III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.2.1. Classificação do couroFigura 1. Imagens do couro bovino nos estágioscrú e wet blueprocesso automatizado de classificação do couro bovino emdiferentes estágios da cadeia produtiva. A Figura 1a mostrauma imagem do defeito “marca ferro"sobre uma peça decouro bovino no estágio crú (antes de ser curtido) e a Figura1b uma imagem do defeito “risco aberto"sobre umapeça de couro bovino no estágio wet blue (primeiro processoapós o curtimento). Neste sistema, a análise será realizadaa partir de imagens digitais coletadas do produto alvo,utilizando técnicas de visão computacional, inteligência artificiale reconhecimento de padrões.Dentre as várias técnicas de aprendizado supervisionadoexistentes, as Máquinas de Vetores de Suporte (SVM) temsido amplamente utilizadas na área de classificação de padrõespor demonstrarem um grande poder de generalizaçãoe capacidade de manipular grandes volumes de dados. Esteestudo apresenta o uso de técnicas de extração de atributoscombinadas com SVMs para o problema de classificaçãode defeitos do couro bovino. Em experimentos preliminaresforam realizadas análises comparativas com outrosalgoritmos de classificação mostrando resultados promissores.No capítulo 2 são apresentados alguns trabalhos correlatos,em seguida, no capítulo 3 é fundamentado o métodoSVM e a implementação do mesmo utilizada neste trabalho.A seção 4 descreve a construção do dataset, os experimentosde comparação entre metodos. Na seção 5 encontram-seconclusões e projeções futuras e na seção 6 os agradecimentos.2. Trabalhos CorrelatosA discução dos trabalhos correlatos será dividida emduas partes principais. Inicialmente, são analisados trabalhosna área de classificação de couro bovino, em seguida, éapresentada uma revisão na utilização de SVMs na área dereconhecimento de padrões e classificação.Em [22] Yeh and Perng é proposto um método semiautomáticopara extração e detecção de defeitos em courobovino nos estágios wet-blue e couro cru. Os resultados deseus trabalhos se apresentaram confiáveis quando comparadoscom os de especialistas na área, mas os autores tambémapontam a desvantagem da necessidade de um especialistana fase de contagem total de defeitos. Um método deinspeção de couro baseado em Haar’s wavelets é apresentadopor Sobral em [19]. Segundo Sobral, o método apresentaresultados equivalentes ao de humanos experientes eem tempo real [19], além de superar métodos propostos anteriormente,como o descrito por Kumar e Pang em [13].Apesar de não esclarecido claramente por Sobral, aparentementeseu sistema foi testado apenas em couro no estágiofinal de produção, um problema bem mais simples comparadocom outros estágios de produção como wet-blue oucouro cru. Uma medida de similaridade baseada em χ2 éusada para comparar histogramas em tons de cinza extraídosde amostras (“janelas"de 65 × 65 pixels) de imagensem estágio wet-blue com um histograma médio de imagenssem defeito em [7]. Os resultados do χ2 e o limiar encontradoexperimentalmente são utilizados para segmentar regiõesdefeituosas. O método não foi usado na identificaçãodos tipos de defeito. Uma outra abordagem utilizando histogramae atributos extraídos por co-ocorrência é investigadaem [12].2.2. Máquinas de Vetores de SuporteOsuna utiliza SVM para detecção de faces em imagensem [15], ele demonstra a aplicabilidade das SVMs na detecçãode faces em imagens que apresentaram resultados equivalentesou superiores a outros métodos baseados em exemplos[15]. O sistema de Osuna percorre imagens em tons decinza e é capaz de encontrar faces em diferentes escalas egrau de iluminação. Nos testes realizados por Osuna a SVMé configurada com parâmetro C = 200 eumkernel polinomialde grau 2. A forma de obtenção desta configuração nãoé especificada no artigo. Em [10] Joachims apresenta evidênciasteóricas e práticas do bom desempenho de classificaçãodas SVM em problemas de categorização de textos.O desempenho das SVM é calculado com base em dois conjuntosde dados cada um contendo mais de 20000 casos deteste com cerca de 10000 atributos. Entre outros algoritmostestados no artigo o K-NN foi o que apresentou melhor performancee foi superado pela SVM em 63 das 90 categoriasdo primeiro conjunto de testes e em todas as 23 categoriasdo segundo conjunto. Apesar do tempo de treinamentodas SVM ser superior ao do K-NN o ganho na classificaçãoé compensador para este problema. Uma outra aplicaçãodas SVM na área de Visão Computacional é apresentada128