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.Figure 4. Sample images with ellipse centers detectedFigure 5. Sample extracted images of ellipsedetection stepIn the last step, in order to classify each detectedellipse area in the image as face or non-face, a MLPneural network was applied. This neural architecture isdemonstrated to suffer with small displacements androtations in database faces images, what bringsdifficulty to the generalization process.In the tests, the top result considering only imageswith a face was 37.5%, which is a low rate. This isexplained by sensitivity to displacements and rotationsof MLP and the fact that minor adjustments to correctmainly displacements are not yet implemented. Thisproblem can be solved applying a preprocessing asblurring to train and test images, as well as normalizethe candidate face subimage according to a symmetryaxis.6. Conclusions and Future WorksIn this paper, a face detection method based onselecting possible face regions through a robust andfast ellipse detector, and the their classification as faceor non-face using a neural network was proposed.In first part, the major problem is the number of theselected candidate points for the ellipse detectionprocess. The procedure is sensitive to some parameteradjustments, but they can be tuned by restricting theapplication scope (mainly scale).In second part, a previously trained MLP is appliedto selected regions. However, the most criticalproblems in using the MLP are its sensitivity for thedisplacement and rotation properties. Thus, apreprocessing is necessary to soften the small rotationsand displacement in input images. This is the mainreason for most of the lower classification resultsobtained so far. Corrections on this matter arefortunately a non-complex task, and we are working onthem.In spite of related difficulties, the proposed methodin this paper is demonstrated be very promising forsolving the face detection problem, with reliability andtime efficiency.For future work and improvements we suggest:1) replace the MLP by a convolutional neuralnetworks, such as the Neocognitron by Fukushima [8](which deal properly with displacement and rotationproperties), and 2) refining the ellipse detectionmethod by adding more previous knowledge to reducethe number of selected points and, therefore,decreasing the computational cost.7. AcknowledgementsThis work is being supported by FAPESP (process2005/03671-7).8. References[1] S. C. Zhang, and Z. Q. Liu, “A robust, real-time ellipsedetector”, Pattern Recognition, vol. 38, pp. 273-287, 2005.[2] A. Gavioli, M. Biajiz, and J. Moreira, “MIFLIR: A MetricIndexing and Fuzzy Logic-based Image Retrieval System”,IEEE International Workshop on Managing Data forEmerging Multimedia Applications, Tokyo: IEEE, 2005.[3] A. Oriani and J. Moreira, “Preliminary Study ofExtraction of Facial Geometric Measures as Features forContent-Based Retrieval”, XVIII Brazilian Symposium onComputer Graphics and Image Processing, SIBGRAPI’2005,Natal, Brazil, 2005.[4] F. M. Alzahrani and T. Chen, “A real-time edge detector:Algorithm and VLSI architecture”, Real-Time Imaging, vol.3, pp. 363-378, 1997.[5] N. Otsu, “Threshold Selection Method from Gray-LevelHistograms”, IEEE Transactions on Systems Man andCybernetics, vol. 9, pp. 62-69, 1979.[6] Braga, A. P., T. B. Ludermir, et al., “Redes NeuraisArtificiais: Teoria e aplicações”, LTC - Livros Técnicos eCientíficos Editora S.A., v. 1, Rio de Janeiro: 2000, 262 p.[7] MIT Center for Biological and Computation Learning,“CBLC Face Database #1”. In:http://www.ai.mit.edu/projects/cbcl[8] Fukushima, K., “Neocognitron: A hierarchical neuralnetwork capable of visual pattern recognition”, NeuralNetworks, v. 1, n. 2, pp. 119-130, 1988.273
WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.Sistema de Inspeção Visual Automática de Resistores de Montagem em SuperfícieAnderson CastellarDepartamento de Engenharia ElétricaEESC - Escola de Engenharia de São CarlosUSP - Universidade de São Pauloacastel@sel.eesc.usp.brEvandro L. L. RodriguesDepartamento de Engenharia ElétricaEESC - Escola de Engenharia de São CarlosUSP - Universidade de São Pauloevandro@sel.eesc.usp.brResumoEste trabalho apresenta um sistema de baixo custode inspeção de valores de resistores de montagem emsuperfície em placas de circuito impresso, utilizandouma rede neural artificial do tipo LVQ (Learnig VectorQuantization) com 7000 entradas binárias. O sistematem como objetivo principal verificar se o valor doresistor inserido na posição cartesiana X,Y em umanova placa de circuito impresso é igual ao valor doresistor (na mesma posição cartesiana) apresentadopor uma placa padrão durante a fase de treinamentodo sistema. A implementação do sistema mostrou oelevado tempo de treinamento da rede neural artificiale a viabilidade do sistema para a inspeção deresistores de montagem em superfície.1. IntroduçãoO avanço dos equipamentos eletrônicos nos diasatuais é notável. Com a miniaturização e com oaumento das funcionalidades dos equipamentoseletrônicos como câmeras digitais, notebooks, telefonescelulares, etc., houve uma demanda maior portecnologia de montagem e verificação de componentese placas de circuito impresso presentes nestesequipamentos.Tradicionalmente, as placas de circuito impressojuntamente com os componentes eletrônicos passampor um operador humano responsável pela inspeçãovisual, cujo diagnóstico é lento e cujo desempenho nãopode ser garantido [1]. A aprovação ou não através dainspeção visual varia de operador para operador, tendocomo principais diferenças a velocidade de inspeção, afadiga do operador e o julgamento. A Figura 1apresenta um gráfico de defeitos versus número depeças para diferentes operadores realizando inspeçãovisual [2].Figura 1. Defeitos versus peças para diferentes operadoresA produtividade é um item crítico na montagem everificação de componentes de montagem emsuperfície nos dias atuais [4]. Como podemos verificarna Figura 2, os defeitos provenientes de erros demontagem manual representam aproximadamente 13%de todos os erros encontrados em uma linha tradicionalde montagem de componentes em superfície [2].Vários autores sugerem a utilização de sistemas deinspeção visual automática, conhecidos como AOI(Automated Optical Inspection), em linhas demontagem de componentes em superfície [1].Materiais defeituososErros de montagemmanualRelacionados a soldapor ondaPosição de componenteerradoComponente erradoPinos levantadosComponentes não funcionaisSem componentes Sem soldaSolda com pontesSolda insuficienteSoldaabertaFigura 2. Defeitos na produção de placas eletrônicasTais sistemas realizam a verificação de inúmerosdefeitos através do processamento das imagens obtidasde placas na linha de montagem. Estes sistemas deinspeção podem ser utilizados antes do processo desoldagem, após o processo de soldagem e fora da linha274
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:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Page 167 and 168:
Page 169 and 170:
Page 171 and 172:
Page 173 and 174:
Page 175 and 176:
Page 177 and 178:
Page 179 and 180:
Page 181 and 182:
Page 183 and 184:
Page 185 and 186:
Page 187 and 188:
Page 189 and 190:
Page 191 and 192:
Page 193 and 194:
Page 195 and 196:
Page 197 and 198:
Page 199 and 200:
Page 201 and 202:
Page 203 and 204:
Page 205 and 206:
Page 207 and 208:
Page 209 and 210:
Page 211 and 212:
Page 213 and 214:
Page 215 and 216:
Page 217 and 218:
Page 219 and 220:
Page 221 and 222:
Page 223 and 224:
Page 225 and 226:
Page 227 and 228:
Page 229 and 230:
Page 231 and 232:
Page 233 and 234: WVC'2007 - III Workshop de Visão C
Page 283: WVC'2007 - III Workshop de Visão C
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?