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.classificação do pixels, poucos dados de entrada e nãonecessitar de memória.A Perceptron Multicamadas foi implementada coma camada de entrada contendo quatro entradas uma para oWjθ (Limiar de ativação) e uma para cada componente doRGB. A camada escondida possui dois neurônios e acamada de saída com um neurônio, como mostra a Figura4.Tabela 1 - Tabela de resultadosTabela de ResultadosCaracterísticas das ImagensPercentualResultadosPositivosImagens com resíduos 100%Imagens com resíduos, solução anticoagulante100%e bolhasImagens de bolsas perfeitas 100%Imagens com solução e sem resíduos e 100%com bolhasOs resultados da tabela 1 mostram que ametodologia proposta, foi capaz de identificar em todas asimagens, quais tinham ou não resíduos, com o tempomédio de execução de 16 segundos.6.ABORDAGEM FUZZYFigura 4 – Rede Perceptron MulticamadasNa camada escondida e saída à função de ativaçãoutilizada foi a sigmóide logística.O algoritmo de treinamento utilizado na redePerceptron multicamadas foi à regra delta Generalizada(Backpropagation) [8].A matriz de treinamento foi criada comquatrocentos e trinta e nove linhas, com cinco colunas:uma para o liminar de ativação, preenchida com -1; umapara cada componente do RGB, contendo as componentesdo RGB de amostras de imagens do banco de imagens; aultima para o resultado final esperado, preenchido comzero ou um de acordo com o resultado esperado.As colunas contendo as componentes do RGBforam normalizadas, em seguida o algoritmo detreinamento foi aplicado a matriz de treinamento. Oalgoritmo de treinamento iniciou os pesos aleatoriamente,usou a precisão de 10^(-8) e a taxa de aprendizado 0.01.Após treinar, ajustar e determinar os pesos daRNA foi desenvolvido o algoritmo para varrer as imagenspixel a pixel, e determinar quais imagens continharesíduo, retornando uma mensagem de texto casoencontrasse um resíduo.O algoritmo de treinamento e de varredura dasimagens foi desenvolvido com o Matlab 7.0 daMathworks.5.RESULTADOS DA ABORDAGEM RNAA tabela 1 apresenta os resultados obtidos com aaplicação da rotina desenvolvida. Nela os resultados sãoapresentados por características das imagens e percentualde resultados positivos.Também foi aplicada no mesmo banco de imagensuma abordagem utilizando Lógica Fuzzy para classificaros padrões obtidos pelo RGB [9].Figura 5 – Padrão geométrico componente AzulO algoritmo com a Lógica Fuzzy foi desenvolvidocom o universo de discurso variando entre 0 e 255, ouseja, os 256 níveis de quantização de cores do RGB, trêsvariáveis de entrada, vermelha, verde, Azul uma para cadatipo de componente do sistema RGB e cada variável deentrada com sua função de pertinência. Os padrõesgeométricos de cada função de pertinência são mostradosnas figuras 5,6e7O processo de inferência usado foi o ModusPonens generalizado.Apenas uma regra foi aplicada: Se (Vermelho (R) eVerde (G) e Azul(B)) então (existe pixel).43