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.(a) (b) (c)(d) (e) (f)Método de Extração Quantidade de AtributosMédia (H), (S), e (B) 3Média (R), (G) e (B) 3HSB (Discretizado cadamodelo em 32 intervalos) 96RGB (Discretizado cadamodelo em 32 intervalos) 96Mapas de Interação 7Matriz de Co-ocorrência 56Total 261Tabela 1. Atributos extraídos(g)Figura 3. Exemplo de amostras capturadasdos defeitos do couro cru. (a) esfola, (b) estria,(c) fundo, (d) marca ferro, (e) risco, (f)sem defeito e (g) carrapatoxel. Em mapas de interação utilizamos variações de(0 o a 360 o ) com intervalo inicial 0 o , final 360 o e incrementode 45 o com distâncias de 1 e 2 píxels. As duastécnicas resultaram em duas matrizes, uma contendo o resultadoda matriz de co-ocorrência entre os pixels e outracontendo o mapa polar do mapas de interação, e a partirdisso foram capturados atributos, como: entropia, momentoda diferença inversa, dissimilaridade, correlação,contraste, segundo momento angular e a diferença inversa.Foram extraídos também os valores médios e oshistogramas discretizados em 32 intervalos de cada modelodos formato de cores HSB e RGB. Foram capturadosno total 261 atributos, sendo 63 atributos de textura e198 atributos de cores. A Tabela 1, mostra com mais detalhesos atributos extraídos.Com base nos 261 atributos extraídos das amostras ejunto com a técnica implementada de Fisher, para reduçãode atributos, foram geradas 261 bases de aprendizagem,sendo em cada contendo a i atributos tal que 1 ≤ a i ≤261. Utilizamos em nossos experimentos os algoritmosde classificação C4.5 e máquinas de vetores de suporte(SMO). O motivo que nos levaram a escolher o C4.5 e oSMO, foi que em experimentos anteriores seus resultadosde classificação se comportaram de modo mais eficiente.Para a realização dos experimentos, escolhemoscomo modo de testes dos resultados a técnica estatísticade validação cruzada com configuração de 5dobras e 6 validações. Para a visualização dos resultados,foram selecionados as seguintes características:taxa(%) de classificação correta e tempos(s) de treinamentoe classificação. Dessa forma será possível analisarse o desempenho do classificador irá ser mantido a medidaque os atributos são reduzidos utilizando análisediscriminante de Fisher.Para a realização dos experimentos foram utilizadostrês módulos que pertencem ao projeto DTCOURO,que ajudaram a criar a base de conhecimento, que foram:(1) módulo de marcação e geração de amostras,que foi responsável pela criação do banco de imagenspara marcação e geração das amostras específicas paracada tipo de defeito, (2) módulo de experimentos, que realizoua extração dos atributos a partir das amostras geradase (3) módulo de classificação automática, que foiresponsável pela classificação automática dos defeitos coletados.Nos experimentos foi utilizado um computadorcom processador Pentium 4 - 2.3 GHz com 1024 MBde memória RAM.5. ResultadosPara avaliar os resultados, mostraremos graficamente ocomportamento do classificador a medida que o númerode atributos é reduzido. Nos experimentos foram utilizadas6.811 amostras, para a classificação de 7 classes (carrapato,esfola, estria, marca-ferro, risco, sem defeito e fundo) , utilizandoos algoritmos de aprendizagem (C4.5) e (SMO). Otempo total para a realização dos 261 experimentos foramde 36 horas para C4.5 e 47 horas para SMO. Os Gráficos4(a), 4(b) e 4(c), ilustram os resultados com base na porcentagemde acerto e os tempos de treinamento e classificaçãodos algoritmos C4.5 e SMO.Com base nos resultados, podemos observar que ataxa de acerto do classificador teve um bom desempenho.Mas também acreditamos que as grandes variações281
WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.(a)nos defeitos marcados e pelas poucas imagens utilizadaspoderam influenciar nos resultados. Analisando o comportamentodo gráfico 4(a), podemos verificar que mesmocom a redução de atributos, mas com pequenas variaçõesda taxa de acerto, a análise discriminante de Fisher apresentouum bom desempenho, mantendo o nível dos classificadoresquase constante. Pelo gráfico também pode serverificado que a porcentagem de acerto melhora a medidaque a quantidade de atributos é acrescentada, istoaté uma certa quantidade, em que há uma estabilidade.Para o algoritmo C4.5 a estabilidade é encontrada apartir de 106 atributos com 99,56% de acerto, e para o algoritmoSMO a estabilidade é visualizada a partir dosexperimentos com 71 atributos com 100% de acerto. Éverificadotambém que em experimentos com uma baixaquantidade de atributos a técnica de FLDA se comortoude modo eficiênte, em que com 16 atributos o classificadorapresentou como resultado de classificação 99,12%de acerto.Os gráficos 4(b) e 4(c) foram apresentados com o objetivode mostrar que a redução de atributos é uma etapa muitoimportante para classificação de imagens. A medida que aquantidade de atributos é acrescentada o tempo de treinamentoe classificação aumentam, mostrando assim que autilização de um técnica para redução de atributos, comoanálise discriminante de Fisher, pode dar eficiência, velocidadee confiança para um classificador automático.6. Conclusão(b)(c)Figura 4. Comportamento do classificador,(a) classificação correta(%) de C4.5 e SMO,(b) tempo de treinamento e classificaçãode C4.5 e (c) tempo de treinamento eclassificação de SMO.A detecção de defeitos e a classificação do couro bovino,com base em inspeção visual, é uma importante etapa dacadeia produtiva do boi. A automatização desse processo,através de sistemas computacionais, pode torná-lo mais preciso,menos subjetivo, menos sujeito a falhas e mais uniforme.Com base nos experimentos realizados e em seus resultados,verificamos que a técnica de Fisher demonstrouum bom desempenho, mostrando que a partir dacombinação estatítisca de um conjunto de atributos, podemser criados um sub-conjunto com a mesma eficiênciade classificação. Foi também verificado que os módulos implementadosauxiliares facilitaram os experimentospara testes de classificação, reforçando as expectativasde que será possível a implantação de um classificadorautomático de couros bovinos. A baixa quantidade de imagense a grande variação na semelhança dos defeitos,favoreceram o alto nível de acerto, porém para um experimentoideal, seria necessário um conjunto maior deimagens, em diferentes ambientes.Durante os experimentos, alguns problemas foram encontrados,como: baixa quantidade de imagens de tipos dedefeitos e problemas com um número muito alto de atribu-282
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:
Page 235 and 236:
Page 237 and 238:
Page 239 and 240:
Page 241 and 242: WVC'2007 - III Workshop de Visão C
Page 291: WVC'2007 - III Workshop de Visão C
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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?