Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Introdução
O projeto consiste em utilizar a linguagem Python para treinar um sistema inteligente,
com o intuito dele reconhecer e classificar corretamente uma forma geométrica, para pos-
teriormente ser utilizado em uma integração com um braço robótico.
2. Dataset
Para a realização desse projeto, foi utilizado um dataset, disponibilizado no Kaggle [3],
contendo 16.000 imagens de formas geométricas das seguintes classes: quadrado, cı́rculo,
triangulo e estrela. O conjunto de imagens de estrelas foi descartado, visto que em nossa
aplicação final, dificilmente encontrará recipientes com o formato estrelar.
O dataset é dividido igualmente entre os conjuntos, quadrado: 3765; triângulos:
3720; cı́rculos: 3720. Totalizando, 11.205 imagens que estão aptas para o sistema. Es-
sas imagens estão no formato PNG e possuem dimensões de 200x200. As geometrias
encontradas na figura 1 são exemplos do que é encontrado no dataset.
4. Resultados
4.1. Classificador LDA
Os resultados obtidos para o classificador LDA foram os seguintes:
• Acurácia máxima: 0.998
• Acurácia mı́nima: 0.817
• Acurácia Média: 0.987
• Número de componentes: 151
915 21 0
M atrizConf usão = 0 937 0
0 0 929
4.2. Classificador SVM
Os resultados obtidos para o classificador SVM foram os seguintes:
• Acurácia máxima: 0.996
• Acurácia mı́nima: 0.488
• Acurácia Média: 0.978
• Número de componentes: 97
0 0 968
4.3. Classificador ANN
Os resultados obtidos para o classificador ANN foram os seguintes:
• Acurácia máxima: 1.000
• Acurácia mı́nima: 0.769
• Acurácia Média: 0.994
• Número de componentes: 7
0 0 957
Por fim, temos a comparação entre os classificadores, que através do gráfico da
figura 6, no qual mostra o quão eficiente é o método utilizando ANN, obtendo um ótimo
resultado com poucos componentes, e que linearmente, os outros métodos vão decaindo
tanto em acurácia e número de componentes.
5. Conclusão
Podemos ver pelos resultados obtidos, que todos os classificadores tiveram um desempe-
nho excepcional, sendo o ANN o melhor deles, com um resultado de acurácia máxima
de aproximadamente 0.999. Isso se deve pelo fato de ser uma rede neural que a cada
novo dado, o sistema é alimentado, e aprende. Pode ser ver a eficiência do ANN pelo
número de componentes necessários para chegar a acurácia máxima. Enquanto que os ou-
tros dois classificadores demoraram quase 100 componentes, o ANN chegou em 7 itens.
No entanto, o reconhecimento de geometrias possui uma limitação, em que consiste na
apresentação da geometria, ela deve ser toda escura semelhante ao dataset.
Referências
[1] O. CV. Open cv. https://opencv.org/. Acesso em : 8 Dez 2018.
[2] Glob. Glob. https://docs.python.org/2/library/glob.html.
Acesso em : 8 Dez 2018.
[3] KAGGLE. Four shapes. https://www.kaggle.com/smeschke/
four-shapes. Acesso em : 8 Dez 2018.
[4] matplotlib. matplotlib. https://matplotlib.org/. Acesso em : 8 Dez 2018.
[5] msklearn. msklearn. https://scikit-learn.org/stable/. Acesso em : 8
Dez 2018.
[6] Numpy. Numpy. http://www.numpy.org/. Acesso em : 8 Dez 2018.