UTILIZAO DE REDES NEURAIS ARTIFICIAIS PARA BIOMONITORAMENTO

Willian de Andrade Bezerra

Graduando em Engenharia de Controle e Automao pelo Instituto Federal de Educao, Cincia e Tecnologia de So Paulo

O presente artigo tem como proposta apresentar a utilizao de Redes Neurais Artificiais(RNA) em Biomonitoramento. O Oznio, que um dos indicadores de poluio atmosfrica, pode ser estimado atravs de um mtodo indireto a partir de danos que causa s folhas de determinados vegetais. As Redes Neurais Artificiais apresentaram-se como um timo mtodo para estimar a rea danificada sobre a folha de uma planta indicadora de Oznio, o que agilizar processos e diminuir custos relativos ao monitoramento deste gs. Palavras-chave: Biomonitoramento. Redes Neurais Artificiais. Programao de Computadores.

1 INTRODUO
Um dos maiores problemas enfrentados pela humanidade a poluio do ambiente, o que compromete a vida, mas no s a dos seres humanos, mas tambm de muitas outras espcies. Os poluentes so formados normalmente pele emisso de certos gases na atmosfera, como o xido Ntrico e outros compostos orgnicos volteis que, por exemplo, formam o Oznio(O3). O Oznio um dos principais indicadores de poluio e pode ser detectado atravs de um mtodo relativamente simples: As injrias sobre a superfcie das folhas da espcie Nicotina Tabacum, que denominada bioindicadora. A espcie Nicotina Tabacum indicadora do gs Oznio(O3), e essa indicao feita atravs da quantificao da rea danificada sobre a superfcie de sua folha. Uma maior rea danificada significa uma maior quantidade de Oznio no ambiente o que, conseqentemente, indica a qualidade do ar
Engenharia de Controle e Automao

no local onde a folha estava exposta quando ocorreu a injria. O grande problema nesse mtodo de qualificao do ar a grande quantidade de tempo despendida para quantificar a rea danificada sobre uma folha da Nicontina Tanacum. As Redes Neurais Artificiais(RNA), por serem timas classificadoras, podem ser utilizadas para se criar um programa capaz de quantificar automaticamente a rea injuriada sobre a superfcie de uma folha, agilizando assim o processo de qualificao do ar, diminuindo os custos do processo. A Figura 1 mostra uma folha de Nicotina Tabacum exposta em ambiente com baixssima concentrao de Oznio.

Figura 1: Folha de Nicotina Tabacum em ambiente puro.

Pgina 1

Para que uma RNA possa analisar uma imagem ela deve avaliar todos os pontos(Pixels), onde cada ponto da imagem uma cor especfica e classificado como um pixel no computador. Cada pixel apresenta uma combinao especfica das cores vermelho, verde e azul, denominada combinao RGB(Red, Green and Blue). Cada cor tem seus prprios parmetros RGB e para se classificar uma cor como sendo injria ou no necessrio um programa que possa classificar bem as combinaes possveis em RGB. Subdividindo-se uma imagem manualmente uma imagem em pequenas partes possvel contar quantas subdivises so injrias e relacionar com a rea total da folha, o que demanda um tempo gigantesco. A Figura 2 apresenta uma folha de Nicotina Tabacum que apresenta injrias, o que sugere que o local onde foi exposta apresenta concentrao de Oznio elevada.

determinados gases, como o Oznio. A Figura 3 apresenta um esquema simplificado de uma RNA.

Figura 3: Esquema de uma Rede Neural Artificial

Figura 2: Folha de Nicotina Tabacum exposta ao Oznio

Faz parte integralmente dos objetivos deste trabalho implementar uma Rede Neural Artificial que seja capaz de quantificar porcentualmente a rea danificada sobre uma folha de Nicotina Tabacum, onde ser possvel monitorar indiretamente o Oznio no local de exposio da espcie. O programa computacional assim como a RNA sero desenvolvidos em ambiente MATLAB, que possui as ferramentas necessrias para a execuo do projeto. O programa contar tambm com uma interface grfica, denominada GUI(Graphical User Interface), o que facilitar a utilizao do programa at para usurios que no esto acostumados a utilizar o software MATLAB.

Uma RNA devidamente treinada pode classificar em segundos uma imagem de grandes dimenses e ainda pode ser incorporada a algum programa que automatize os processos, como plotar grficos de injrias pelo tempo, enviar mensagens comunicando sobre problemas com o ar, entre outras muitas automaes, o que acaba barateando o monitoramento de
Engenharia de Controle e Automao Pgina 2

2 AS REDES NEURAIS
As Redes Neurais Artificiais consistem em um modo de abordar a soluo de problemas de inteligncia artificial. Neste caso, em lugar de tentar programar um computador digital de modo a faz-lo imitar um comportamento inteligente (saber jogar xadrez, compreender e manter um dilogo, traduzir lnguas estrangeiras, resolver problemas de matemtica, etc.) procura-se implementar um programa computacional que tenha capacidade de imitar os circuitos cerebrais e espera-se ver um comportamento inteligente emergindo, aprendendo novas tarefas, errando e fazendo generalizaes(BARRETO, J.M.2002). A Figura 4 o esquema de uma Rede Neural Animal em contraste com uma Rede Neural Artificial.

Figura 5 o esquema de um Neurnio Biolgico em contraste com um Neurnio Artificial.

Figura 5: Neurnio Animal X Neurnio Artificial.

O Neurnio artificial dotado basicamente de trs partes: Os pesos que acompanham as entradas, uma funo soma responsvel por somar todas as entradas e uma funo de transferncia que gera uma sada quando acionada pela soma das entradas, assim como ilustra a Figura 6.

Figura 4: Rede Neural Animal X Rede Neural Artificial Figura 6: Esquema de um Neurnio Artificial.

Assim como uma Rede Neural Animal possui neurnios, a Rede Neural Artificial tambm possu pequenas unidades denominadas Neurnios Artificiais, que esto interligados entre si, mas ao contrario dos Neurnios Biolgicos que so conectados entre si atravs de sinapses qumicas, os Neurnios Artificiais esto conectados entre si atravs de sinapses numricas que so determinadas no processo de treinamento da rede, que consiste em um algoritmo que realiza diversas iteraes at que as sinapses, tambm denominadas pesos, possam reduzir o erro da sada da RNA a um valor previamente estipulado. A
Engenharia de Controle e Automao

Para que uma RNA possa ser til, uma arquitetura conveniente para o tipo de problema deve ser adotada, assim como um algoritmo de treinamento apropriado deve ser aplicado. A Figura 7 ilustra um tipo de arquitetura de RNA.

Figura 7: Rede Neural e suas Sinapses.

Pgina 3

3 O PROGRAMA
O ambiente de programao o MATLAB, o qual possui ferramentas muito teis para a aquisio e tratamento de imagens. O programa desenvolvido tem como ncleo a RNA, mas para que possa ser executado foi necessrio construir toda uma estrutura envolvendo o ncleo, como um modo de aquisio de imagens, mdulo de tratamento de sinais da RNA e uma GUI(Graphical User Interface) para ligar todas as partes umas com as outras. A Figura 8 ilustra a arquitetura do programa.

Figura 9: Graphical User Interface(GUI) do programa.

4 O MAI
O Mdulo de Aquisio de Imagens(MAI) constitudo de funes responsveis por ler imagens e manipul-las de modo s informaes serem compatveis com a RNA modelada. Neste projeto foi decido que as imagens seriam todas modelas em um tamanho fixo de 300x300 pixels, onde cada pixel representa uma unidade RGB. A primeira ao que acontece no MAI aps a aquisio da imagem a sua adaptao quanto ao tamanho, ou seja, no importa o tamanho da imagem lida pelo MAI, esta imagem sempre ser transformada em uma imagem 300x300 pixels. Como o projeto trabalha com imagens coloridas, cada pixel composto por trs unidades RGB, que combinadas formam uma determinada cor. A imagem posteriormente transformada em uma matriz tridimensional, onde uma dimenso o Vermelho(Red), a outra o Verde(Green) e a ltima o Azul(Blue), conforme a Figura 10.

Figura 8: Diagrama Esquemtico Completo do Programa.

A imagem primeiramente capturada por uma cmera e depois enviada ao Mdulo de Aquisio de Imagens(MAI), onde rearranjada de forma matricial para a RNA. A Rede Neural processa as informaes recebidas do MAI e as envia ao Mdulo de Tratamento de Sinais(MTS), onde so convertidas em valores compatveis com a GUI, onde coletada a sada do programa. A GUI do programa muito amigvel com o usurio, pois apenas necessrio digitar no campo indicado o diretrio da imagem a ser analisada e clicar no boto Analisar. A Figura 9 mostra a aparncia do programa quando est em execuo. O programa aceita imagens em qualquer formato, isso se deve estrutura do MAI que possui parmetros internos que modelam a imagem de um modo que se encaixe na entrada da RNA.
Engenharia de Controle e Automao

Pgina 4

Figura 10: Imagem Transformada em Matriz.

Como a imagem possui um total de 300 pixels e cada pixel possu trs unidades, o nmero total de unidades enviadas RNA de 270000 divididos para as trs entradas modeladas da RNA, uma entrada para a matriz R, outra para a matriz G e outra para a matriz B.

O treinamento foi realizado capturando-se algumas cores de injrias e alguns tons de verde comuns em folhas, como ilustra a Figura 12. O vermelho foi determinado como cor de plano de fundo, pois assim o processo de treinar a RNA no ultrapassou a capacidade de memria dos equipamentos disponveis para a realizao do projeto. Como o nmero de informaes a ser processado no treinamento muito alto(270000 por imagem treinada) computadores com maior poder de processamento e maior capacidade de memria tornam-se mais adequados para esse tipo de aplicao. A Figura 11 ilustra a arquitetura da RNA utilizada.

5 A RNA DO PROGRAMA
A Rede Neural Artificial do programa foi modelada de modo a suportar a imagem colorida, ou seja, uma matriz tridimensional. Como a sada do MAI uma matriz unidimensional modelada de tal forma que seu tamanho 3x90000, a RNA foi construda com trs entradas, ou seja, trs Neurnios Artificiais de funo de ativao Linear ocupam a camada de entrada da RNA. A sada da Rede Neural um vetor 1x90000 que contm as informaes processadas que sero enviadas ao Mdulo de Tratamento de Sinais(MTS), ou seja, a RNA possu apenas um Neurnio Artificial em sua camada de sada com funo de ativao do tipo Linear. A camada intermediria dotada de quatro Neurnios Artificiais do tipo Logartmicos, que so responsveis por distribuir o processamento, melhorando o desempenho total da RNA.
Engenharia de Controle e Automao

Figura 11: Esquema de Arquitetura da RNA.

Figura 12: Esquema de Treinamento da RNA.

O processo de treinamento consiste basicamente em apresentar RNA o que se espera que ela faa, e isso ocorre por meio da apresentao de entradas e sadas desejadas. O algoritmo de treinamento, no caso o Resilient Backpropagation, vai alterando os pesos at que um gradiente mximo estipulado seja alcanado.

Pgina 5

6 O MTS
O Mdulo de Tratamento de Sinais(MTS) responsvel por receber o vetor de sada da RNA e interpret-lo. Ele constitudo de funes de manipulao de matrizes e separaes de valores, o que fundamental para separar valores considerados injrias, plano de fundo e tons de verde. Dentro MTS o vetor de sada de RNA ento transformando novamente em uma imagem, a qual destaca os pontos onde constam as injrias, como mostra a Figura 14. Os 90000 pixels so classificados um a um e separados em injrias, partes pura e plano de fundo. O plano de fundo descartado, sendo que a relao Injria/rea feita de modo a se obter uma quantificao da rea injuriada sobre a folha. As Figuras 13, 14 e 15 demonstram como o programa interpreta as imagens.

Figura 14: Exemplo de Aplicao do Programa.

Figura 13: Imagem Original X Imagem Processada

A relao Injria/rea ento enviada GUI do programa, a qual informar ao usurio a rea danificada sobre a superfcie da folha analisada, como mostra a Figura 15. De posse desses dados o usurio pode consultar tabelas e classificar a qualidade do ar quanto ao Oznio, dependendo da rea danificada, da velocidade de aparecimento das injrias, etc.

Figura 15: Imagem folhav1.jpg na sada do MTS.

Engenharia de Controle e Automao

Pgina 6

7 RESULTADOS
possvel automatizar o sistema de leitura dos dados expostos pela GUI, e isto pode ser feito futuramente programando-se cmeras e as deixando frente s folhas de Nicotina Tabacum, isso poderia gerar grficos Injrias x Tempo automaticamente. Qualquer imagem de folha pode ser analisada pelo mesmo programa, desde que a RNA seja devidamente treinada com os padres previamente estabelecidos, uma vez que a troca da Rede Neural pode ser feita facilmente.

8 CONCLUSES
As Redes Neurais Artificiais mostraram-se uma ferramenta muito eficaz para se analisar e classificar a quantidade de Oznio em um local por meio da Nicotina Tabacum. Este novo recurso aqui descrito poder ser incrementado com recursos de automao, bastando apenas se acrescentar uma programao de cmeras para que uma anlise seqencial de imagens seja analisada, possibilitando assim um estudo de como as injrias se espalham sobre a folha dependendo da concentrao de Oznio no local.

AGRADECIMENTOS
Este trabalho contou com o apoio financeiro do CNPq.

REFERNCIAS
-HAYKIN, SIMON. Redes neurais:

princpios e prtica. 2a Edio. Editora BooKman. Porto Alegre, 2001. - GADZAA-KOPCIUCH, R.; BERECKA, B.; BARTOSZEWICZ, J.; BUSZEWSKI, B. Some Considerations About Bioindicators in Environmental Monitoring. Polish Journal of Environmental Studies Vol. 13, No. 5
Figura 17: Exemplo de Aplicao do Programa.

(2004), 453-462.

O mtodo desenvolvido certamente agilizar o procedimento de classificao do ar quanto ao Oznio, o que ir permitir aos pesquisadores utilizarem mais o tempo em interpretao dos resultados do que em sua coleta.

Engenharia de Controle e Automao

Pgina 7