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.Quantidade de experimentosFaixa de taxade acerto Algoritmo ID3 Algoritmo MC480 – 84,9% 7 1285 – 89,9% 5 490 – 94,9% 5 395 – 99,9% 3 3100% 2 0Conforme se pode observar na tabela 2, o algoritmoID3 confirma o melhor desempenho, apresentando taxasde acerto maiores que 90% em quase 50% dosexperimentos; comparativamente, o algoritmo MC4alcançou taxas de acerto inferiores a 90% em 70% dosexperimentos.5. Conclusões e trabalhos futurosOs resultados experimentais demonstram que é viávelutilizar algoritmos indutores de árvores de decisão parainspecionar placas de circuito impresso montadas. Mesmocom considerável nível de ruído nas imagens-exemplo, osclassificadores obtiveram, no mínimo, 80% de acerto emédia geral de 86,7%; além disso, o melhor classificadorclassificou corretamente 100% dos exemplos do conjuntode execução.Cabe destacar que os melhores classificadores foramobtidos quando se utilizaram apenas característicasextraídas das imagens limiarizadas. Isso se deve,possivelmente, ao fato de as imagens monocromáticasapresentarem grande variância nos tons de cinza, o quetorna o seu histograma de tons de cinza uma característicade menor potencial discriminativo.A maior vantagem do método proposto, frente a outrastécnicas, consiste na utilização de características simplesda imagem, cuja extração é realizada com pequenoesforço computacional, e na possibilidade de se operarcom considerável nível de ruído.Futuramente, pretende-se estender o escopo destetrabalho a fim de que os algoritmos indutivos geremárvores de decisão capazes de classificar as imagens deplacas de acordo com o tipo de defeito encontrado.6. Referências[1] E. Moganti et al., “Automatic PCB inspection algorithms: asurvey”. Computer Vision and Image Understanding, Vol. 63,No. 2, 1996, pp. 287-313.[2] A. Hilton et al., “Automatic Inspection of Loaded PCB’sUsing 3D Range Data”. In: Proc. SPIE Machine VisionApplications in Industrial Inspection II, Vol. 2183, 1994, pp.226-237.[3] D. Unay and B. Gosselin, “Apple Defect Detection andQuality Classification with MLP-Neural Networks”. In: Proc. ofPRORISC 2002, Veldhoven, Netherlands, November, 2002.[4] Z. Zhou and Y. Ziang, “Medical diagnosis with C4.5 rulepreceded by artificial neural network ensemble”. IEEETransactions on Information Technology in Biomedicine, 7(1),2003, pp. 37-42.[5] Instituto de Pesquisas Tecnológicas de Estado de São Paulo –IPT, “Sistema Computacional Embarcado de Inspeção VisualAutomática de Placas de Circuito Impresso: Anteprojeto eResultados Iniciais”. Relatório Técnico 93677-205, São Paulo,2007.[6] D. H. Ballard and C. M. Brown, Computer Vision. PrenticeHall, chapter 3, 1982.[7] J. Serra, “Image Analysis and Mathematical Morphology”.Academic Press, London, 1982.[8] A. M. Darwish and A. Jain, “A Rule Based Approach forVisual Pattern Inspection”. IEEE Transactions on PatternAnalysis and Machine Intelligence, vol 10(1), 1988, pp.56-68.[9] M.H. Tatibana and R. de A. Lotufo, “Novel automatic PCBinspection technique based on connectivity”. In: Proc. of XBrazilian Symposium on Computer Graphics and ImageProcessing (SIBGRAPI), 1997, pp. 187-194.[10] T. Cootes et al., “Statistical Grey-Level Models for ObjectLocation and Identification”. In: 6 th British Machine VisonConference, Birmingham: BMVA Press, England, Sept. 1995,pp. 533-542.[11] E. K. Teoh and D. P. Mital, “A Transputer-basedAutomated Visual Inspection System for Electronic Devices andPCBs”. Optics and Lasers in Engineering, vol. 22, 1995, pp.161-180.[12] S. Mashohor, J.R. Evans and T. Arslan, “Genetic AlgorithmBased Printed Circuit Board Inspection System”. In: IEEEInternational Symposium on Consumer Electronics, Reading,UK , September, 2004, pp. 519-522.[13] S. Mashohor, J.R. Evans and T. Arslan, “Elitist SelectionSchemes for Genetic Algorithm based Printed Circuit BoardInspection System”. In IEEE Congress on EvolutionaryComputation, Vol. 2, Sept. 2005, pp. 974-978.[14] M. Piccard et al., “Exploiting Symbolic Learning in VisualInspection”. Lecture Notes in Computer Science, vol.1280, 1997,pp.223-235.[15] M. C. Monard e J. A. Baranauskas, “Indução de Regras deÁrvores de Decisão”. In: Solange de Oliveira Rezende (ed.):Sistemas Inteligentes: Fundamentos e Aplicações, São Paulo:Editora Manole, 2003, pp.115-139.[16]Visual Prolog “Visual Prolog: Products, Compiler,Donwload Free Personal Edition”, Prolog Development CenterA/S, 2007. Disponível em .Acesso em 23 de Julho de 2007.[17] Delphi, CodeGear from Borland, 2007. Disponível em. Acesso em 23de Julho de 2007.[18] R. Kohavi, D. Sommerfield and J. Dougherty, “Data Miningusing MLC++ - A Machine Learning Library in C++”, ToolsWith AI, 1996, pp. 234-245.[19] J. R. Quinlan, “Induction of decision trees”. MachineLearning, vol. 1, 1986, pp. 81-106.[20] J. R. Quinlan, C4.5: Programs For Machine Learning. SanFrancisco: Morgan Kaufmann, 1993.203