UNIVERSIDADE ANHEMBI MORUMBI ANDRESSA PEREIRA DE OLIVEIRA BRUNO NORONHA FRAGOMENI MILDREDH HARUE NOGUEIRA NAIME IOSIMUTA VICTOR HIGINO VASCONCELLOS

Tamanho: px
Começar a partir da página:

Download "UNIVERSIDADE ANHEMBI MORUMBI ANDRESSA PEREIRA DE OLIVEIRA BRUNO NORONHA FRAGOMENI MILDREDH HARUE NOGUEIRA NAIME IOSIMUTA VICTOR HIGINO VASCONCELLOS"

Transcrição

1 UNIVERSIDADE ANHEMBI MORUMBI ANDRESSA PEREIRA DE OLIVEIRA BRUNO NORONHA FRAGOMENI MILDREDH HARUE NOGUEIRA NAIME IOSIMUTA VICTOR HIGINO VASCONCELLOS SMARTCOMPRAS: DESENVOLVIMENTO DE UM APLICATIVO PARA CELULARES SMARTPHONE. São Paulo 2011

2 ANDRESSA PEREIRA DE OLIVEIRA BRUNO NORONHA FRAGOMENI MILDREDH HARUE NOGUEIRA NAIME IOSIMUTA VICTOR HIGINO VASCONCELLOS SMARTCOMPRAS: DESENVOLVIMENTO DE UM APLICATIVO PARA CELULARES SMARTPHONE. Trabalho de Conclusão Curso apresentado como exigência parcial para a obtenção do título de Bacharel em Ciência da Computação da Universidade Anhembi Morumbi. Orientador: Dr. Augusto Mendes Gomes Júnior São Paulo 2011

3 S644 Smartcompras: desenvolvimento de um aplicativo para celulares smartphone / Andressa Pereira de Oliveira [et. al.] f.: il.; 30 cm. Orientador: Augusto Mendes Gomes Júnior. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) Universidade Anhembi Morumbi, São Paulo, Bibliografia: f Ciência da Computação. 2. Código de Barras. 3. Mineração de Dados. 4. Processamento de Imagens. 5. Software Vendas. I. Título. CDD 004

4 ANDRESSA PEREIRA DE OLIVEIRA BRUNO NORONHA FRAGOMENI MILDREDH HARUE NOGUEIRA NAIME IOSIMUTA VICTOR HIGINO VASCONCELLOS SMARTCOMPRAS: DESENVOLVIMENTO DE UM APLICATIVO PARA CELULARES SMARTPHONE. Trabalho de Conclusão Curso apresentado como exigência parcial para a obtenção do título de Bacharel em Ciência da Computação da Universidade Anhembi Morumbi, sob a orientação do Dr. Augusto Mendes Gomes Júnior. Aprovado em Nome do orientador/titulação/ies Nome do convidado/ titulação/ies Nome do convidado/ies

5 Dedicamos este trabalho aos nossos pais e irmãos que nos ajudaram em todos os momentos que precisamos.

6 AGRADECIMENTOS Agradecemos à Deus pela vida, saúde e sabedoria nos fornecida. Agradecemos ao nosso orientador, Dr. Augusto Mendes, pelo suporte prestado e por todo o conhecimento compartilhado. Agradecemos as nossas famílias e amigos pela paciência e, acima de tudo, por estarem ao nosso lado quando precisamos. Agradecemos à cada integrante do grupo que, entre muitos problemas, souberam superar as diferenças e entregar o projeto com qualidade.

7 O verdadeiro ato da descoberta não consiste em descobrir novas terras, mas em enxergá-las com outros olhos! Marcel Proust

8 RESUMO Este trabalho apresenta como tema central o estudo do processamento de imagens e da mineração de dados, e tem como objetivo desenvolver um software de compras que utilize o Android como sistema operacional. Este software irá realizar a captura e o processamento de uma imagem de código de barras, e aplicar conceitos de mineração de dados, com o intuito de identificar os perfis dos clientes e oferecer produtos eventualmente adquiridos que possuam um menor custo no instante da compra. Compras realizadas pessoalmente em supermercados demandam tempo e desgaste físico, uma vez que é necessário colocar e retirar o produto do carrinho diversas vezes e ainda comparar preços de produtos adquiridos constantemente. Ao mesmo tempo em que a tecnologia para celulares cresce consideravelmente, disponibilizando maiores comodidades ao usuário. O objetivo deste trabalho é integrar duas áreas importantes para o mercado (tecnologia e marketing), oferecendo conforto e comodidade ao consumidor. O processamento de imagem engloba a transformação da imagem em uma imagem digital, tratamento da cor, melhoria e restauração, segmentação e representação, e por fim reconhecimento de objetos e padrões. E o código de barras será a imagem principal neste trabalho. A mineração de dados envolve análise, tratamento, modelagem, avaliação dos resultados obtidos e por fim a implementação da mineração. Dentre os diversos algoritmos utilizados na implementação da técnica de mineração de dados, Árvore de Decisão, Redes Neurais e Apriori. Palavras-Chaves: Mineração de dados, Processamento de Imagem, Código de barras, Android.

9 ABSTRACT This work has as its central theme the study of image processing and data mining, and aims to develop shopping software that uses the Android operating system. This software will perform the capture and processing of a barcode image, and apply concepts of data mining, in order to identify customer profiles and offer products that may have accrued that have a lower cost at time of purchase. Purchases made in person at supermarkets demand time and physical stress, since it is necessary to insert and remove the product from the cart several times and also compare prices of products purchased constantly. At the same time the technology for mobile phones grows considerably, providing more facilities to the user. The objective is to integrate two important areas to the market (technology, marketing), offering comfort and convenience to the final consumer. The image processing includes transforming the image into a digital image, color treatment, improvement and restoration, segmentation and representation, and finally recognizing objects and patterns. And the bar code will be the main image in this work. Data mining involves analysis, processing, modeling, evaluation of results and finally the implementation of mining. Among the various algorithms used in implementing the data mining technique, we studied decision tree, neural networks and Apriori. Keywords: Data Mining, Digital Image Processing, Bar Code, Android.

10 LISTA DE SIGLAS E ABRREVIAÇÕES API Application Programming Interface CRISP-DM Cross Industry Standard Process for Data Mining CRM Customer Relationship Management EAN European Article Numbering Association EDGE Enhanced Data-Rates for Global Evolution GPS Global Positioning System GSM Global System for Mobile IDC International Data Corporation ISBN International Standard Book Number ISSN International Standard Serial Number KDD Knowledge Discovery in Databases PDA Personal Digital Assistant RGB Red Green Blue SOAP Simple Object Access Protocol SD Secure Digital UML Unified Modeling Language UPC Universal Code Products URL Uniform Resource Locator

11 ILUSTRAÇÕES Figura 1 - Etapas completas de processamento de imagem Figura 2 Etapas básicas de processamento de imagem Figura 3 Cores RGB e escala de cinza a partir das cores RGB Figura 4 - Exemplo de código de barras Figura 5 Exemplo de código de barras UPC-A Figura 6 Exemplo de código de barras UPC E Figura 7 Exemplo de código de barras EAN Figura 8 Exemplo de código de barras EAN Figura 9 Exemplo de código de barras do tipo ISBN Figura 10 Exemplo de código de barras do tipo ISSN Figura 11 Antes e depois do processo de binarização de uma placa veicular Figura 12 - Antes e depois do processo de erosão de uma placa veicular Figura 13 - Antes e depois do processo de erosão de uma placa veicular Figura 14 Ciclo de vida do processo de mineração de dados Figura 15 Fluxograma do processo KDD Figura 16 Exemplo de árvore de decisão Figura 17 Exemplo de redes neurais Figura 18 Pseudocódigo do algoritmo Apriori Figura 19 - Arquitetura do Sistema Android Figura 20 - Ciclo de vida de uma atividade Figura 21 - Diagrama Entidade-Relacionamento do software SmartCompras Figura 22 - Diagrama de Caso de Uso do software SmartCompras Figura 23 - Diagrama de Classe do software SmartCompras Figura 24 Arquitetura do sistema Figura 25 Arquitetura da biblioteca ZXing Figura 26 Informações inseridas no banco de dados através do aplicativo SmartCompras... 65

12 Figura 27 - Projeto do banco de dados do software SmartCompras Figura 28 - Diagrama de Atividade - UC Figura 29 - Diagrama de Atividade UC Figura 30 - Diagrama de Atividade - UC Figura 31 - Diagrama de Atividade - UC Figura 32 - Diagrama de Atividade - UC Figura 33 - Diagrama de Seqüência- UC Figura 34 - Diagrama de Seqüência- UC Figura 35 - Diagrama de Seqüência- UC Figura 36 - Diagrama de Seqüência- UC Figura 37 - Diagrama de Seqüência- UC Figura 38 - Primeira tela de cadastro do SmartCompras Figura 39 - Segunda tela de cadastro do SmartCompras Figura 40 - Terceira e última tela de cadastro do SmartCompras Figura 41 - Tela de login do SmartCompras Figura 42 - Tela Principal do SmartCompras Figura 43 - Tela para digitar o código de barras Figura 44 - Tela de detalhe do produto Figura 45 - Tela do carrinho de compras Figura 46 - Tela para escolha da forma de pagamento

13 SUMÁRIO 1 INTRODUÇÃO OBJETIVO JUSTIFICATIVA ABRANGÊNCIA ESTRUTURA DO TRABALHO PROCESSAMENTO DE IMAGEM DEFINIÇÃO CAPTURA DE IMAGEM E PROCESSAMENTO DA COR MELHORIA E RESTAURAÇÃO DA IMAGEM SEGMENTAÇÃO E REPRESENTAÇÃO RECONHECIMENTO DO OBJETO E DE PADRÕES CÓDIGO DE BARRAS Conceitos Padrões Leitura de Código de Barras APLICAÇÕES Reconhecimento de placa veicular MINERAÇÃO DE DADOS FASES DA MINERAÇÃO DE DADOS ANÁLISE DESCRITIVA E ANÁLISE DE PROGNÓSTICOS BUSCA DE CONHECIMENTO TÉCNICAS DE MINERAÇÃO DE DADOS TIPOS DE ALGORITMOS Árvores de decisão Redes Neurais Apriori ANDROID... 44

14 5 MODELAGEM DO SISTEMA SMARTCOMPRAS LEVANTAMENTO DE REQUISITOS Requisitos Funcionais Requisitos Não-Funcionais MODELAGEM DO BANCO DE DADOS DIAGRAMA DE CASO DE USO DIAGRAMA DE CLASSE DESENVOLVIMENTO DO SMARTCOMPRAS ARQUITETURA DA SOLUÇÃO CAPTURA E PROCESSAMENTO DO CÓDIGO DE BARRAS Captura do código de barras Processamento do código de barras MINERAÇÃO DE DADOS TESTES CONFIGURAÇÃO DE REDE CAPTURA E PROCESSAMENTO DE IMAGEM WEBSERVICE APRIORI SISTEMA DE COMPRA CONCLUSÃO TRABALHOS FUTUROS APÊNDICE A REQUISITOS FUNCIONAIS: B DESCRIÇÃO FORMAL DOS CASOS DE USO C PROJETO DO BANCO DE DADOS D DIAGRAMAS DE ATIVIDADES E DIAGRAMA DE SEQUÊNCIA F REQUISITOS DO CELULAR UTILIZADO NO TESTE:

15 G TELAS DO SISTEMA

16 16 1 INTRODUÇÃO Há 10 anos, eram poucas pessoas que utilizavam celulares. Já nos dias de hoje, esse recurso ganhou uma importância considerável. Segundo a IDC (International Data Corporation ) o mercado de smartphone cresceu 79,7% no primeiro trimestre de Além do layout, as funcionalidades e aplicações que o celular possui, são requisitos muito avaliados no momento da compra. Pensando nisso, os desenvolvedores de softwares para smartphone seguem trabalhando com a idéia de tornar este equipamento essencial e necessário no dia a dia, sendo capaz de dispensar outros aparelhos de diversas funcionalidades. Atualmente os smartphones realizam tarefas de outros equipamentos, como por exemplo, os despertadores, o GPS(Global Positioning System), aparelhos de reprodução de música e vídeo, etc. Ainda assim, existem ramos pouco explorados, como por exemplo, o doméstico. Além da tecnologia, a área de compras também vem recebendo grande investimento. Seja de maneira virtual ou local, as lojas vem cada dia mais buscando inovações tecnológicas a fim de serem mais competitivas no mercado. Devido à concorrência acirrada, nem sempre é possível oferecer o melhor preço de determinados produtos, e gerar conforto e comodidade ao cliente pode ser um grande diferencial. Este trabalho desenvolve um software para auxiliar seus usuários no momento de realizar uma compra em supermercado, com o intuito de possibilitar conforto e economia de tempo ao usuário. 1.1 OBJETIVO O objetivo deste trabalho é a modelagem e o desenvolvimento de um software para smartphone que permita realizar compras em um supermercado. Para alcançar este objetivo alguns conceitos são estudados e/ou implementados como: a leitura e interpretação de código de barras, a conexão do software com o banco de dados do supermercado para a verificação de disponibilidade dos produtos desejados e a utilização dos conceitos de mineração de dados, para traçar o perfil do usuário de acordo com as compras realizadas.

17 JUSTIFICATIVA Atualmente, as maneiras mais comuns de se realizar uma compra são: à distância, através de um site ou por telefone, fisicamente, se deslocando ao mercado. Porém, analisando as alternativas, a segunda mostra-se desgastante ao usuário, uma vez que ele precisa adicionar os produtos ao carrinho, retirá-los para passar ao caixa, recolocá-los no carrinho e por fim coloca-los em seu carro, enquanto a primeira alternativa, por mais cômoda que seja, não permite que o cliente toque ou veja em tamanho real o produto desejado, não podendo avaliar informações que possuam na embalagem do mesmo. Segundo a Associação Brasileira de Automação Comercial (2011), existem empresas que estudam uma 3ª alternativa de compra, onde no carrinho de compras que o cliente está utilizando possui um PDA (Personal Digital Assistant - computador de bordo) que possuiria um mapa do mercado capaz de localizar todos os produtos do mercado e, além disso, no próprio carrinho o cliente pode scannear o código de barras e já empacotar os produtos. O Grupo Pão-de-Açúcar, juntamente com outras treze grandes redes de supermercado e empresas de tecnologia, trabalha em uma loja conceito no Shopping Iguatemi localizado na cidade de São Paulo. A possibilidade de integração de diferentes tecnologias, todas em uso e crescendo no mercado, proporciona a criação de um sistema que simplifique a rotina de compras realizadas, economizando tempo, uma vez que não será necessário colocar compras no carrinho, pegar filas, empacotar, etc, que possibilite oferecer aos clientes a funcionalidade de comparação de preço de produtos de mesma subcategoria e ainda promoções ou sugestões de produtos de acordo com as compras já realizadas, durante a realização de uma nova compra. 1.3 ABRANGÊNCIA Para a elaboração deste trabalho foi realizado um estudo sobre processamento de imagens, uma vez que é realizada a leitura de código de barras via celular, de forma a possibilitar o tratamento de imagens de códigos de barras. Também foi realizado um estudo sobre mineração de dados, em que é

18 18 traçado o perfil do cliente baseado em suas preferências, de acordo com suas compras. O banco de dados foi criado baseado no diagrama entidade-relacionamento. Através de uma rede é possível conectar-se com o banco do supermercado com o intuito de manipular e consultar dados desse banco. O trabalho não abrange cobrança de valores, apenas disponibiliza as formas de pagamento de acordo com os critérios do supermercado e abrange somente o desenvolvimento para celulares com tecnologia smartphone que possuam o Android versão 2.2 como Sistema Operacional. 1.4 ESTRUTURA DO TRABALHO Os capítulos 2, 3 e 4 consistem na revisão bibliográfica, onde o capítulo 2 aborda o conceito de processamento de imagens, além de sua utilização, o capítulo 3 aborda o conceito de mineração de dados e técnicas para executá-la e o 4 nos conceitos de código de barras. A partir do capítulo 5 o sistema SmartCompras começa a ser moldado. No capítulo 5 é realizada a modelagem do SmartCompras, e o 6 mostra como foi o sistema foi implementado. O capítulo 7 explica o ambiente utilizado para os testes, apresenta os resultados obtidos e por fim, o capítulo 8 finaliza o projeto com as conclusões da monografia e propõe sugestões de temas para trabalhos futuros.

19 19 2 PROCESSAMENTO DE IMAGEM O processamento de imagem é um conjunto de operações realizadas em uma imagem, que tem como objetivo melhorar a sua qualidade para que a interpretação dos dados e o reconhecimento dos objetos contidos nela sejam feitos de forma mais precisa (GONZALEZ; WOODS, 2008). Neste capítulo são abordados os principais conceitos e as diversas técnicas de processamento de imagem, com o intuito de alcançar o melhor resultado para o seu processamento. 2.1 DEFINIÇÃO A definição de imagem segundo o dicionário Michaellis é Coleção de bits representando os pixels que caracterizam uma imagem na tela ou em uma impressora. Gonzalez e Woods (2008) definem a imagem de maneira semelhante. A imagem é uma função bidimensional, em que a amplitude de uma determinada coordenada mostra a intensidade ou o nível de cinza naquele ponto da imagem, e é definida como uma imagem digital quando a mesma possuir um número finito de pixels. O processamento de imagem utiliza diversas técnicas para melhorar as informações visuais, o que tem ajudado na resolução de problemas, que mesmo sem relacionamento entre eles (problemas distintos), necessitam de melhorias visuais nas informações para análise e interpretação humana. No mundo tecnológico, a extração das informações contidas na imagem segue um procedimento base, em que são feitas operações com intuito de analisar objetos contidos na imagem, gerando assim, modelos matemáticos. Para realizar o processamento de uma imagem, é necessário convertê-la para uma imagem digital (representada por funções bidimensionais ou mais dimensões, em caso de coloridas e multiespectrais). Após essa conversão existem outras etapas para o processamento de imagem digital (figura 1), porém nem todos os algoritmos passam por todas as etapas. Desta forma, o processamento da imagem é dividido em 4 grupos, conforme ilustra a figura 2. Na figura 1 são exibidas etapas para o processamento da imagem, etapas essas que consistem nas captura da imagem (image acquisition), no aprimoramento

20 20 (image enhancement), na restauração (image restoration), no processamento da cor (color image processing), no processamento de ondas e multi-resolução (wavelets and multiresolution processing), na compressão (compression), no processamento morfológico (morphological processing), na segmentação (segmentation), na representação e descrição (representation & description) e por fim no reconhecimento do objeto (object recongnition). As informações utilizadas em cada uma dessas etapas são encontradas ou trocadas na base de conhecimento (knowledge base). Figura 1 - Etapas completas de processamento de imagem. Fonte: GONZALEZ e WOODS (2008) Para todos os passos de processamento de imagem é necessário a implementação de softwares, havendo necessidade de utilizar hardwares somente para captura e exibição das imagens, devido à velocidade de atuação. Os próximos tópicos detalham as etapas básicas para o processamento das imagens, sendo elas: - Captura da imagem e processamento da cor; - Melhoria e restauração da imagem; - Segmentação e representação; - Reconhecimento de objetos padrões.

21 21 Figura 2 Etapas básicas de processamento de imagem. Fonte: O AUTOR (2011) 2.1 CAPTURA DE IMAGEM E PROCESSAMENTO DA COR Existem várias maneiras diferentes para capturar uma imagem, como por exemplo, câmeras de vídeos, scanners ou sensores dedicados (infravermelho, raiox, etc) (MUENZ, 2008). Assumindo que a entrada seja feita através de uma câmera (que atualmente já possui um nível de sensibilidade muito alta), é necessário fazer uma conversão de sinal analógico para digital, em que a imagem digital é discretizada espacialmente (em coordenadas x e y) e em luminância (que são os níveis de cinza). As intensidades são indexadas em uma tabela de conversão chamada Look-Up Table (ROSA, 2008). Durante a conversão (para digital) é importante saber que essa digitalização precisa ser feita nos dois componentes da imagem: espacial e amplitude. Um processo conhecido como Amostragem (GONZALEZ; WOODS, 2008) define o componente espacial, nesse processo a imagem é representada em sua forma mais simples (função contínua e infinita), que se transforma em uma matriz finita de pixels (ou elementos picturais) com tamanhos iguais. Já o processo de amplitude (denominado quantização), a partir de uma função contínua de amplitude, define o nível discreto de cinza permitido para cada pixel, fazendo atribuições funcionais de valores de níveis de cinza para cada par de coordenadas distintas da função, transformando essa imagem em uma função bidimensional (2-D). A qualidade da imagem original com aproximação pela matriz depende da quantidade de amostras e níveis de cinza que foram utilizados no processo, quanto maiores esses números, melhor a qualidade. Caso haja necessidade de manter pequenos os números de níveis de cinza, pode-se utilizar a técnica de espaçamento

22 22 irregular (BERTHOUD, 2004), distribuindo esses níveis em espaços que variam de estreitos a muito grandes. Há ainda a possibilidade de existir grandes níveis de cinza em uma escala, e pequenos em outras. Nesse caso, o procedimento ideal é espaçar de maneira suave onde há maiores níveis e, sem suavidade nos menores. No modelo de cor RGB (Red, Green e Blue), um dos mais simples e freqüentemente utilizado, todas as cores são representadas a partir da mistura das três cores primárias, porém, nem todas as cores possíveis pelo sistema RGB são identificadas pelos olhos humanos, sendo que geralmente essas cores são utilizadas apenas em computadores. A conversão em escala de cinza nesse modelo parte do princípio de que todos os bytes de cada pixel precisam ter o mesmo valor. Portanto, para realizar essa conversão é necessário percorrer toda a imagem pixel a pixel, alterando seus respectivos valores para que todos fiquem com seus valores iguais. Uma opção para realizar essa conversão, é obter o valor RGB atual, calcular sua média aritmética e repassar o valor obtido ao R, ao G e ao B do pixel atual, realizando esse processo nos demais pixels. A figura 3 mostra uma imagem em RGB e em escala de cinza. Figura 3 Cores RGB e escala de cinza a partir das cores RGB. Fonte: O AUTOR (2011) 2.2 MELHORIA E RESTAURAÇÃO DA IMAGEM Após a captura/conversão da imagem são necessárias algumas correções para que, posteriormente, o algoritmo possa interpretá-la de forma mais eficaz. Estas correções podem ser feitas através de filtros e são denominadas melhoria da imagem. Porém, esta melhoria é muito subjetiva, cabendo ao observador dizer se o resultado está satisfatório, tendo então a restauração da imagem. Este passo é fundamentado principalmente em funções e métodos matemáticos (estatística). Para este passo, existem várias técnicas (GONZALEZ; WOODS, 2008), como

23 23 por exemplo: A filtragem inversa em que uma estimativa da imagem restaurada é encontrada pela divisão da imagem degradada e da estimativa da função de degradação; A filtragem de Wiener minimiza a diferença entre a imagem inicial e a restaurada, considerando também os ruídos, ou seja, é como a filtragem inversa que também trata ruídos; A transformação geométrica em que os pixels são alterados espacialmente para distorcer as imagens e etc. 2.3 SEGMENTAÇÃO E REPRESENTAÇÃO A segmentação é a primeira fase do processamento, se considerar a informação que é necessária extrair da imagem, e por mais fácil que pareça para um ser humano, é talvez a fase mais complexa para o computador. Nesta fase são identificados os objetos (dividindo a imagem de acordo com o agrupamento de pixels), possibilitando definir regiões de interesse para análise, e para isso é importante saber o tipo de imagem que será segmentada e ter em mente o nível de detalhe, pois sem essas informações o processo se torna mais complexo, uma vez que não existe uma técnica específica para isso e sim técnicas que dependem de uma série de fatores (ALBURQUERQUE, 2000). Há os seguintes exemplos de implementação: Detecção de descontinuidade: tenta identificar as bordas da imagem, normalmente aplica a técnica gradiente, na qual intensifica as tonalidades tentando aproximar-se ao máximo de uma imagem binária; Técnicas de limiar: parte do pressuposto que pixels com as mesmas características pertencem à mesma região; Métodos baseados em regiões: partindo de um pixel (chamado semente), ele é comparado com seus vizinhos, agrupando-os por região. Analisando o código de barras da figura 4, pode-se concluir que ele pode ser segmentado em duas regiões: o fundo da imagem (parte branca) e o das listras (parte preta).

24 24 Figura 4 - Exemplo de código de barras. Fonte: ERDEI (1994) Após o resultado da segmentação é realizado a parametrização, em que se identifica e cria os parâmetros e depois faz a representação, ou seja, o resultado da segmentação é agrupado, podendo gerar uma nova representação (dependendo da necessidade). 2.4 RECONHECIMENTO DO OBJETO E DE PADRÕES Os últimos passos para o processamento da imagem são: fazer o reconhecimento do objeto e do padrão, ou seja, interpretar a informação contida na imagem de acordo com uma base de dados anteriormente definida, lhe fornecer uma identificação e extrair um padrão entre elas. Depois de a imagem estar segmentada e devidamente pré-classificada entre o que é fundo e o que é objeto, deve-se aplicar um algoritmo que seja capaz de reconhecer todas as características do objeto (área, perímetro, posição na imagem, número de furos e etc.). Existem diversos métodos para reconhecimento de padrão, como por exemplo, utilização de redes neurais, abordagem sintática, abordagem estatística, cabendo na hora de aplicá-la, saber escolher a mais eficaz (CONCI, MONTEIRO, 2004). 2.5 CÓDIGO DE BARRAS O código de barras é um símbolo composto de barras paralelas de larguras e espaçamentos variados (GROSSMANN, ZYNGIER, 1991) que armazenam informações (ERDEI, 1994). O código de barras surgiu devido à necessidade de identificação dos produtos de maneira automatizada, ou seja, a quantidade de produtos crescia

25 25 exponencialmente e os mercados/indústrias precisavam de um número único de identificação para cada um deles. Inicialmente existiam duas possibilidades, o código magnético e o código de barras. Embora o código magnético fosse praticamente imune a cópias, era muito caro de se implementar devido a materiais especiais e necessitava um contato físico entre a máquina e o produto, diferentemente do código de barras (mais utilizado) que é mais simples, com menor custo em sua fabricação e fácil de realizar sua leitura (GROSSMANN, ZYNGIER, 1991). O primeiro país a utilizar o código de barras foi os Estados Unidos da America e utilizava o padrão UPC (Universal Code Products - mais detalhes na seção 2.5.2). Segundo o site Linha Base (2010), existem dois tipos de código de barras, os numéricos e os alfanuméricos, sendo que as características de um código de barras podem aparecer em diversos padrões Conceitos Para analisar um código de barras, alguns conceitos são fundamentais. Suas definições são: a. Barras: é responsável por absorver a luz do scanner. Geralmente possui a cor preta e seu tamanho varia de um a vários módulos; b. Caractere Inicial: é o caractere que indica o inicio do código; c. Caractere Final: é o caractere que indica o fim do código; d. Dígito: cada um dos caracteres representados por barras e espaços, podendo ser, numéricos ou alfanuméricos; e. Espaço: é responsável por refletir a luz do scanner, geralmente possui a cor da embalagem e seu tamanho varia de um a vários módulos; f. Fator de Magnitude (FM): é responsável por aumentar (em até 200%) ou diminuir (em até 80%) o código de barras, a partir da dimensão inicial do código; g. Módulos: é o elemento mais estreito do código de barras, independentemente de ser um espaço ou uma barra, onde todos os outros caracteres têm tamanho múltiplo ao modulo, como por exemplo, a zona muda e outros elementos do código de barra; h. Separadores: caractere auxiliar que permite a identificação das extremidades do código, bem como do sentido da leitura, permite também separar as zonas do código de barras e são formados por barras e espaços;

26 26 i. Sinais de enquadramento: são as marcas que delimitam a área do código de barra; j. Zonas Mudas: são espaços antes do caractere inicial e após o caractere final, com tamanho de, no mínimo, 10 módulos (caso seja menor, o scanner não o consegue ler) que possibilitam a leitura do código juntamente com o padrão escolhido Padrões Existem diversos padrões de código de barras, mas são abordados abaixo somente os principais existentes, com maior ênfase no EAN 13 (European Article Number). Os padrões são: a) UPC (Universal Product Code) Criado pelos Estados Unidos e possui duas versões (ERDEI, 1994), sendo que a UPC-A possui doze (12) caracteres numéricos que são representados por 2 espaços e 2 barras. A figura 5 ilustra um exemplo de código de barras no padrão UPC-A. Figura 5 Exemplo de código de barras UPC-A. Fonte: ERDEI (1994) Analisando a figura 5, os números do código de barra UPC-A são subdivididos em 4 grandes grupos, sendo eles: A Categoria do produto; B Identificação do fabricante do produto; C Identificação do produto; D Digito de verificação. E a versão UPC E (figura 6) é um código reduzido que consiste em retirar, seguindo 1 dos 4 modelos, os números 0 (zero) considerando 2 (dois) atributos número do fabricante e número do produto. 1º modelo: Caso, no código UPC-A, o número do fabricante termine em 000, 100 ou 200, o UPC-E terá os 2 primeiros números do fabricantes, os 3 últimos

27 27 números do produto, seguido pelo terceiro número do fabricante. 2º modelo: Caso, no código UPC-A, o número do fabricante termine em 00, precedido de um número entre 3 e 9, o UPC-E terá os 3 primeiros números do fabricantes, os 2 últimos números do produto, seguido do número 3. 3º modelo: Caso, no código UPC-A, o número do fabricante termine em 0 e não atende nenhum dos requisitos dos 2 modelos apresentados anteriormente, o UPC-E terá os 4 primeiros números do fabricantes, o último número do produto, seguido do número 4. 4º modelo: Caso, no código UPC-A, o número do fabricante não termine em 0, o UPC-E terá todos os números do fabricantes e o último número do produto, seguido do número 4. Figura 6 Exemplo de código de barras UPC E. Fonte: ERDEI (1994) b) EAN (European Article Numbering Association) - Criado para utilização no mercado europeu é também muito utilizado no Brasil (GROSSMANN, ZYNGIER, 1991). Assim como o UPC, possui duas versões, sendo elas a EAN 13 utilizada no mundo inteiro (exceto pelos Estados Unidos e Canadá), possui 13 dígitos e 30 barras e 29 espaços que codificam a informação (ERDEI, 1994), conforme ilustrado pela figura 7. Figura 7 Exemplo de código de barras EAN 13. Fonte: ERDEI (1994)

28 28 Analisando a figura 7, os números do código de barra EAN 13 são subdivididos em 4 grandes grupos (GROSSMANN, ZYNGIER, 1991), sendo eles: -Número do país: os três primeiros dígitos (BRASIL = 789); -Identificação do fabricante do produto: este número pode variar de 4 a 5 dígitos, dependendo da quantidade de produtos que a empresa possui; -Identificação do produto: assim como a quantidade de dígitos do fabricante, a identificação do produto também varia de 4 a 5 dígitos; -Dígito de verificação: o último dígito que consiste em conferir se o leitor efetuou uma leitura corretamente. A seguir está o passo a passo de como criar o dígito verificador ou conferir se a leitura foi feita corretamente (GROSSMANN, ZYNGIER, 1991): Passo 1 - Enumerar de 1 a 13 os dígitos do código de barras (iniciando do código verificador terminando no primeiro dígito do país). Passo 2 Somar todos os valores dos dígitos ímpares a partir do terceiro dígito. Passo 3 Somar todos os valores dos dígitos pares e multiplicar por 3. Passo 4 Somar o resultado do passo 2 e do passo 3. Passo 5 - O dígito verificador será o menor número encontrado que, somado ao resultado do passo 4, se iguala a um número múltiplo de 10. E a versão EAN 8: Possui 8 dígitos e é utilizado somente em embalagens pequenas, ele é a forma reduzida do código EAN 13, conforme representado pela figura 8. Figura 8 Exemplo de código de barras EAN 8. Fonte: ERDEI (1994) c) Codificação internacional de livros e revistas Ainda existem outros 2 tipos de códigos de barras que são os de Livros (ISBN International Standard Book Number) e o de revistas (ISSN International Standard Serial Number ), que devido a um acordo da ISBN e da ISSN eles utilizam o código EAN, porém a estrutura do código é diferente. No ISBN, o código de barras, ilustrado na figura 9, é constituído por (ERDEI,

29 ): - Identificação ISBN (978 ou 979); - Número ISBN do livro; - Caractere de verificação. Figura 9 Exemplo de código de barras do tipo ISBN. Fonte: GROSSMANN, ZYNGIER (1991) Já no ISSN o código de barras, ilustrado na figura 10, é constituído por: - Identificação ISSN (977); - Número ISSN da publicação; - Dígito extra; - Caractere de verificação. Figura 10 Exemplo de código de barras do tipo ISSN. Fonte: REVISTA INFO (2010) Leitura de Código de Barras Técnicas complexas para decodificar códigos de barras só eram utilizadas em computadores. Contudo, graças ao avanço tecnológico, atualmente é possível realizar essa decodificação em aparelhos móveis, desde que possuam qualidade no processamento câmera (é necessário uma imagem de boa qualidade) e grande espaço em memória, igualando-se a um computador. A captura de código de barras pode ser feita por um feixe de laser, ou por algoritmos de reconhecimento de imagens que são capturados através da câmera de um celular, desde que haja garantia de que não haverá interferência (problemas como sombras, falta de foco, imagens com excesso ou falta de iluminação, etc) na imagem. Independentemente da maneira que se captura a imagem do código de

30 30 barras, o seu processamento é similar, portanto, somente está explicado o processamento da imagem no item Captura pela câmera do celular. a) Captura pela câmera do celular O ideal para capturar um código de barras através de uma câmera de celular é utilizar códigos de barras impressos em uma área ampla e com pequena densidade de informações impressa. Em códigos com alta densidade de informação, cada uma das informações é armazenada em pequenos detalhes da imagem, tornando a captura mais complexa. O ideal que se tenha uma câmera de alta resolução e códigos de barras visivelmente grandes com pouca densidade de informação. Devido à grande probabilidade de ruídos nas imagens capturadas por uma câmera de um celular, é necessário aplicar técnicas de processamento digitais antes de se obter o código de barras. Dessa forma, a imagem é convertida em escala de cinza, seguindo o conceito de conversão de imagens em RGB. Além disso, é provável que o código de barras não esteja devidamente alinhado, por isso é necessário também detectar as bordas (caracterizadas por tons de cinza). O código resulta em grandes quantidades de pixels de bordas, indicando as direções perpendiculares à direção que deve ser percorrida para a leitura do código de barras. Assim, tornam-se simples identificar a direção da imagem. Uma vez que se obtiveram as direções da imagem é possível construir um histograma (maneira comum de se representar níveis de cinza) de direções, com o intuito de localizar a borda comum da imagem que corresponde as direções das barras do código. Para identificar as larguras das barras, é utilizada a direção obtida no histograma e uma constante, fazendo com que a imagem seja percorrida em linha reta, o que, finalmente, possibilita a leitura do código de barras e depois é feita a conta do código verificador para verificar se o código lido é o correto. b) Captura pelo scanner Existem inúmeros tipos de scanners diferentes e cada um possui um mecanismo próprio para fazer a captura do código de barras. Scanner é um instrumento capaz de emitir e receber um feixe de luz

31 31 vermelho. Ao iluminar (ou percorrer) toda a largura do código de barras e receber o feixe refletido, o decodificador é responsável por converter para um sinal elétrico digital, processá-lo, verificando se realmente o código de barras foi lido corretamente, e por fim transmiti-lo a um computador central. Dependendo do modelo do scanner, o decodificador pode ficar dentro do scanner ou em um circuito externo ao scanner (ERDEI, 1994). 2.6 APLICAÇÕES Existem inúmeras aplicações para o processamento de imagem digital. As principais áreas são: a. Reconhecimento de placa veicular; b. Reconhecimento de caracteres; c. Análise de cromossomos; d. Mapeamento de terrenos e superfícies; e. Detecção de faces e objetos; f. Sistemas de segurança; g. Monitoramento da poluição; h. Planejamento Urbano; i. Análise de clima e temperatura; j. Determinação do tipo k. Tomografia computadorizada; l. Ultrassonografia. O reconhecimento de placa tem um objetivo muito similar ao reconhecimento de código de barras, por isto, na seção existe uma explicação mais detalhada de como a placa veicular é processada. Já o reconhecimento facial, abordado na seção 2.6.2, possui diversas técnicas e a escolha de qual aplicar depende do objetivo de implementação Reconhecimento de placa veicular. Inicialmente é feita a captura da placa veicular, sendo a segunda etapa o préprocessamento, onde é identificado a região da placa, e por fim a imagem resultante do pré-processamento é classificada, podendo então identificar os caracteres

32 32 presentes na placa veicular. Para isso, os seguintes conceitos são utilizados (CONCI, MONTEIRO, 2004): - Binarização (Limiarização): Consiste na transformação da placa veicular de tons de cinza para pixels preto e branco (figura 11). Para alguns autores, este processo consiste em retirar o plano de fundo da imagem. Figura 11 Antes e depois do processo de binarização de uma placa veicular. Fonte: CONCI, MONTEIRO (2004) - Erosão: Consiste em reduzir de tamanho uma imagem, contanto que não perca as características geométricas importantes (figura 12), com o intuito de facilitar o reconhecimento de um caractere que esteja grudado ou muito próximo a outro. (Problema comumente encontrado no reconhecimento de caracteres de uma placa veicular). Figura 12 - Antes e depois do processo de erosão de uma placa veicular. Fonte: CONCI, MONTEIRO (2004) - Segmentação dos caracteres: última fase do pré-processamento é a segmentação de caractere, ou seja, separar as letras e os números (figura 13). Figura 13 - Antes e depois do processo de erosão de uma placa veicular. Fonte: CONCI, MONTEIRO (2004)

33 33 3 MINERAÇÃO DE DADOS O grande avanço tecnológico tem gerado grande volume de dados, e conseqüentemente criado a necessidade de novas técnicas e ferramentas capazes de transformar grande número de dados em informações significativas e em conhecimento. Informações que possuem importância considerável para planejamento, gestão e tomada de decisões, não podem ser descobertas ou identificadas apenas com recursos de gerenciamento do banco de dados comum. Devido à necessidade de extração dessas informações surgiu à mineração de dados, também conhecido como Data Mining (NAVEGA, 2002). Na década de 80, empresas perceberam que não aproveitavam todas as informações que tinham de seus clientes. Com isso, decidiram extrair essas informações, com o intuito de definir perfis e padrões de clientes, tornando a empresa mais competitiva. Inicialmente os dados só eram extraídos, os conceitos de mineração de dados que existem atualmente foram desenvolvidos e amadurecidos ao longo dos anos (AMO, 2004). Tal amadurecimento torna fundamental o processo de mineração de dados em empresas que sabem aplicá-lo e que apliquem o conceito de CRM (Customer Relationship Management), pois conseguem um auxilio fundamental para tomada de decisões, aumentando a probabilidade de se obter sucesso (BRAGA, 2005). Mineração de dados é o nome dado ao processo de análise de objetos que visa encontrar padrões escondidos nos dados compreensíveis para pessoas e extrair informações sem conhecimento prévio de um banco de dados (AMORIM, 2006). O processo de mineração de dados é uma etapa do processo KDD (Knowledge Discovery in Databases em português, Descoberta de Conhecimento em Base de dados), que, segundo Addrians e Zantinge (1996), permite a extração não trivial de conhecimento previamente desconhecido e potencialmente útil de um banco de dados. 3.1 FASES DA MINERAÇÃO DE DADOS Como dito anteriormente, a mineração de dados vai além de uma simples extração de dados. Atualmente dados tratados adequadamente são de grande

34 34 importância em propagandas específicas para um determinado público alvo. Uma vez traçado o perfil de clientes, torna-se mais fácil identificar em quais campanhas (de propaganda) melhor se encaixa o que aumenta a possibilidade de venda dos produtos desejados, uma vez que já se sabe a quem deve ser oferecido (NAVEGA, 2002). A especificação do que se deseja encontrar nos dados, como por exemplo, tipo de regularidade, categoria de padrões, ou até mesmo padrões que podem surpreender, é conhecida como tarefas. Já a especificação de métodos que garantem como descobrir padrões é conhecida como técnica de mineração de dados (NAVEGA, 2002). Existem diversas técnicas de mineração de dados, por isso, deve-se escolher a melhor para o problema a ser resolvido. Particularmente, cada problema possui uma determinada técnica, portanto, o sucesso de cada tarefa depende da intuição e experiência do analista que implementará a mineração de dados. A interpretação dos padrões descobertos, e a possibilidade de retorno aos outros processos é determinada na etapa final da mineração de dados, no pósprocessamento. A partir do objetivo proposto, analisam-se as informações obtidas na extração, identificando e apresentando as melhores (SFERRA, CORRÊA, 2001). Para a garantia da obtenção dos conhecimentos relevantes, é importante estabelecer metas bem definidas. A maioria desses métodos são baseados em técnicas de aprendizado de máquina, reconhecimento de padrões e estatísticas. Em 1996 três empresas especializadas no, até então imaturo, mercado de mineração de dados, criaram um modelo de processos genérico (figura 14), tendo como objetivo padronizar as etapas (ciclo de vida) do processo de mineração, nomeando o projeto como CRISP-DM (Cross Industry Standard Process for Data Mining) (SFERRA, CORRÊA, 2001). O ciclo de vida é compreendido pelas seguintes etapas: Entendimento do Negócio (Business Understanding): Fase inicial que tem como foco, juntamente com o negócio, levantar quais são os objetivos, bem como requisitos do projeto. Uma vez entendido os objetivos, é definido o problema e projetado um plano inicial. Seleção dos Dados (Data Understanding): A partir da coleção de dados, inicia a primeira captura de dados, buscando com que o time de projeto tenha um

35 35 primeiro contato com o banco de dados, a fim de identificar possíveis problemas de qualidade e detectar subconjuntos que se julgam interessantes para criar hipóteses. Figura 14 Ciclo de vida do processo de mineração de dados. Fonte: SFERRA,CORRÊA (2001) Limpeza (ou Preparação) dos Dados (Data Preparation): Fase de preparação dos dados, onde se tratam ruídos, dados estranhos ou inconsistentes, através de limpeza, transformação, integração e/ou formatação dos dados da etapa anterior. Ocasionalmente são desempenhadas diversas vezes e de maneira aleatória. É responsável também por preparar os dados para a ferramenta de modelagem. Modelagem dos Dados (Modeling): Fase que aplica técnicas de modelagem sobre conjunto de dados anteriormente preparado, tendo seus parâmetros calibrados, para obter valores otimizados. Pode-se aplicar diversas técnicas de modelagem para o mesmo problema, sendo que algumas técnicas possuem requerimentos específicos na forma de dados, podendo então voltar para a etapa anterior. Avaliação dos Dados (Evaluation): Nesta fase é avaliado o modelo gerado na fase de modelagem. Esta etapa visa garantir a qualidade do modelo e verificar se as expectativas da organização serão alcançadas e se alguma questão importante do negócio ainda não foi englobada. A decisão sobre a utilização dos resultados da mineração é obtida no fim desta fase e seus resultados podem ser mostrados de várias formas, desde que, possibilitem uma análise criteriosa, e a verificação da

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Visão Computacional Não existe um consenso entre os autores sobre o correto escopo do processamento de imagens, a

Leia mais

2.1.2 Definição Matemática de Imagem

2.1.2 Definição Matemática de Imagem Capítulo 2 Fundamentação Teórica Este capítulo descreve os fundamentos e as etapas do processamento digital de imagens. 2.1 Fundamentos para Processamento Digital de Imagens Esta seção apresenta as propriedades

Leia mais

Processamento Digital de Imagens

Processamento Digital de Imagens Processamento Digital de Imagens Israel Andrade Esquef a Márcio Portes de Albuquerque b Marcelo Portes de Albuquerque b a Universidade Estadual do Norte Fluminense - UENF b Centro Brasileiro de Pesquisas

Leia mais

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS André Zuconelli 1 ; Manassés Ribeiro 2 1. Aluno do Curso Técnico em Informática, turma 2010, Instituto Federal Catarinense, Câmpus Videira, andre_zuconelli@hotmail.com

Leia mais

Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Pós-Graduação Lato Sensu Especialização em Análise de Dados e Data Mining Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00

Leia mais

PLATAFORMA URBANMOB Aplicativo para captura de trajetórias urbanas de objetos móveis

PLATAFORMA URBANMOB Aplicativo para captura de trajetórias urbanas de objetos móveis PLATAFORMA URBANMOB Aplicativo para captura de trajetórias urbanas de objetos móveis Gabriel Galvão da Gama 1 ; Reginaldo Rubens da Silva 2 ; Angelo Augusto Frozza 3 RESUMO Este artigo descreve um projeto

Leia mais

IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL

IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES ENTRE PRODUTOS DE UMA BASE DE DADOS REAL Universidade Federal de Ouro Preto - UFOP Instituto de Ciências Exatas e Biológicas - ICEB Departamento de Computação - DECOM IMPLEMENTAÇÃO DE UM ALGORITMO DE PADRÕES DE SEQUÊNCIA PARA DESCOBERTA DE ASSOCIAÇÕES

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Introdução ao Processamento de Imagens

Introdução ao Processamento de Imagens Introdução ao PID Processamento de Imagens Digitais Introdução ao Processamento de Imagens Glaucius Décio Duarte Instituto Federal Sul-rio-grandense Engenharia Elétrica 2013 1 de 7 1. Introdução ao Processamento

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na

Leia mais

Informática Aplicada a Radiologia

Informática Aplicada a Radiologia Informática Aplicada a Radiologia Apostila: Imagem Digital parte I Prof. Rubens Freire Rosa Imagem na forma digital A representação de Imagens na forma digital nos permite capturar, armazenar e processar

Leia mais

Prof. Msc. Paulo Muniz de Ávila

Prof. Msc. Paulo Muniz de Ávila Prof. Msc. Paulo Muniz de Ávila O que é Data Mining? Mineração de dados (descoberta de conhecimento em bases de dados): Extração de informação interessante (não-trivial, implícita, previamente desconhecida

Leia mais

Processamento de Imagem. Prof. Herondino

Processamento de Imagem. Prof. Herondino Processamento de Imagem Prof. Herondino Sensoriamento Remoto Para o Canada Centre for Remote Sensing - CCRS (2010), o sensoriamento remoto é a ciência (e em certa medida, a arte) de aquisição de informações

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

Aula 2 Aquisição de Imagens

Aula 2 Aquisição de Imagens Processamento Digital de Imagens Aula 2 Aquisição de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br EESC/USP Fundamentos de Imagens Digitais Ocorre a formação de uma imagem quando

Leia mais

CBPF Centro Brasileiro de Pesquisas Físicas. Nota Técnica

CBPF Centro Brasileiro de Pesquisas Físicas. Nota Técnica CBPF Centro Brasileiro de Pesquisas Físicas Nota Técnica Aplicação de Física Médica em imagens de Tomografia de Crânio e Tórax Autores: Dário Oliveira - dario@cbpf.br Marcelo Albuquerque - marcelo@cbpf.br

Leia mais

Um sistema de visão computacional para detecção automática de caracteres em uma linha de montagem automotiva

Um sistema de visão computacional para detecção automática de caracteres em uma linha de montagem automotiva 225 Um sistema de visão computacional para detecção automática de caracteres em uma linha de montagem automotiva Marcus V. C. Guelpeli1, Bruno S. P. de Oliveira2, Wellington C. A. Landim2 1 Curso de Sistema

Leia mais

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA

APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA APLICAÇÃO DE MINERAÇÃO DE DADOS PARA O LEVANTAMENTO DE PERFIS: ESTUDO DE CASO EM UMA INSTITUIÇÃO DE ENSINO SUPERIOR PRIVADA Lizianne Priscila Marques SOUTO 1 1 Faculdade de Ciências Sociais e Aplicadas

Leia mais

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é? KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule

Leia mais

ADM041 / EPR806 Sistemas de Informação

ADM041 / EPR806 Sistemas de Informação ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes

Leia mais

Expanda suas Capacidades Analíticas

Expanda suas Capacidades Analíticas Módulos IBM SPSS Statistics Expanda suas Capacidades Analíticas Um guia resumido dos módulos para o IBM SPSS Statistics Base Destaques Existem vários produtos IBM SPSS para te ajudar em cada fase do projeto

Leia mais

Tratamento da Imagem Transformações (cont.)

Tratamento da Imagem Transformações (cont.) Universidade Federal do Rio de Janeiro - IM/DCC & NCE Tratamento da Imagem Transformações (cont.) Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Tratamento de Imagens - Sumário Detalhado Objetivos Alguns

Leia mais

http://www.publicare.com.br/site/5,1,26,5480.asp

http://www.publicare.com.br/site/5,1,26,5480.asp Página 1 de 7 Terça-feira, 26 de Agosto de 2008 ok Home Direto da redação Última edição Edições anteriores Vitrine Cross-Docking Assine a Tecnologística Anuncie Cadastre-se Agenda Cursos de logística Dicionário

Leia mais

- Representação da Informação pelo computador - Sistemas de Numeração - Código Binário - Digitalização

- Representação da Informação pelo computador - Sistemas de Numeração - Código Binário - Digitalização Disciplina Bases Computacionais Aula 03 Informação, Dados, Variáveis, Algoritmos Roteiro da Aula: - Representação da Informação pelo computador - Sistemas de Numeração - Código Binário - Digitalização

Leia mais

Codificação/Compressão de Vídeo. Tópico: Vídeo (Codificação + Compressão)

Codificação/Compressão de Vídeo. Tópico: Vídeo (Codificação + Compressão) Tópico: Vídeo (Codificação + Compressão) Um vídeo pode ser considerado como uma seqüência de imagens estáticas (quadros). Cada um desses quadros pode ser codificado usando as mesmas técnicas empregadas

Leia mais

KDD UMA VISAL GERAL DO PROCESSO

KDD UMA VISAL GERAL DO PROCESSO KDD UMA VISAL GERAL DO PROCESSO por Fernando Sarturi Prass 1 1.Introdução O aumento das transações comerciais por meio eletrônico, em especial as feitas via Internet, possibilitou as empresas armazenar

Leia mais

Guia de Codificação para Livros

Guia de Codificação para Livros Guia de Codificação para Livros 1. Introdução A GS1 e as Agências Internacionais do ISBN e ISSN elaboraram diretrizes para ajudar os editores na compreensão das funcionalidades do Sistema GS1 para o setor

Leia mais

Oficina de Multimédia B. ESEQ 12º i 2009/2010

Oficina de Multimédia B. ESEQ 12º i 2009/2010 Oficina de Multimédia B ESEQ 12º i 2009/2010 Conceitos gerais Multimédia Hipertexto Hipermédia Texto Tipografia Vídeo Áudio Animação Interface Interacção Multimédia: É uma tecnologia digital de comunicação,

Leia mais

RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP

RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP Caio Augusto de Queiroz Souza caioaugusto@msn.com Éric Fleming Bonilha eric@digifort.com.br Gilson Torres Dias gilson@maempec.com.br Luciano

Leia mais

Professor: Disciplina:

Professor: Disciplina: Professor: Curso: Esp. Marcos Morais de Sousa marcosmoraisdesousa@gmail.com Sistemas de informação Disciplina: Introdução a SI Noções de sistemas de informação Turma: 01º semestre Prof. Esp. Marcos Morais

Leia mais

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS Tácio Dias Palhão Mendes Bacharelando em Sistemas de Informação Bolsista de Iniciação Científica da FAPEMIG taciomendes@yahoo.com.br Prof.

Leia mais

Sistema de Controle de Acesso Baseado no Reconhecimento de Faces

Sistema de Controle de Acesso Baseado no Reconhecimento de Faces Sistema de Controle de Acesso Baseado no Reconhecimento de Faces Access Control System Based on Face Recognition Tiago A. Neves, Welton S. De Oliveira e Jean-Jacques De Groote Faculdades COC de Ribeirão

Leia mais

Manual de código de Barras

Manual de código de Barras 1. VISÃO GERAL 1.1 MODITIVAÇÃO: O código de barras é uma forma de representar a numeração, que viabiliza a captura automática dos dados por meio de leitura óptica nas operações automatizadas (EAN Brasil,

Leia mais

Extração de Conhecimento a partir dos Sistemas de Informação

Extração de Conhecimento a partir dos Sistemas de Informação Extração de Conhecimento a partir dos Sistemas de Informação Gisele Faffe Pellegrini & Katia Collazos Grupo de Pesquisa em Eng. Biomédica Universidade Federal de Santa Catarina Jorge Muniz Barreto Prof.

Leia mais

Redes neurais aplicadas na identificação de variedades de soja

Redes neurais aplicadas na identificação de variedades de soja Redes neurais aplicadas na identificação de variedades de soja Fábio R. R. Padilha Universidade Regional do Noroeste do Estado do Rio Grande do Sul - UNIJUÍ Rua São Francisco, 5 - Sede Acadêmica, 987-,

Leia mais

EMENTAS DO CURSO SUPERIOR DE TECNOLOGIA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS

EMENTAS DO CURSO SUPERIOR DE TECNOLOGIA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS EMENTAS DO CURSO SUPERIOR DE TECNOLOGIA EM ANÁLISE E DESENVOLVIMENTO DE SISTEMAS INTRODUÇÃO À COMPUTAÇÃO 60 h 1º Evolução histórica dos computadores. Aspectos de hardware: conceitos básicos de CPU, memórias,

Leia mais

Introdução do Processamento de Imagens. Julio C. S. Jacques Junior juliojj@gmail.com

Introdução do Processamento de Imagens. Julio C. S. Jacques Junior juliojj@gmail.com Introdução do Processamento de Imagens Julio C. S. Jacques Junior juliojj@gmail.com Porque processar uma imagem digitalmente? Melhoria de informação visual para interpretação humana Processamento automático

Leia mais

Localização de placas em imagens de veículos. Resumo

Localização de placas em imagens de veículos. Resumo Localização de placas em imagens de veículos Geovane Hilário Linzmeyer Curso de Inteligência Computacional Pontifícia Universidade Católica do Paraná Curitiba, dezembro de 2005 Resumo Um dos maiores problemas

Leia mais

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining

4. Que tipos de padrões podem ser minerados. 5. Critérios de classificação de sistemas de Data Mining. 6. Tópicos importantes de estudo em Data Mining Curso de Data Mining - Aula 1 1. Como surgiu 2. O que é 3. Em que tipo de dados pode ser aplicado 4. Que tipos de padrões podem ser minerados 5. Critérios de classificação de sistemas de Data Mining 6.

Leia mais

Universidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira

Universidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira Universidade Federal de Alagoas Instituto de Matemática Imagem Prof. Thales Vieira 2014 O que é uma imagem digital? Imagem no universo físico Imagem no universo matemático Representação de uma imagem Codificação

Leia mais

Universidade de Brasília. Departamento de Ciência da Informação e Documentação

Universidade de Brasília. Departamento de Ciência da Informação e Documentação Universidade de Brasília Departamento de Ciência da Informação e Documentação Profa.: Lillian Alvares Aspectos Gerais O uso da tecnologia digital traz grandes perspectivas de trabalho para os arquivos

Leia mais

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO:

FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO: FACULDADE DE CIÊNCIAS SOCIAIS E TECNOLÓGICAS FACITEC CURSO: Bacharelado em Sistemas de Informação DISCIPLINA: Fundamentos de Sistemas de Informação PROFESSOR: Paulo de Tarso Costa de Sousa TURMA: BSI 2B

Leia mais

UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS

UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS Executar as principais técnicas utilizadas em processamento de imagens, como contraste, leitura de pixels, transformação IHS, operações aritméticas

Leia mais

Banco de Dados Multimídia

Banco de Dados Multimídia Banco de Dados Multimídia Nomes: Ariane Bazilio Cristiano de Deus Marcos Henrique Sidinei Souza Professor Mauricio Anderson Perecim Conteúdo Banco de Dados Multimídia... 3 Conceitos... 3 Descrição... 3

Leia mais

Introdução ao SIG. Objetivos Específicos 18/11/2010. Competência: Apresentar: Utilidade de um SIG

Introdução ao SIG. Objetivos Específicos 18/11/2010. Competência: Apresentar: Utilidade de um SIG MINISTÉRIO DO MEIO AMBIENTE - MMA INSTITUTO CHICO MENDES DE CONSERVAÇÃO DA BIODIVERSIDADE - ICMBio DIRETORIA DE PLANEJAMENTO, ADMINISTRAÇÃO E LOGÍSTICA - DIPLAN COORDENAÇÃO GERAL DE GESTÃO DE PESSOAS -

Leia mais

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining

Gestão da Informação. Gestão da Informação. AULA 3 Data Mining Gestão da Informação AULA 3 Data Mining Prof. Edilberto M. Silva Gestão da Informação Agenda Unidade I - DM (Data Mining) Definição Objetivos Exemplos de Uso Técnicas Tarefas Unidade II DM Prático Exemplo

Leia mais

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado

Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Gestão do Conhecimento: Extração de Informações do Banco de Dados de um Supermercado Alessandro Ferreira Brito 1, Rodrigo Augusto R. S. Baluz 1, Jean Carlo Galvão Mourão 1, Francisco das Chagas Rocha 2

Leia mais

Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão

Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão 01 Sistemas de Informação Geográfica (SIG) para Agricultura de Precisão Rodrigo G. Trevisan¹; José P. Molin² ¹ Eng. Agrônomo, Mestrando em Engenharia de Sistemas Agrícolas (ESALQ-USP); ² Prof. Dr. Associado

Leia mais

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de

Leia mais

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário

Leia mais

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para

Leia mais

1 UML (UNIFIED MODELING LANGUAGE)

1 UML (UNIFIED MODELING LANGUAGE) 1 UML (UNIFIED MODELING LANGUAGE) Segundo Tonsig (2003), para conseguir desenvolver um software capaz de satisfazer as necessidades de seus usuários, com qualidade, por intermédio de uma arquitetura sólida

Leia mais

Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais

Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais Comparação entre a Máscara de Nitidez Cúbica e o Laplaciano para Realce de Imagens Digitais Wesley B. Dourado, Renata N. Imada, Programa de Pós-Graduação em Matemática Aplicada e Computacional, FCT, UNESP,

Leia mais

29/08/2011. Radiologia Digital. Princípios Físicos da Imagem Digital 1. Mapeamento não-linear. Unidade de Aprendizagem Radiológica

29/08/2011. Radiologia Digital. Princípios Físicos da Imagem Digital 1. Mapeamento não-linear. Unidade de Aprendizagem Radiológica Mapeamento não-linear Radiologia Digital Unidade de Aprendizagem Radiológica Princípios Físicos da Imagem Digital 1 Professor Paulo Christakis 1 2 Sistema CAD Diagnóstico auxiliado por computador ( computer-aided

Leia mais

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados

Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento a partir de bases de dados Universidade Federal de Pernambuco Graduação em Ciência da Computação Centro de Informática 2006.2 Administração de dados - Conceitos, técnicas, ferramentas e aplicações de Data Mining para gerar conhecimento

Leia mais

Segmentação de Imagens de Placas Automotivas

Segmentação de Imagens de Placas Automotivas Segmentação de Imagens de Placas Automotivas André Zuconelli, Manassés Ribeiro Instituto Federal Catarinense - Campus Videira. Técnico em Informática, turma 2010 Rodovia SC, Km 5 Bairro Campo Experimental

Leia mais

Capítulo II Imagem Digital

Capítulo II Imagem Digital Capítulo II Imagem Digital Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Formação de uma imagem 2. Representação digital de uma imagem 3. Cor 4. Histogramas 5. Ruído

Leia mais

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO

FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO @ribeirord FUNDAMENTOS DE SISTEMAS DE INFORMAÇÃO Rafael D. Ribeiro, M.Sc,PMP. rafaeldiasribeiro@gmail.com http://www.rafaeldiasribeiro.com.br Lembrando... Aula 4 1 Lembrando... Aula 4 Sistemas de apoio

Leia mais

3 Market Basket Analysis - MBA

3 Market Basket Analysis - MBA 2 Mineração de Dados 3 Market Basket Analysis - MBA Market basket analysis (MBA) ou, em português, análise da cesta de compras, é uma técnica de data mining que faz uso de regras de associação para identificar

Leia mais

CURSO DE SISTEMAS DE INFORMAÇÃO

CURSO DE SISTEMAS DE INFORMAÇÃO 1 CURSO DE SISTEMAS DE INFORMAÇÃO EMENTÁRIO DAS DISCIPLINAS 2011.1 BRUSQUE (SC) 2015 2 SUMÁRIO 1ª FASE... 4 01 ARQUITETURA DE COMPUTADORES... 4 02 FILOSOFIA... 4 03 FUNDAMENTOS MATEMÁTICOS PARA COMPUTAÇÃO...

Leia mais

4 Conversor EDTV Raw. 4.1 Arquitetura

4 Conversor EDTV Raw. 4.1 Arquitetura 4 Conversor EDTV Raw O conversor EDTV Raw é o programa que lê um documento escrito no perfil NCL EDTV e gera um documento Raw equivalente, i.e. que define a mesma apresentação. Este capítulo, apresenta

Leia mais

Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento

Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento Data Mining Prof Luiz Antonio do Nascimento Data Mining Ferramenta utilizada para análise de dados para gerar, automaticamente, uma hipótese sobre padrões e anomalias identificadas para poder prever um

Leia mais

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS

Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Tarefas e Técnicas de Mineração de Dados TAREFAS E TÉCNICAS DE MINERAÇÃO DE DADOS Sumário Conceitos / Autores chave... 3 1. Introdução... 3 2. Tarefas desempenhadas por Técnicas de 4 Mineração de Dados...

Leia mais

FACULDADE DE TECNOLOGIA DE SÃO PAULO LUCIANA MENDES. Data Mining Estudo de Técnicas e Aplicações na Área Bancária

FACULDADE DE TECNOLOGIA DE SÃO PAULO LUCIANA MENDES. Data Mining Estudo de Técnicas e Aplicações na Área Bancária FACULDADE DE TECNOLOGIA DE SÃO PAULO LUCIANA MENDES Data Mining Estudo de Técnicas e Aplicações na Área Bancária São Paulo 2011 FACULDADE DE TECNOLOGIA DE SÃO PAULO LUCIANA MENDES Data Mining Estudo de

Leia mais

Sistema de Contagem, Identificação e Monitoramento Automático de Rotas de Veículos baseado em Visão Computacional

Sistema de Contagem, Identificação e Monitoramento Automático de Rotas de Veículos baseado em Visão Computacional Universidade Federal de Minas Gerais Escola de Engenharia Curso de Graduação em Engenharia de Controle e Automação Sistema de Contagem, Identificação e Monitoramento Automático de Rotas de Veículos baseado

Leia mais

Programa da disciplina, i metodologia de ensino, avaliações e bibliografia básica. Objetivos da Disciplina

Programa da disciplina, i metodologia de ensino, avaliações e bibliografia básica. Objetivos da Disciplina Circuitos Digitais Cap. 1 Prof. José Maria P. de Menezes Jr. Circuitos Digitais Tópicos Digitais I- Engenharia Elétrica -UFPI Programa da disciplina, i metodologia de ensino, avaliações e bibliografia

Leia mais

SMCB: METODOLOGIA PARA A QUANTIZAÇÃO DE CORES EM IMAGENS FACIAIS

SMCB: METODOLOGIA PARA A QUANTIZAÇÃO DE CORES EM IMAGENS FACIAIS CMNE/CILAMCE 007 Porto, 13 a 15 de Junho, 007 APMTAC, Portugal 007 SMCB: METODOLOGIA PARA A QUANTIZAÇÃO DE CORES EM IMAGENS FACIAIS Marcelo Zaniboni 1 *, Osvaldo Severino Junior e João Manuel R. S. Tavares

Leia mais

Sistemas Operacionais

Sistemas Operacionais Sistemas Operacionais Sistemas de Entrada/Saída Princípios de Hardware Sistema de Entrada/Saída Visão Geral Princípios de Hardware Dispositivos de E/S Estrutura Típica do Barramento de um PC Interrupções

Leia mais

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados

Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados Fundamentos da inteligência de negócios: gestão da informação e de bancos de dados slide 1 1 Copyright 2011 Pearson Education, Inc. publishing as Prentice Hall Objetivos de estudo Como um banco de dados

Leia mais

UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS

UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração

Leia mais

Introdução. Capítulo 1

Introdução. Capítulo 1 Capítulo 1 Introdução Em computação, muitos problemas são resolvidos por meio da escrita de um algoritmo que especifica, passo a passo, como resolver um problema. No entanto, não é fácil escrever um programa

Leia mais

Introdução aos Sistemas de Informação Geográfica

Introdução aos Sistemas de Informação Geográfica Introdução aos Sistemas de Informação Geográfica Mestrado Profissionalizante 2015 Karla Donato Fook karladf@ifma.edu.br IFMA / DAI Análise Espacial 2 1 Distribuição Espacial A compreensão da distribuição

Leia mais

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan

Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan Faculdade INED Curso Superior de Tecnologia em Banco de Dados Disciplina: Projeto de Banco de Dados Relacional II Prof.: Fernando Hadad Zaidan 1 Unidade 4.5 2 1 BI BUSINESS INTELLIGENCE BI CARLOS BARBIERI

Leia mais

WORKFLOW. Mapeamento de Processos de Negócio 26/11/2009. Tadeu Cruz, Prof. M.Sc. TODOS OS DIREITOS RESERVADOS

WORKFLOW. Mapeamento de Processos de Negócio 26/11/2009. Tadeu Cruz, Prof. M.Sc. TODOS OS DIREITOS RESERVADOS WORKFLOW Mapeamento de Processos de Negócio Tadeu Cruz, Prof. M.Sc. TODOS OS DIREITOS RESERVADOS É proibido a reprodução total ou parcial de qualquer forma ou por qualquer meio sem a expressa autorização

Leia mais

2 Editoração Eletrônica

2 Editoração Eletrônica 8 2 Editoração Eletrônica A década de 80 foi um marco na história da computação. Foi quando a maioria dos esforços dos desenvolvedores, tanto de equipamentos, quanto de programas, foram direcionados para

Leia mais

REPRESENTAÇÃO DA IMAGEM DIGITAL

REPRESENTAÇÃO DA IMAGEM DIGITAL REPRESENTAÇÃO DA IMAGEM DIGITAL Representação da imagem Uma imagem é uma função de intensidade luminosa bidimensional f(x,y) que combina uma fonte de iluminação e a reflexão ou absorção de energia a partir

Leia mais

7 Utilização do Mobile Social Gateway

7 Utilização do Mobile Social Gateway 7 Utilização do Mobile Social Gateway Existem três atores envolvidos na arquitetura do Mobile Social Gateway: desenvolvedor do framework MoSoGw: é o responsável pelo desenvolvimento de novas features,

Leia mais

Curso de Data Mining

Curso de Data Mining Curso de Data Mining Sandra de Amo Aula 2 - Mineração de Regras de Associação - O algoritmo APRIORI Suponha que você seja gerente de um supermercado e esteja interessado em conhecer os hábitos de compra

Leia mais

Universidade Federal do Rio de Janeiro - IM/DCC & NCE

Universidade Federal do Rio de Janeiro - IM/DCC & NCE Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Tratamento da Imagem - Filtros Antonio G. Thomé thome@nce.ufrj.br Sala AEP/033 Sumário 2 Conceito de de Filtragem Filtros

Leia mais

Documentação de um Produto de Software

Documentação de um Produto de Software Documentação de um Produto de Software Versão 3.0 Autora: Profª Ana Paula Gonçalves Serra Revisor: Prof. Fernando Giorno 2005 ÍNDICE DETALHADO PREFÁCIO... 4 1. INTRODUÇÃO AO DOCUMENTO... 6 1.1. TEMA...

Leia mais

UTILIZANDO ICONIX NO DESENVOLVIMENTO DE APLICAÇÕES DELPHI

UTILIZANDO ICONIX NO DESENVOLVIMENTO DE APLICAÇÕES DELPHI UTILIZANDO ICONIX NO DESENVOLVIMENTO DE APLICAÇÕES DELPHI Dr. George SILVA; Dr. Gilbert SILVA; Gabriel GUIMARÃES; Rodrigo MEDEIROS; Tiago ROSSINI; Centro Federal de Educação Tecnológica do Rio Grande do

Leia mais

Desenho e Apresentação de Imagens por Computador

Desenho e Apresentação de Imagens por Computador Desenho e Apresentação de Imagens por Computador Conteúdo s: Aspetos genéricos sobre o trabalho com imagens computacionais. Imagens computacionais e programas que criam ou manipulam esse tipo de imagens.

Leia mais

Sistema de Automação Comercial de Pedidos

Sistema de Automação Comercial de Pedidos Termo de Abertura Sistema de Automação Comercial de Pedidos Cabana - Versão 1.0 Iteração 1.0- Release 1.0 Versão do Documento: 1.5 Histórico de Revisão Data Versão do Documento Descrição Autor 18/03/2011

Leia mais

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence

Resumo dos principais conceitos. Resumo dos principais conceitos. Business Intelligence. Business Intelligence É um conjunto de conceitos e metodologias que, fazem uso de acontecimentos e sistemas e apoiam a tomada de decisões. Utilização de várias fontes de informação para se definir estratégias de competividade

Leia mais

PROCESSAMENTO DIGITAL DE IMAGENS

PROCESSAMENTO DIGITAL DE IMAGENS PROCESSAMENTO DIGITAL DE IMAGENS Msc. Daniele Carvalho Oliveira Doutoranda em Ciência da Computação - UFU Mestre em Ciência da Computação UFU Bacharel em Ciência da Computação - UFJF 2 OBJETIVOS Conhecer

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

SISTEMAS DE INFORMAÇÃO GEOGRÁFICA (I)

SISTEMAS DE INFORMAÇÃO GEOGRÁFICA (I) UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI

Leia mais

Transformada de Hough. Cleber Pivetta Gustavo Mantovani Felipe Zottis

Transformada de Hough. Cleber Pivetta Gustavo Mantovani Felipe Zottis Transformada de Hough Cleber Pivetta Gustavo Mantovani Felipe Zottis A Transformada de Hough foi desenvolvida por Paul Hough em 1962 e patenteada pela IBM. Originalmente, foi elaborada para detectar características

Leia mais

Tecnologia Assistiva e Visão Computacional Controlando o Computador Com o Movimento Dos Olhos

Tecnologia Assistiva e Visão Computacional Controlando o Computador Com o Movimento Dos Olhos Tecnologia Assistiva e Visão Computacional Controlando o Computador Com o Movimento Dos Olhos Instituto de Informática da Universidade Federal de Goiás http://www.inf.ufg.br/ Helleno Rodrigues ROSA, Leandro

Leia mais

DOCUMENTO DE REQUISITOS

DOCUMENTO DE REQUISITOS DOCUMENTO DE REQUISITOS ID documento: Data: / / Versão : Responsável pelo documento: ID Projeto: HISTÓRICO DE REVISÕES Data de criação/ atualização Descrição da(s) Mudança(s) Ocorrida(s) Autor Versão do

Leia mais

2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução

2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução 2 Descoberta de Conhecimento em Bases de Dados 2.1. Introdução De acordo com [FAYY96], o conceito de descoberta de conhecimento em bases de dados pode ser resumido como o processo não-trivial de identificar

Leia mais

PLANIFICAÇÃO DA DISCIPLINA DE APLICAÇÕES INFORMÁTICAS B

PLANIFICAÇÃO DA DISCIPLINA DE APLICAÇÕES INFORMÁTICAS B PLANIFICAÇÕES SECUNDÁRIO PLANIFICAÇÃO DA DISCIPLINA DE APLICAÇÕES INFORMÁTICAS B 12º ANO DE ESCOLARIDADE CONTEÚDOS PROGRAMÁTICOS Introdução à Programação Introdução Linguagens naturais e formais Algoritmos

Leia mais

: Transforme seu plantio em um fundo de investimento ativo. The single source for Forest Resource Management

: Transforme seu plantio em um fundo de investimento ativo. The single source for Forest Resource Management : Transforme seu plantio em um fundo de investimento ativo The single source for Forest Resource Management 2 Tecnologia laser aerotransportada LiDAR LiDAR é um sistema ativo de sensoriamento remoto, originalmente

Leia mais

Fundamentos de Imagens Digitais. Aquisição e Digitalização de Imagens. Aquisição e Digitalização de Imagens. Aquisição e Digitalização de Imagens

Fundamentos de Imagens Digitais. Aquisição e Digitalização de Imagens. Aquisição e Digitalização de Imagens. Aquisição e Digitalização de Imagens Fundamentos de Imagens Digitais Aquisição e Serão apresentadas as principais características de uma imagem digital: imagem do ponto de vista matemático processo de aquisição e digitalização de uma imagem

Leia mais

Sphinx Scanner Informações gerais V 5.1.0.8

Sphinx Scanner Informações gerais V 5.1.0.8 Sphinx Scanner Informações gerais V 5.1.0.8 Pré-requisitos: Possuir modalidade scanner no software Sphinx A SPHINX Brasil propõe uma solução de leitura automática de questionários por scanner. O Sphinx

Leia mais

O que é GED GERENCIAMENTO ELETRÔNICO DE DOCUMENTOS (GED)

O que é GED GERENCIAMENTO ELETRÔNICO DE DOCUMENTOS (GED) Automação em Arquivos GERENCIAMENTO ELETRÔNICO DE DOCUMENTOS (GED) O que é GED GED é a tecnologia que provê um meio de facilmente armazenar, localizar e recuperar informações existentes em documentos e

Leia mais

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas

Leia mais

KIP 720 SISTEMA DE DIGITALIZAÇÃO CIS COM A AVANÇADA TECNOLOGIA KIP REAL TIME THRESHOLDING

KIP 720 SISTEMA DE DIGITALIZAÇÃO CIS COM A AVANÇADA TECNOLOGIA KIP REAL TIME THRESHOLDING KIP 720 SISTEMA DE DIGITALIZAÇÃO CIS COM A AVANÇADA TECNOLOGIA KIP REAL TIME THRESHOLDING SISTEMA DE DIGITALIZAÇÃO KIP 720 Scanner de imagens KIP 720 O scanner monocromático e colorido KIP 720 apresenta

Leia mais

Scientific Electronic Library Online Sistema SciELO de Publicação Guia do usuário

Scientific Electronic Library Online Sistema SciELO de Publicação Guia do usuário Scientific Electronic Library Online Sistema SciELO de Publicação Guia do usuário São Paulo, junho de 2007 1º Versão SUMÁRIO 1 Introdução... 3 2 Autor... 5 2.1 Cadastro no sistema (http://submission.scielo.br),

Leia mais