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.Detecção de Resíduos em Imagens de Bolsas para Coleta de Sangue UtilizandoRedes Neurais Artificiais nos canais RGBCássio Avelino Adornicassioaa@ig.com.brAdilson Gonzagaadilson@sel.eesc.usp.brDepartamento de Engenharia Elétrica, Escola de Engenharia de São CarlosUniversidade de São Paulo – USPRESUMOEste artigo apresenta uma metodologia paraidentificação de resíduos em imagens de bolsa para coletade sangue utilizando técnicas de reconhecimento depadrões, com o auxilio de uma Rede Neural Artificialpara classificar padrões de resíduos encontrados nasimagens, através do intervalo de cada canal do RGB. Osresultados apresentados são comparados com outrametodologia, baseada em lógica Fuzzy, que foi aplicadaao mesmo banco de imagens com bons resultados. Acomparação dos resultados demonstra o ótimodesempenho da metodologia proposta.1. INTRODUÇÃOA produção de produtos médicos ou fármacosnecessitam de cuidados especiais para mantercomposição, qualidade e assegurar a sua esterilidadebiológica.As bolsas para coleta de sangue não são diferentes,precisam estar livres de resíduos para não comprometer oseu conteúdo.Na analise e inspeção destas bolsas durante oprocesso de industrialização algumas empresas utilizam àinspeção visual. Este processo manual é realizado a olhonu, fato que não permite garantir a ausência de resíduospor estar diretamente ligado ao fator humano e a juízo devalor.Garantir que as bolsas comercializadas para coletade sangue, não contenham qualquer tipo de resíduo, a umcusto que não inviabilize a competitividade comercial dasempresas somente pode ser conseguido com sistemasautomatizados.Atualmente os algoritmos para reconhecimento depadrões têm apresentado excelentes resultados quandoaplicados em sistemas automatizados, obtendo avançossignificativos em diversas áreas [1].Este artigo propõe uma metodologia paraautomatizar o sistema de inspeção visual, utilizandoimagens digitalizadas das bolsas para coleta de sangue etécnicas de Reconhecimento de Padrões para detectareventuais resíduos existentes nas bolsas para coleta desangue.Na classificação de padrões em imagens sãoutilizados os classificadores estatísticos, aproximaçãosintática, sistemas fuzzy e redes neurais [2] [3].Optou-se por utilizar Redes Neurais Artificiais(RNA) para classificar os pixels por ter grande capacidadede generalização e de agrupar ou organizar dados. Estascaracterísticas são importantes para superar asdificuldades de classificar pixels que possam representarresíduos nas imagens.Para analise dos resultados obtidos pelametodologia proposta, foram comparados estes resultadoscom os resultados obtidos com outra metodologia baseadaem Sistemas Fuzzy, que também foi aplicada no mesmobanco de imagens.2.JUSTIFICATIVAObservando a Figura 1, pode-se notar como oprocesso de inspeção visual é realizado, apenas com oauxilio de um equipamento de iluminação simples, apercepção visual e experiência da pessoa nesta funçãopara detectar a existência ou não, de resíduos em bolsaspara coleta de sangue.Figura 1 – Processo de Inspeção Visual.41
WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.O sistema de inspeção visual descrito apesar de serrealizado e maneira satisfatória e atender as exigências daVigilância Sanitária não poder garantir quer todas asbolsas inspecionadas não contenham resíduos, pois étotalmente depende do fator humano nele envolvido,sendo sujeito a situações como estado emocional,vontades, situação afetiva, capacidade de atenção etc.É preciso garantir que as bolsas não contenhamresíduos, porque se possuir algum material ou resíduo quecause alteração em seu estado ou resistência poderácausar a abertura do sistema por ruptura e a perda de seuconteúdo, causando grandes transtornos.Verificando como a tarefa esta sendo realizada,propõe-se capturar imagens das bolsas para coleta desangue, processá-las inspecionando pixel a pixel,aplicando técnicas de reconhecimento de padrões paraobter informações e dados e com o auxílio de uma RNAclassificar estas informações ou dados em resíduos ounão.Na digitalização e captura das imagens, além dacaixa desenvolvida, foi utilizada a câmera digital Mavica(Sony).Mesmo tomando estes cuidados para minimizar asinterferências do ambiente na iluminação, não foi possívelisolar totalmente e nem garantir que a iluminação foidistribuída uniformemente por toda a imagem comomostra a figura 3.3. MATERIAIS E MÉTODOSPara a captura das imagens, foi desenvolvida umacaixa para isolar as bolsas para coleta de sangue dasadversidades do ambiente.A caixa desenvolvida foi divida em duas partes, a“base” revestida em papel alumínio com duas lâmpadasdicróicas, com o foco direcionado para que seja refletidopelo papel alumínio (fundo) para o acrílico branco leitoso.A “Superior” têm suas paredes pintadas em preto foscocom uma abertura para câmera digital, como mostra afigura 2.A fonte de energia utilizada foi uma bateriaautomotiva, que possibilitou eliminar as oscilações defreqüência causadas pela corrente alternada [4].Figura 3 – Imagem capturadaO banco de imagens e composto por 55 imagens,todas coloridas, com resolução 640x480 pixels, com aquantização de cores em 256 níveis e formato jpg,As imagens do banco estão divididas em: 12imagens com resíduos (solução anti-coagulante e bolhas),27 imagens com resíduos, 8 imagens com solução e semresíduos e 8 imagens de bolsas perfeitas, (sem resíduos ousolução).Para a análise destas imagens, foi utilizado osistema de representação de cores RGB. Este sistema foiusado pela facilidade de implementação computacional epor muito utilizado no processamento de imagens digitais[5].Com o RGB foi possível determinar seuscomponentes para cada pixel da imagem. Assim foipossível separar empiricamente amostras de padrões quepossam representar resíduos, filme da bolsa, bordas etc.4.ABORDAGEM RNAFigura 2 – Imagens do interior e exterior da caixadesenvolvida para captura das imagens.A RNA escolhida foi a Perceptron Multicamadas -PMC (Multi Layer Perceptron – MLP). Esta arquiteturafoi escolhida por ser muito utilizada como classificadoresde padrões [6] [7], ter baixo custo computacional e baixotempo de execução, pois, pretende-se utilizar esta rede emtempo real.Outras características importantes para a escolhadesta arquitetura, foram de ter apenas dois padrões desaída (resíduo ou não resíduo), conhecer processo de42
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 16: WVC'2007 - III Workshop de Visão C
Page 103 and 104:
WVC'2007 - III Workshop de Visão C
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:
Page 243 and 244:
Page 245 and 246:
Page 247 and 248:
Page 249 and 250:
Page 251 and 252:
Page 253 and 254:
Page 255 and 256:
Page 257 and 258:
Page 259 and 260:
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

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

Delete template?

Save as template?