [S.l.], 2003.

69

REFERENCIAS BIBLIOGRAFICAS

REFERENCIAS BIBLIOGRAFICAS

CARVALHO, A. P. d. L. F. Articial Neural Networks. [S.l.], 2005. CASTRO, A. P. A. d. Restaura c ao de Imagens por Operadores Modelados por Redes Neurais Articiais. Tese (Doutorado) Minist erio da Ci encia e Tecnologia, Instituto Nacional de Pesquisas Espaciais, 2009. CERA, M. C. Uso de Redes Neurais para o Reconhecimento de Padr oes. [S.l.], 2005. CHAGAS C. S.; VIEIRA, C. A. O. F. E. I. F. J. W. d. C. Utiliza ca o de redes neurais articiais na classica c ao de n veis de degrada ca o em pastagens. Revista Brasileira de Engenharia Agr cola e Ambiental, v. 13, p. 319327, 2009. CONGALTON, R. A review of assessing the accuracy of classications of remotely sensed data. Remote Sensing of Environment, v. 37, p. 3546, 1991. CRUZ ELEANDRO S.; CARVALHO, D. F. V. C. A. A. S. L. D. B. S. W. J. P. F. A. C. Compara ca o de classicadores de imagens digitais na determina c ao da cobertura do solo. Engenharia Agr cola, v. 28, p. 237244, 2008. DESTEC. Desenho T ecnico Instrumental. [S.l.], 2011. DINIZ, G. A matem atica do cancer. Ci encia Hoje, v. 232, p. 80, 2006. FALCAO ALEXANDRE X; LEITE, N. J. T opicos em Processamento de Imagens. August 2003. FERNANDES, J. A. Fractais: Uma nova vis ao da matem atica. [S.l.], 2007. v. 1, 32 p. FIGUEREDO, R. d. C. Um estudo de algoritmos de Processamento de Imagem e Reconhecimento de Padr ao em Imagem Digital capturada em ambiente aberto. Disserta ca o (Mestrado) Universidade Federal da Bahia, 2007. FORESTI RENAN L; LORINI, F. J. Sistema de Vis ao Rob otica para Reconhecimento de Contornos de Componentes na Aplica c ao de Processos Industriais. [S.l.], 2005. GALO, M. d. L. B. T. Aplica c ao de Redes Neurais Articiais e Sensoriamento Remoto na Caracteriza c ao Ambiental do Parque Estadual Morro do Diabo. Tese (Doutorado) Escola de Engenharia de S ao Carlos - USP, 2000. GONZALEZ RAFAEL C.; WOODS, R. E. Digital Image Processing. [S.l.]: Tom Robbins, 2002. GRILL-SPECTOR K.; KANWISHER, N. Visual recognition: as soon as you know it is there, you know what it is. Psychological Science, v. 16, p. 152160, 2005. GUANDALINI, G. S. Morfometria e Geometria Fractal: Imageamento Fractal como descritor de agressividade nas displasias epiteliais orais. [S.l.], 2006. HAYKIN, S. Neural Networks: A Comprehensive Foundation. [S.l.]: Prentice Hall, 1998.
70

REFERENCIAS BIBLIOGRAFICAS

REFERENCIAS BIBLIOGRAFICAS

HEBB, D. Organization of Behavior. [S.l.], 1949. HOGENDOORN, H. The State of the Art in Visual Object Recognition. 2006. JAIN A. K.; DUIN, R. Statistical pattern recognition: A review. IEEE Transactions On Pattern Analysis and Machine intelligence, v. 22, p. 437, 2000. LIMA FABIANO G; PERERA, L. C. J. K. H. F. A. C. S. Aplica ca o de redes neurais na an alise e na concess ao de cr edito ao consumidor. R.Adm, v. 44, p. 3445, 2009. MACHADO, D. S. Reconhecimento de Objetos de Formas Variadas. [S.l.], 2008. MACHADO K aSSIO L.; RIBEIRO, D. R. P. L. A. C. O. A. S. M. K. A. J. F. Rede Neural Articial embarcada em Rob otica M ovel. [S.l.], 2009. MACIEL L S.; BALLINI, R. Redes neurais para previs ao de s eries nanceiras. Anais do XVI Congresso Interno da Unicamp, v. 1, p. 231, 2008. MASCARENHAS N. A.; VELASCO, F. R. D. Processamento Digital de Imagens. [S.l.], 1989. MASSON, E. W. Y. Introduction to Computation and Learning in Articial Neural Networks. [S.l.], 1990. MEDEIROS, L. F. Redes Neurais em Delphi. [S.l.]: Visual Book Editora, 2003. MORAES, E. C. Reconhecimento de Padr oes e Redes Neuraus Articiais em predi c ao de estruturas secund arias de prote nas. Tese (Doutorado) COPPE/UFRJ, 2010. NEVES, M. V. Uma (Breve) Introdu c ao ` as Redes Neurais Articiais. [S.l.], 2006. NOGUEIRA A.; AZEVEDO, J. B. V. S. S. Um Overview sobre Reconhecimento de Padr oes. [S.l.], 2006. NYGREN, K. Stock Prediction - A Neural Network Approach. March 2004. OLIVEIRA, A. J. An alise estat stica de Indices Morfom etricos e Dimens ao Fractal da Vasculariza c ao da Retina Humana. Disserta ca o (Mestrado) UFRPE, 2006. PAVIM X A.; ROLOFF, M. L. Curso de Processamento e An alise de Imagens. [S.l.], 2005. PEREIRA RAFAEL M.; WU, F. C. M. R. B. L. H. D. D. S. F. J. J. G. J. R. N. Um subsistema de processamento de imagens digitais para a extra c ao de atributos em gr acos de experimentos m edicos. Anais do I WorkComp-SUL, v. 1, p. 3343, 2004. RAUBER, T. W. Redes Neurais Articiais. [S.l.], 1997. REIS CAIMI F; ALBUQUERQUE, M. P. C. S. B. Introdu c ao ao Reconhecimento de Padr oes utilizando Redes Neurais. [S.l.], 2001.
71

REFERENCIAS BIBLIOGRAFICAS

REFERENCIAS BIBLIOGRAFICAS

ROCHA EDROALDO L. DA; NICOLEIT, E. R. M. M. C. d. S. P. W. T. d. A. M. S. A. Diagn ostico Automatizado de doen cas no Colo do Utero baseado em Redes Neurais Articiais e Processamento de Imagens Digitais. [S.l.], 2007. RODRIGUES P S.; ARAUJO, A. d. A. Um algoritmo para reconhecimento de objetos baseado em regi oes. Anais do III Workshop em Tratamento de Imagens - UFMG, v. 1, p. 7280, 2002. ROSARIO, J. M. Princ pios de Mecatr onica. [S.l.]: Pearson Brasil, 2005. RUMELHART D. E.; HINTON, G. E. W. R. J. Parallel Distributed Processing: Explorations in the Microstructure of Cognition I. [S.l.]: MIT Press, 1986. Chapter: Learning internal representations by error propagation, pp. 318-362. SENAI. Telecurso 2000 - Elementos de Fixa c ao. [S.l.], 2008. SOUZA, J. A. d. Reconhecimento de Padr oes usando Indexa c ao Recursiva. Tese (Doutorado) Departamento de Engenharia de Produ c ao e Sistemas, Universidade Federal de Santa Catarina, 1999. TORRES RUBIAO G.; MACHADO, M. A. S. S. R. C. Previs ao de s eries temoprais de falhas em manuten ca o industrial usando redes neurais. Engevista, v. 7, p. 418, 2005. WASSERMAN, P. D. Neural Computing: Theory and Practice. [S.l.]: Van Nostrand Reinhold, 1989. WIDROW B.; HOFF, M. E. Adaptive switching circuits. [S.l.], 1960. WINANDY, C.-E. Algoritmos para Aprendizagem Supervisionada. [S.l.], 2007. ZHANG, G. P. Neural networks for classication: A survey. IEEE Transactions on Systems, Man, and Cybernetics - Part C: Applications and Reviews, v. 30, p. 451462, 2000.

72

Reconhecimento de Objetos utilizando Redes Neurais Articiais e Geometria Fractal C andido Regis de Brito Bisneto Salvador, Maio de 2011.