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

More documents

Recommendations

Info

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.imagens e se utiliza, basicamente, dos seguintes elementos[1]: a) dispositivo optoeletrônico para formação deimagens (tipicamente, uma câmera CCD), b) hardware deaquisição de imagens, c) fontes de iluminação e d)algoritmos de visão computacional para emular as funçõesde avaliação.Os algoritmos de visão computacional implementam osprocessos responsáveis pela avaliação da imagem quepermitem verificar se a placa de circuito impresso estámontada de acordo com as especificações de projeto.Com relação às placas montadas, os problemasencontrados podem ser divididos nas seguintes categorias:defeitos de componentes ou placas, defeitos de inserção edefeitos nas terminações. Dentre os problemas maiscomuns de inserção de componentes destacam-se:ausência, inversão ou desalinhamento de componentes eimperfeições na soldagem.Conforme se pode observar na figura 1, imagens deplacas montadas contêm uma grande variedade de padrõesmenos regulares que os apresentados pelas placas nuas(sem componentes) – o que torna o seu processo deinspeção visual automática bastante complexo.Figura 1 - Defeitos típicos de placas de circuito impressomontadas: a) Inversão b) Desalinhamento c) Ausência [5]2.2. Trabalhos relacionadosA inspeção de uma placa montada é realizada em duasetapas: inspeção de componentes e inspeção de solda [2].Em cada uma dessas etapas, a inspeção pode ser realizadautilizando-se imagens 2D, capturadas por câmeras ouscanners, ou 3D, utilizando-se luz estruturada ouiluminação com ângulo de incidência controlado [5].A inspeção de componentes utilizando imagens 2D(foco deste trabalho), é normalmente realizada aplicandoseum conjunto de algoritmos de processamento e análisede imagens que procuram identificar os defeitos da placa apartir de comparações com uma imagem-referência.A técnica mais elementar – image subtraction – para seidentificar diferenças entre imagens, consiste em seconfrontar a imagem avaliada com uma imagemreferência,pixel a pixel, gerando-se como resultado adiferença entre as duas imagens; a presença de artefatosde dimensões apreciáveis na imagem-diferença seriamindícios de defeitos. Uma outra maneira tambémrelativamente simples de se identificar eventuaisdiscrepâncias entre a imagem referência e a imagemavaliada consiste em se aplicar a técnica de templatematching [6], mediante a qual se compara a imagem emavaliação com um número maior de templates, o queproporciona alguma tolerância a ruído. Esse método, noentanto, vem a falhar quando existem pequenas variaçõescausadas por diferenças de iluminação, desalinhamentodos componentes e outros ruídos. Outra limitação destaúltima técnica reside na necessidade de se utilizar umagrande quantidade de imagens-referência, o que torna oprocesso dispendioso em relação ao esforçocomputacional. Em complemento às técnicas citadas,operações de morfologia matemática [7] podem seraplicadas para eliminar pequenas variações que poderiamser apontadas erroneamente como defeitos, e, também, afim de realizar operações de medição e de inspeção detolerância [8] [9].Por causa das limitações inerentes às técnicas decomparação pixel a pixel, têm se desenvolvido métodosque procuram extrair informações de mais alto nível daimagem. Neste caso não são extraídos diretamente valoresde tons de cinza dos pixels da imagem, mas sim dadosestatísticos desses valores [10] [11]. Nessa abordagem,há uma forte tolerância a ruídos, possibilitando que setrabalhe com considerável variação de luminosidade naaquisição das imagens.Cootes et al. [10], por exemplo, verificam a presençade determinado componente em uma imagem, e se talcomponente se encontra dentro de certa tolerância emrelação à posição e orientação ideais. Para tanto, calculamestatísticas relacionadas aos tons de cinza de imagensreferência,as quais são posteriormente confrontados comas estatísticas extraídas da imagem a ser inspecionada.Esses autores concluem que o método aplicado apresentamaior robustez que os métodos clássicos de comparaçãopixel a pixel (mesmo que estes considerem margens detolerância), por permitir uma considerável variação nostons de cinza entre a imagem-referência e as imagensposteriormente avaliadas.Abordagens utilizando técnicas de inteligênciaartificial também têm sido aplicadas na inspeção visual deplacas de circuito impresso. Mashohor, Evans & Arslan[12] [13] inspecionam placas montadas utilizandoalgoritmos genéticos para a identificação dos parâmetrosda transformação-afim que promove o alinhamento ótimodas imagens referência e teste, após o quê um simples199
WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.método de comparação de imagens pixel a pixel éaplicado para a detecção de defeitos.Embora caiba destacar o trabalho de Piccard et al. [14],que mostra a viabilidade de se utilizar aprendizado demáquina na inspeção visual de componentes industriais,os autores do presente artigo não encontraram na literaturaaplicações de métodos indutivos à síntese de algoritmosde inspeção visual automática de placas de circuitoimpresso.3. Aprendizado de máquinaAprendizado de máquina, no contexto da InteligênciaArtificial, é a disciplina que estuda e desenvolve métodoscomputacionais que têm a capacidade de aprimorar o seudesempenho dinamicamente, à medida que são aplicadosa massas de dados sucessivamente maiores; assim, emulasea habilidade humana de aquisição de perícia por meioda experiência.Há duas categorias de métodos de aprendizado demáquina: supervisionado e não-supervisionado. Nesteúltimo, os algoritmos analisam exemplos nãoclassificados, de modo a identificar diferenças entre osmesmos que possibilitem separá-los em agrupamentosdiversos, os quais são posteriormente analisados para seidentificar os seus significados no contexto do problema[15]. No aprendizado supervisionado existe um arcabouçopara se permitir que o sistema aprenda através deexemplos previamente classificados. Um exemplo –também chamado de caso, registro ou dado – é o objetode estudo a ser classificado, e pode ser descrito por umatupla (vetor) de valores de atributos. Por sua vez, osatributos são características de um exemplo. Umadeterminada combinação de atributos leva o exemplo apertencer a uma determinada classe, que é simplesmenteum atributo especial do exemplo.3.1. O processo de aprendizagemNo caso do objeto de estudo deste artigo, uma placa decircuito impresso montada pode pertencer a uma de duasclasses: “sem defeito” ou “com defeito”. Efetuando-seuma avaliação das características (atributos) de umadeterminada placa “com defeito”, é possível identificarquais dessas são mais comumente encontradas nesta classedo que na classe “sem defeito” e, assim, postular ahipótese de que quando o exemplo tem determinadascaracterísticas (c 1 , c 2 ,...,c n ) deve, possivelmente, pertencerà classe C p , onde C p ∈ {“sem defeito”, “com defeito”}.Inferências como a apontada acima podem serrealizadas mediante estudo acurado dos exemplospreviamente classificados de modo a se estabelecerrelações entre causas (características) e efeitos (classes),processo esse que caracteriza o método indutivo deresolução de problemas, ou seja, obtenção de leis gerais apartir de casos particulares.Para implementar esse método de forma automática,utilizou-se, neste trabalho, algoritmos indutores, os quaisanalisam um conjunto de exemplos abrangendo placas“com defeito” e placas “sem defeito”, avaliam ascaracterísticas das mesmas e inferem as relações decausa-efeito. O resultado da aprendizagem do indutor échamado de classificador – ou hipótese -, que consiste,em linhas gerais, de um conjunto de regras que serãoutilizadas na previsão das classes de novos exemplos.No processo de aprendizagem comumente se utilizamdois conjuntos de exemplos. O primeiro, chamado deconjunto de treinamento, é utilizado para treinar oalgoritmo indutor, gerando, como resultado, oclassificador. O segundo, chamado de conjunto deexecução, é composto de exemplos que serão utilizadospara verificar se o classificador atingiu um bom grau degeneralização. Assim, aplica-se o classificador nosexemplos do conjunto de execução, para se avaliar seugrau de confiabilidade e sua taxa de erro. Em suma, oconjunto de execução é utilizado para se avaliar ahabilidade do classificador em rotular corretamente outrosexemplos que não tenham sido pré-classificados.Para que se obtenha um classificador confiável, alémde uma baixa porcentagem de erro, é necessário garantirque os conjuntos de treinamento e execução contenhamexemplos que sejam realmente representativos, ou seja,que apresentem as características e classes que serãoencontradas nos exemplos a serem avaliados no futuro.3.2. Indução de árvores de decisãoUma árvore de decisão é composta por nós e ramos. Onó inicial é a raiz, de onde partem ramificações quepodem conter outros nós; cada nó representa uma decisão,com exceção do último nó, que faz referência à classe àqual o exemplo pertence. A indução de árvores de decisãoé o processo pelo qual o algoritmo indutor constrói aárvore de decisão a partir dos dados do conjunto detreinamento - ou seja, o classificador assume a forma deuma árvore. As regras geradas pela árvore de decisão sãoentão aplicadas ao conjunto de execução (ver figura 2).AlgoritmoIndutorConjunto deTreinamentoConjunto deExecuçãoÁrvore de Decisão(classificador)Figura 2 – Processo de indução de árvores de decisão200
Page 1 and 2:
III Workshop de VisãoComputacional
Page 3 and 4:
Instituto de Biociências, Letras e
Page 5 and 6:
WVC 2007 - III Workshop de Visão C
Page 7 and 8:
ApresentaçãoA área de Visão Com
Page 10 and 11:
Automatic Pattern Recognition of Bi
Page 12 and 13:
WVC'2007 - III Workshop de Visão C
Page 14 and 15:
Page 16:
Page 19:
Page 22 and 23:
Page 24 and 25:
Page 26 and 27:
Page 28 and 29:
Page 30 and 31:
Page 33 and 34:
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
Page 55 and 56:
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Page 157 and 158:
Page 159 and 160: WVC'2007 - III Workshop de Visão C
Page 209: WVC'2007 - III Workshop de Visão C
Page 261 and 262:
Page 263 and 264:
Page 265 and 266:
Page 267 and 268:
Page 269 and 270:
Page 271 and 272:
Page 273 and 274:
Page 275 and 276:
Page 277 and 278:
Page 279 and 280:
Page 281 and 282:
Page 283 and 284:
Page 285 and 286:
Page 287 and 288:
Page 289 and 290:
Page 291 and 292:
Page 293 and 294:
Page 295 and 296:
Page 297 and 298:
Page 299 and 300:
Page 301 and 302:
Page 303 and 304:
Page 305 and 306:
Page 307 and 308:
Page 309 and 310:
Page 311 and 312:
Page 313 and 314:
Page 315 and 316:
Page 317 and 318:
Page 319 and 320:
Page 321 and 322:
Page 323 and 324:
Page 325 and 326:
Page 327 and 328:
Page 329 and 330:
Page 331 and 332:
Page 333 and 334:
Page 335 and 336:
Page 337 and 338:
Page 339 and 340:
Page 341 and 342:
Page 343 and 344:
Page 345 and 346:
Page 347 and 348:
Page 349 and 350:
Page 351 and 352:
Page 353 and 354:
Page 355 and 356:
Page 357 and 358:
Page 359 and 360:
Page 361 and 362:
Page 363:
show all

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

Create successful ePaper yourself

Delete template?

Save as template?