COMPARAÇÃO DE TÉCNICAS DE VISÃO COMPUTACIONAL NA IDENTIFICAÇÃO DE CABEÇOTES FUNDIDOS USANDO WEBCAM PARA GUIAR UM ROBÔ INDUSTRIAL
|
|
- Rebeca Nunes Wagner
- 8 Há anos
- Visualizações:
Transcrição
1 COMPARAÇÃO DE TÉCNICAS DE VISÃO COMPUTACIONAL NA IDENTIFICAÇÃO DE CABEÇOTES FUNDIDOS USANDO WEBCAM PARA GUIAR UM ROBÔ INDUSTRIAL Victor Hugo Bueno Preuss, 1 Ramon Cascaes Semim, 1 Roberto Silvio Ubertino Rosso Jr., 1 Alexandre Gonçalves Silva, 2 1 Universidade do Estado de Santa Catarina, Rua Paulo Malschitzki, s/número Campus Universitário Prof. Avelino Marcante Bairro Zona Industrial Norte CEP Joinville SC 2 Universidade Federal de Santa Catarina, Campus Universitário Reitor João David Ferreira Lima Trindade Florianópolis SC Resumo: Este artigo descreve os procedimentos utilizados na aplicação de três técnicas de visão computacional (SIFT, SURF e ORB) no desenvolvimento de um sistema de visão para um robô, cuja tarefa é realizar oleação e a paletização de cabeçotes fundidos de motores. As três técnicas são comparadas em termos de robustez, precisão e tempo de execução. O objetivo do sistema de visão é identificar o cabeçote, sua posição e orientação, e fornecer esses dados ao robô, para que ele possa realizar a pega da peça com precisão. Concluiu-se que o algoritmo SURF obteve melhor desempenho para a aplicação, por apresentar os melhores resultados em termos de robustez na identificação, precisão na determinação da posição/orientação do cabeçote e tempo de execução. Palavras-chave: Sistema de Visão, Reconhecimento de Padrões, Detecção de Objetos, SURF, SIFT, ORB. 1. INTRODUÇÃO A automatização de processos industriais vem ganhando espaço ano após ano, pois há diversas tarefas na indústria que podem ser desempenhadas com maior eficiência e qualidade por robôs, economizando tempo e dinheiro das empresas. Os robôs são excelentes na execução de tarefas que exigem demasiado esforço repetitivo ou submetam a algum tipo de perigo o trabalhador, sendo programados de forma a realizar o que lhes foi incumbido sem, no entanto, serem capazes de fazer qualquer tipo de análise do ambiente que altere seu comportamento (Semim, 2012). A visão computacional entra como uma opção quando o robô se encontra em situações nas quais ele deve tomar uma decisão baseado no que há ao seu redor. Os sistemas de visão computacional envolvem diversas etapas, que vão desde a aquisição da imagem, processamento, tratamento, até a retirada das informações relevantes daquela imagem (Gonzalez; Woods, 2002). Neste trabalho serão descritos alguns métodos utilizados na aquisição de informações pertinentes da imagem e os resultados apresentados pelos mesmos aplicados numa célula robotizada. Neste trabalho foram implementadas três técnicas de detecção e descrição de características locais de uma imagem, aplicadas ao reconhecimento de objetos. São elas: SIFT (Scale Invariant Feature Transform), SURF (Speeded Up Robust Features) e ORB (Oriented FAST and Rotated BRIEF). Todas foram utilizadas com o auxílio da biblioteca OpenCV (Bradski; Kaehler, 2008). Este artigo está organizado da seguinte maneira: na seção 2 são descritos alguns conceitos básicos necessários ao entendimento do projeto e também o funcionamento dos algoritmos SIFT, SURF e ORB. Nas seções 3 e 4 são expostos o problema proposto para o projeto e o modo encontrado para solucioná-lo. Por fim em 5, 6 e 7 são apresentados os resultados obtidos e feita uma discussão a respeito do trabalho desenvolvido seguido das conclusões finais. 2. VISÃO COMPUTACIONAL Visão computacional é a tarefa de automatizar e integrar uma ampla gama de processos e representações usados para percepção visual. Inclui muitas técnicas, como processamento de imagens (transformando, codificando e enviando imagens) e classificação de padrões estatísticos (teoria da decisão estatística aplicada a padrões gerais, visuais ou não) (Ballard; Brown, 1982). É responsável pela maneira como o computador enxerga o meio à sua volta, extraindo informações significativas a partir de imagens capturadas por câmeras, sensores, scanners, entre outros dispositivos. Estas informações permitem reconhecer, manipular e pensar sobre os objetos que compõem uma imagem (Milando; Honorato, 2010). Neste trabalho, algoritmos de visão computacional serão aplicados no reconhecimento de cabeçotes em uma linha de produção. Estes algoritmos são introduzidos nos subtópicos a seguir.
2 2.1. Matriz Hessiana Uma matriz hessiana é uma matriz quadrada formada por derivadas parciais de segunda ordem. A matriz descreve a curvatura local de uma função de múltiplas variáveis. Na Eq. (1) é mostrada a matriz hessiana utilizada nos algoritmos SIFT e SURF para análise da vizinhança de um ponto de interesse. H D D xx xy D D xy yy (1) 2.2. SIFT (Scale Invariant Feature Transform) SIFT é um método que usa técnicas de processamento de imagem para encontrar pontos de interesse em uma imagem e gerar um vetor de descritores, invariante as transformações de escala e de rotação e parcialmente invariante a distorções afins e mudanças de luminosidade. O vetor de descritores gerado pode ser utilizado no reconhecimento de objetos e cenas, monitoramento de movimento e resolução de problemas envolvendo estruturas 3D de múltiplas imagens (Lowe, 2004). O primeiro passo do algoritmo é calcular uma pirâmide gaussiana (Gonzalez; Woods, 2002). Isto é feito aplicando repetidamente um filtro de suavização gaussiano e reduzindo as dimensões da imagem em um fator de 2. Então uma pirâmide de diferença de gaussianas é computada da subtração de níveis adjacentes da pirâmide gaussiana, como mostra a Fig. (1). Os pontos de interesse são encontrados calculando os pontos de máximo e mínimo na pirâmide de diferença de gaussianas. Isto é feito utilizando uma vizinhança de 26 pixels, mostrada na Fig. (2). Cada pixel é comparado à sua vizinhança de 8 e também a 9 vizinhos na escala acima e abaixo. Se ele for um máximo ou mínimo local, é feita uma expansão de Taylor na região, pois a localização exata do ponto de mínimo ou máximo é uma posição entre pixels. Os pontos de interesse passam agora por dois filtros: um que remove os pontos com baixo contraste a partir de um valor de threshold sugerido por Lowe (2004) em 0,03; outro que remove os pontos de interesse pertencentes a bordas utilizando uma matriz hessiana (ver Eq. 1). O ponto de interesse é rejeitado caso a razão Tr(H)² / Det(H) seja maior que (r+1)² / r, onde Tr(H) é o traço da matriz hessiana, Det(H) é o determinante da matriz hessiana e r é a razão entre os autovalores da matriz hessiana. No artigo publicado por Lowe (2004) é sugerido utilizar 10 como valor de r, e esse foi o valor utilizado durante o trabalho. Figura 1. Pirâmide Gaussiana e Pirâmide de Diferença de Gaussianas. Fonte: adaptada de Lowe (2004). Depois são atribuídas direções a cada um dos pontos de interesse de forma que este passo é fundamental na aquisição da invariância à rotação. A orientação dos pontos de interesse é atribuída da seguinte maneira. Primeiro a magnitude e orientação do gradiente dos pixels vizinhos ao ponto de interesse são pré-computados utilizando, respectivamente as Eqs. (2) e (3).
3 Figura 2. Vizinhança de 26 pixels. Fonte: adaptada de Lowe (2004). m 2 ( x, y) ( L( x 1, y) L( x 1, y)) ( L( x, y 1) L( x, y 1)) 2 (2) ( x, y) tan 1 (( L( x, y 1) L( x, y 1)) /( L( x 1, y) L( x 1, y))) (3) Então um histograma é formado com os resultados. O histograma é composto de 36 intervalos de 10 graus de amplitude, totalizando 360 graus. A magnitude do gradiente é então somada no respectivo intervalo ao qual pertence o ângulo Ɵ. A orientação atribuída ao ponto de interesse é aquela cujo intervalo possui a maior soma de magnitudes. Múltiplos pontos de interesse podem surgir a partir de um, pois qualquer intervalo do histograma que possuir somatório maior que 80% da maior soma de magnitudes, também é adicionado ao grupo. Por último é gerado um vetor de descritores de 128 posições para cada um dos pontos de interesse. Ele é calculado atribuindo orientações para uma vizinhança de 4x4 do ponto de interesse (esta vizinhança só é possível pois o SIFT gera subpixels através de uma expansão de Taylor feita ao redor do ponto), porém o histograma feito para cada ponto vizinho possui apenas 8 intervalos de 45 graus, o que garante maior robustez ao algoritmo. Tem-se então 8 intervalos para uma vizinhança de 4x4, daí vem as 128 posições do vetor de descritores (4 x 4 x 8 = 128) (Lowe, 2004) Imagens Integrais Imagens integrais são imagens onde cada ponto X = (x, y) T armazena a soma das intensidades de todos os pixels numa área retangular entre a origem e X. Utilizando imagens integrais é possível calcular a soma das intensidades de qualquer região com apenas três operações como visto na Fig. (3) (Bay et al., 2008). Figura 3. Calculando soma das intensidades na região. Fonte: Bay et al. (2008).
4 2.4. SURF (Speeded Up Robust Features) SURF é um algoritmo proposto por Bay, Tuytelaars e Van Gool em 2006 e é baseado nos mesmos princípios que o algoritmo SIFT, porém utiliza outros métodos, que geram resultados mais velozes e muitas vezes melhores (Bay et al., 2008). O algoritmo inicia criando uma pirâmide gaussiana, porém, ao contrário do algoritmo SIFT, devido ao uso de imagens integrais e filtros retangulares ( box filters ), a pirâmide é criada de baixo para cima, filtrando a imagem original com máscaras cada vez maiores. Então é feita a localização dos pontos de interesse utilizando, assim como no SIFT, uma supressão não-máxima em uma vizinhança 3x3x3, mostrada na Fig. (2), porém isto é feito comparando não a magnitude do ponto, mas o determinante da sua matriz hessiana. Em seguida é feita uma interpolação entre os máximos encontrados. SURF faz uso da distribuição da intensidade na vizinhança dos pontos de interesse para atribuir uma orientação ao ponto. Isto é feito utilizando a resposta nas direções x e y de uma wavelet de Haar numa vizinhança de 6s ao redor do ponto de interesse, onde s é a escala em que o ponto de interesse foi detectado. Para o descritor do ponto de interesse é utilizada uma vizinhança quadrada subdivida em 16 regiões de 2x2. A resposta da wavelet de Haar é calculada para todos os pontos e então cada região 2x2 recebe um vetor v de quatro dimensões, onde v = (Σd x, Σd y, Σ d x, Σ d y ), totalizando um vetor descritor de 64 posições. No vetor, d x e d y são as respostas da wavelet de Haar para um ponto (Bay et al., 2008) ORB (Oriented FAST and Rotated BRIEF) ORB é um detector de pontos de interesse e descritor criado para substituir SIFT em aplicações com baixa capacidade de processamento (ex: aplicativos para smartphones). ORB chega a ser quase duas ordens de magnitude mais rápido que SIFT e produz resultados similares no reconhecimento de objetos (Rublee et al., 2011). Para a seleção de pontos de interesse, ORB utiliza FAST (Rosten e Drummond, 2005), um detector de pontos de interesse. Porém os pontos de FAST não possuem uma componente para representar a orientação do ponto, portanto é adicionada uma orientação computada de maneira muito eficiente. Ela é baseada na intensidade do centroide (Rosin, 1999). O vetor de descritores é gerado utilizando uma versão modificada do descritor BRIEF (Calonder et al., 2010). É atribuído ao descritor um parâmetro de rotação, para que o algoritmo se torne invariante à rotação Regra dos k-vizinhos mais próximos Dado o conjunto de treinamento T = {<x 1, y 1 >, <x 2, y 2 >,..., <x n,y n >}, esse método de classificação de padrões visa determinar um subconjunto S contido em T composto de k amostras mais próximas de x no espaço de características. O rótulo atribuído a x é o que apresentar maior frequência dentre as amostras em S (Pedrini e Schwartz, 2008) Razão das distâncias dos vizinhos mais próximos (Nearest Neighbour Distance Ratio) O algoritmo de classificação baseado no vizinho mais próximo classifica duas regiões A e B se o descritor de B é o vizinho mais próximo do descritor de A e se a distância entre eles está abaixo de um certo valor de threshold. Na razão das distâncias dos vizinhos mais próximos (nearest neighbour distance ratio), a única diferença é que o threshold é aplicado a razão das distâncias do primeiro e segundo vizinho mais próximo. Portanto as regiões são classificadas se D A D B / D A - D C < t, onde D denota o descritor, D B é o primeiro e D C é o segundo vizinho mais próximo de D A e t é valor de threshold (Mikolajczyk e Schmid, 2005). 3. OBJETIVO DO TRABALHO Este projeto é a extensão de um trabalho previamente desenvolvido na UDESC e tem como objetivo principal verificar o desempenho de outros métodos utilizados no reconhecimento de padrões em imagens, aplicados ao cenário já estudado Descrição do Problema Inicial O cenário estudado no projeto inicial e documentado em Semim (2012) e Semim et al. (2012), consiste em uma célula de oleação e paletização de cabeçotes de motores à combustão da linha de Fundição E-II da Tupy SA, unidade Joinville/SC. Nesta linha são manufaturadas três famílias distintas de cabeçotes, sendo que cada uma possui modelos para motores de oito/seis e seis/quatro cilindros. É garantido que os cabeçotes sempre entrarão na linha com a mesma região voltada para cima, desta forma, é possível utilizar as características desta região para distinguir uma família da
5 outra. Entre as dificuldades do projeto, a principal encontra-se na pequena diferença entre o fundo das imagens, roletes de aço de um transportador industrial, e as faces usinadas dos cabeçotes de motores em ferro fundido. Na resolução deste problema Semim (2012) utilizou o Coeficiente de Correlação de Pearson (PCC) e técnicas de processamento de imagem para definir qual o modelo do cabeçote e segmentar os furos presentes nos blocos. Também utilizou a transformada de Hough para definir a posição das circunferências (furos) presentes no cabeçote, e a partir da posição destas é calculada a posição e orientação do bloco. O projeto inicial é discutido em maiores detalhes em Semim (2012) e Semim et al. (2012) Problema abordado neste projeto O problema abordado neste trabalho foi a implementação de um sistema de visão fazendo uso de três outras técnicas de visão computacional (SIFT, SURF e ORB). As três técnicas são comparadas entre si em termos de robustez, precisão e tempo de execução. O que se deseja é obter melhores alternativas e se possível apenas uma técnica para a solução de Semim (2012) que utilizou PCC em conjunto com a transformada de Hough. O projeto aqui desenvolvido se passa no mesmo cenário e utiliza o mesmo banco de dados de imagens para realizar os testes necessários. 4. IMPLEMENTAÇÃO A implementação do sistema de visão foi feita inteiramente em C++. Todo o algoritmo descrito a seguir faz uso da biblioteca OpenCV e utiliza SIFT, SURF e ORB para encontrar os pontos de interesse e seus respectivos vetores de descritores. Algumas funções utilizadas tiveram que ser desenvolvidas, porém boa parte do que foi necessário no projeto já se encontrava disponível para uso na biblioteca OpenCV. No início do programa, seis imagens-padrão contendo apenas o cabeçote tem as seguintes informações carregadas: vetor de pontos de interesse e vetor de descritores; coordenadas dos seus cantos e coordenadas dos centros dos furos presentes no cabeçote. A razão para serem utilizadas 6 imagens, apesar de serem 3 cabeçotes, foi a ineficiência dos três algoritmos utilizados (SIFT, SURF e ORB) para reconhecimento de cabeçotes quando rotacionados em 180 graus com relação a orientação da imagem-padrão. Isto tornou necessária a utilização de outra imagem-padrão para cada tipo de cabeçote, rotacionada em 180 graus em relação a outra, como mostrado nas Figuras (4a) e (4b). (a) Imagem-padrão do primeiro bloco não rotacionado. (b) Imagem-padrão do primeiro bloco rotacionado. Figura 4: Imagens tomadas como padrão para um bloco, sem e com rotação. Fonte: adaptadas de Semim (2012). A partir daí o programa entra num loop. A imagem do cabeçote vindo na esteira é adquirida e convertida para tons de cinza. Então um dos três algoritmos (SIFT, SURF ou ORB) é aplicado para gerar um vetor com os pontos de interesse da imagem obtida e outro vetor com o descritor de cada ponto encontrado.
6 O próximo passo é definir qual tipo de bloco de motor está presente na imagem em análise, e se ele está ou não rotacionado. Isto é feito da seguinte maneira: é aplicada a regra dos k-vizinhos mais próximos, com k igual a 2, entre a imagem capturada e as duas imagens-padrão pertencentes a um tipo de bloco de motor. Os pontos encontrados pelo reconhecimento são filtrados utilizando a razão da distância dos vizinhos mais próximos (ver 2.6). Se o número de pontos reconhecidos entre a imagem de entrada e as duas imagens-padrão for superior a um valor de threshold, então é definido que o bloco de motor contido na imagem capturada é o que está contido nas imagens-padrão. Caso contrário o algoritmo repete o passo anterior com as próximas duas imagens-padrão que representam outro tipo de cabeçote. O valor de threshold foi calculado através de testes, verificando qual o mínimo de pontos reconhecidos corretamente quando o bloco de motor da imagem de entrada era do mesmo tipo que o das imagens-padrão, e o máximo de pontos reconhecidos incorretamente quando o bloco de entrada era de tipo diferente do contido nas imagens-padrão. O threshold foi estabelecido na metade destes extremos. Foi calculado um valor diferente para cada um dos algoritmos (SIFT, SURF e ORB). Embora o valor de cada um tenha sido diferente, os três criaram uma margem bastante grande entre os dois valores, o que garante o reconhecimento correto do bloco contido na imagem de entrada. Então é escolhida a imagem-padrão com o maior número de pontos reconhecidos. É utilizada uma rotina que encontra um grupo de quatro pontos que tenham sido reconhecidos com grande grau de precisão. Isto é feito da seguinte maneira: grupos de quatro pontos de interesse reconhecidos são gerados aleatoriamente; é calculada a partir deles a matriz de transformação de projeção perspectiva utilizando a OpenCV. Esta transformação é aplicada nos quatro cantos da imagem-padrão, mostrada nas Figuras (4a) e (4b), e nos centros dos dois furos mais afastados entre si do motor; caso o reconhecimento dos pontos de interesse tenha sido preciso, os pontos gerados pela transformação devem respeitar as relações métricas existentes entre os pontos da imagem-padrão. Portanto, no algoritmo são calculados os ângulos e as distâncias entre os quatro cantos e a distância entre os centros. Os ângulos devem ser de aproximadamente 90 graus, com uma margem de erro estipulada em 0,5 grau, e as distâncias podem ter um desvio de até 5 mm da distância equivalente na imagem-padrão. Se um grupo passar em todas as restrições, ele é selecionado, e a partir dele é calculada a posição e orientação da peça com as coordenadas dos centros em relação a origem. O ângulo é calculado pelo arcotangente do coeficiente angular da reta que passa pelos dois furos, ver Figura (5), e a posição é dada pelas coordenadas do ponto médio entre os dois furos. Uma vez reconhecido o bloco e calculadas posição e orientação, são traçados círculos sobre os furos e retas que delimitam o bloco na imagem, conforme mostram as Figuras (7a) e (7b). Figura 5. Ilustração do cálculo do ângulo de inclinação do cabeçote. Fonte: próprio autor. 5. ANÁLISE DE RESULTADOS Neste tópico serão mostrados os resultados obtidos a partir de diversos testes utilizando SIFT, SURF e ORB no reconhecimento dos blocos de motor. Os testes foram realizados com as 129 imagens utilizadas por Semim (2012). Foram definidos manualmente a posição dos centros dos furos de todos os blocos de motor e o ângulo de inclinação. Estes valores foram considerados ideais e utilizados para comparação com as respostas encontradas pelo sistema de visão. O algoritmo desenvolvido foi aplicado nas 129 imagens e foram calculados o desvio médio, desvio padrão e desvio máximo para os valores de ângulo e posição encontrados pelo sistema. As Tabelas (1) e (2) ilustram estes resultados: Tabela 1: Representa os desvios na distância, em pixels, da coordenada ideal dos centros, para a coordenada encontrada pelo algoritmo. SIFT SURF ORB Desvio médio (pixels) 1,14 1,03 1,21 Desvio padrão (pixels) 1,07 1,02 1,10 Desvio máximo (pixels) 4,05 3,44 4,10
7 Tabela 2: Representa os desvios no ângulo, em graus, da inclinação do cabeçote baseada nos seus furos. SIFT SURF ORB Desvio médio (graus) 0,18 0,16 0,20 Desvio padrão (graus) 0,43 0,40 0,45 Desvio máximo (graus) 1,13 1,24 1,29 Na Tabela (1) os valores relacionados aos desvios estão em pixels. A partir da calibração feita por Semim (2012), tem-se que o valor de um pixel é de 1,25 mm na direção X e 1,26 mm na direção Y. Daí é possível calcular que o maior erro de posição dado pelo sistema é de aproximadamente 5 mm, valor aceitável visto que ainda estão em estado bruto nesse estágio da linha de produção. É possível notar que o algoritmo SURF apresenta os melhores resultados na determinação da posição dos cabeçotes, embora a diferença de desempenho dos três algoritmos seja pouco considerável. Também foram observados os resultados relacionados ao tempo de execução dos algoritmos por imagem processada. Os resultados estão apresentados na Tabela (3): Tabela 3: Tempo médio e máximo de execução dos algoritmos e desvio padrão, em segundos. SIFT SURF ORB Tempo médio (s) 1, , , Tempo máximo (s) 2, , , Desvio padrão (s) 0, , , A partir da tabela é visível que ORB é o mais veloz dos três algoritmos, com boa margem na maioria dos casos. Porém também pode ser visto que há um alto desvio padrão na medida de tempo de execução, que é atribuído aos casos em que o ORB não consegue encontrar com facilidade um grupo de pontos que atenda as restrições de precisão. 6. DISCUSSÃO Diversos desafios surgiram durante a implementação dos algoritmos na resolução do problema de reconhecimento dos cabeçotes. Primeiramente vale ressaltar alguns aspectos diferentes na implementação utilizada para o algoritmo ORB. Para duas das 129 imagens, a imagem de entrada teve mais pontos de interesse reconhecidos com a imagem-padrão cujo bloco de motor estava voltado para o sentido oposto. Porém isto pode ser detectado no momento em que a posição dos centros é calculada em relação a origem, pois as distâncias encontradas serão o inverso do esperado. Portanto, ainda é possível definir com certeza a orientação do motor. Um problema encontrado ainda no algoritmo ORB, é que em 4 imagens nenhum grupo de pontos de interesse era preciso suficiente para respeitar todas as condições de precisão impostas ao reconhecimento do bloco. Isto tornou necessária a adição de uma rotina extra, que matinha armazenado o melhor grupo encontrado e fornecia-o como resultado final. Embora os resultados com estas 4 imagens estivessem dentro de uma margem de erro aceitável (dentro dos limites de funcionamento do robô), não há como ter certeza do bom desempenho do ORB em uma situação de uso em processo. Além disso, estas 4 imagens também são o pior caso de tempo para o ORB, pois são testados grupos de pontos para as duas imagens-padrão do motor, antes do resultado aproximado ser fornecido. Este é o único caso em que ele não supera SIFT e SURF em tempo de execução. Outro problema detectado durante o desenvolvimento do projeto foi a existência de regiões muito semelhantes entre si nos três tipos de blocos, mostradas nas Figuras (6a), (6b) e (6c), o que causava um alto índice de falsos reconhecimentos, pois os pontos eram muitas vezes associados a regiões semelhantes, porém não a correta. Isto foi resolvido com a abordagem utilizando subgrupos de apenas quatro pontos, pois é a quantidade mínima necessária para a criação da matriz de transformação, e em todos os testes há pelo menos quatro pontos detectados corretamente e com precisão necessária para o robô.
8 (a) Regiões do primeiro cabeçote com grande semelhança entre si. (b) Regiões do segundo cabeçote com grande semelhança entre si. (c) Regiões do terceiro cabeçote com grande semelhança entre si. Figura 6: Regiões dos três cabeçotes com grande semelhança entre si, responsáveis pelo alto índice de falsos reconhecimentos de pontos. Fonte: próprio autor. 7. CONCLUSÃO Os resultados apresentados pelos três algoritmos na implementação final do sistema de visão mostraram atender as necessidades de funcionamento da célula robótica, como pode ser visto em azul nas Figuras (7a) e (7b), com reconhecimentos bastante precisos da posição e orientação do bloco. Analisando o desempenho de tempo de execução dos algoritmos, SURF se mostrou o mais adequado, por ser mais rápido que o SIFT em todos os casos de teste e não apresentar situações críticas de execução como o ORB. Concluindo, entre as três opções analisadas nesse trabalho, o algoritmo SURF melhor desempenho e foi considerado o mais apto a ser utilizado no sistema de visão, por possuir tempo de execução constante nos casos de teste, dentro do limite de tempo que a célula robotizada possui para realizar o seu ciclo, e ao mesmo tempo apresentar os resultados mais precisos. O algoritmo SIFT também apresentou resultados bastante apurados para o cálculo da orientação e posição, porém em momento algum superou o SURF em velocidade. O ORB apresentou alta velocidade no reconhecimento dos blocos em mais de 96,8% dos testes realizados. Porém possui um pior caso bastante inferior ao SIFT e SURF por apresentar problemas para encontrar um grupo de 4 pontos reconhecidos com precisão, dessa forma não cumprindo as restrições de precisão na posição encontrada, além do tempo de execução ser quase proibitivo. Na continuação deste trabalho serão comparados os resultados das três técnicas com os resultados obtidos em Semim (2012) utilizando as mesmas condições de trabalho e também com outras técnicas como BRISK (Leutenegger et al., 2011) e FREAK (Alahi et al., 2012).
9 (a) Cabeçote reconhecido pelo sistema de visão utilizando SURF. (b) Outro modelo de cabeçote reconhecido pelo sistema de visão utilizando SURF. Figura 7: Dois tipos de cabeçotes reconhecidos pelo sistema de visão com posição e orientação. Fonte: próprio autor 8. AGRADECIMENTOS Os autores desejam agradecer a Universidade do Estado de Santa Catarina onde esta pesquisa foi realizada e à Tupy S.A. pelo apoio ao trabalho. Agradecem também à Fundação de Amparo à Pesquisa e Inovação do Estado de Santa Catarina (FAPESC) no apoio a fase final deste trabalho via o Convênio TR 3288/ REFERÊNCIAS Alahi., A.; Ortiz, R.; Vandergheynst, P., 2012, FREAK: Fast Retina Keypoint. In IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2012 Ballard, D. H.; Brown, C. M. B., 1982, Computer Vision. 1st New Jersey: Prentice Hall. 544p. Bay, H.; Ess, A.; Tuytelaars, T.; Van Gool. L., 2008, SURF: Speeded Up Robust Features. Computer Vision and Image Understanding, Vol. 110, No. 3, p Bay, H.; Tuytelaars, T.; Van Gool. L., 2006, Surf: Speeded up robust features. European Conference on Computer Vision, Bradski, G., Kaehler, A., 2008, Learning OpenCV: Computer Vision with the OpenCV Library, O'Reilly. Calonder, M.; Lepetit V.; Stretcha, C.; Fua, P., 2010, Brief: Binary robust independent elementary features. European Conference on Computer Vision. Gonzalez, R. C.; Woods, R. E., 2002, Digital Image Processing. 2nd New Jersey: Prentice Hall. 793 p.
10 Lowe, D. G., 2004, Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 60(2): Mikolajczyk, K.; Schmid, C.,2005, A performance evaluation of local descriptors. PAMI, 27(10): MILANDO, D.; HONORATO, L. B., 2010, Visão Computacional. UNICAMP, OpenCV Open Source Compute Vision Library Diponível em: < Acesso em: 25 janeiro Pedrini, H.; Schwartz, W. R., 2008, Análise de Imagens Digitais: Princípios, Algoritmos e Aplicações. 1st ed., São Paulo: Thomson Learning,. 508 p. Rosten, E.; Drummond, T., 2006, Machine learning for high-speed corner detection. European Conference on Computer Vision, Vol. 1. Rosten, E.; Porter, R.; Drummond, T., 2010, Faster and better: A machine learning approach to corner detection. IEEE Trans. Pattern Analysis and Machine Intelligence, 32: Rosin, P. L., 1999, Measuring corner properties. Computer Vision and Image Understanding. 73(2): Rosso Jr., R. S. U.; Tormena, C.; Silva, A. G.; Semim, R. C.; Silva, A. R. da., 2011, Reconhecimento e localização de objetos por visão computacional aplicado a uma célula com robô industrial. Relatório de pesquisa, Joinville: UDESC. 13 p. Rublee, E.; Rabaud, V.; Konolige, K.; Bradski, G. R., 2011, ORB: An efficient alternative to SIFT or SURF. ICCV 2011: Semim, Ramon Cascaes., 2012, Sistema de visão para guiar um robô de manipulação de cabeçotes fundidos. 125 f. Dissertação (Mestrado Profissional em Engenharia Elétrica Área: Automação de Sistemas) Universidade do Estado de Santa Catarina. Programa de Pós-graduação em Engenharia Elétrica, Joinville, Semim, Ramon Cascaes, Rosso Jr; Roberto S. U.; Silva, Alexandre G.; Silva, Anderson Resendes; Tormena, Camila., 2012, Engine Head Blocks Handling Robot Guided by Vision System. Proceedings of the 14th IFAC Symposium on Information Control Problems in Manufacturing. Vol. 14 Part 1, p Bucharest, Romania, 2012 DOI: / RO Leutenegger, Stefan; Chli, Margarita; Siegwart, Roland., 2011, BRISK: Binary Robust Invariant Scalable Keypoints. ICCV p DIREITOS AUTORAIS Os autores são os únicos responsáveis pelo conteúdo do material impresso incluído no seu trabalho. 11. ABSTRACT This article describes the procedures used to implement three computer vision techniques (SIFT, SURF and ORB) in developing a vision system for a robot whose task is to perform the oil bath and palletizing foundry engines head blocks. The three techniques are compared in terms of robustness, accuracy and execution time. The purpose of the vision system is to identify the head, its position and orientation, and provide this data to the robot so that it can perform the accurate handle of the part. It was concluded that the SURF algorithm performed better for the application, by presenting the best results in terms of robustness in the identification, precision in determining the head block position/orientation and execution time.
Casamento de padrões em imagens e vídeos usando características de imagens
Casamento de padrões em imagens e vídeos usando características de imagens Kassius Vinicius Sipolati Bezerra DCEL / CEUNES / UFES São Mateus, ES, Brazil Edilson de Aguiar DCEL / CEUNES / UFES São Mateus,
Leia maisScale-Invariant Feature Transform
Scale-Invariant Feature Transform Renato Madureira de Farias renatomdf@gmail.com Prof. Ricardo Marroquim Relatório para Introdução ao Processamento de Imagens (COS756) Universidade Federal do Rio de Janeiro,
Leia maisReconhecimento de marcas de carros utilizando Inteligência Artificial. André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller
Reconhecimento de marcas de carros utilizando Inteligência Artificial André Bonna Claudio Marcelo Basckeira Felipe Villela Lourenço Richard Keller Motivação Análise estatística das marcas de carros em
Leia maisIdentificação de objetos móveis com uso de imagens aéreas obtidas por VANT. Rodrigo Augusto Rebouças 1 Matheus Habermann 1 Elcio Hideiti Shiguemori 1
Identificação de objetos móveis com uso de imagens aéreas obtidas por VANT Rodrigo Augusto Rebouças 1 Matheus Habermann 1 Elcio Hideiti Shiguemori 1 1 Instituto de Estudos Avançados IEAv/DCTA São José
Leia mais4 Segmentação. 4.1. Algoritmo proposto
4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças
Leia maisCálculo de volume de objetos utilizando câmeras RGB-D
Cálculo de volume de objetos utilizando câmeras RGB-D Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Bruno Alberto Soares OLIVEIRA 1,3 ; Marlon MARCON 2,3 1 Estudante de Engenharia de
Leia maisDetecção e Rastreamento de Objetos coloridos em vídeo utilizando o OpenCV
Detecção e Rastreamento de Objetos coloridos em vídeo utilizando o OpenCV Bruno Alberto Soares OLIVEIRA 1,3 ; Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Marlon MARCON 2,3 1 Estudante
Leia maisDetecção em tempo real de movimentos de olhos e boca em um vídeo em cores
Detecção em tempo real de movimentos de olhos e boca em um vídeo em cores Daniel Ponciano dos Santos Barboza, Programa de Engenharia de Sistemas e Computação - PESC/COPPE Universidade Federal do Rio de
Leia maisRECONHECIMENTO 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 mais3 Classificação. 3.1. Resumo do algoritmo proposto
3 Classificação Este capítulo apresenta primeiramente o algoritmo proposto para a classificação de áudio codificado em MPEG-1 Layer 2 em detalhes. Em seguida, são analisadas as inovações apresentadas.
Leia maisMedida da velocidade de embarcações com o Google Earth
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO Instituto de Física Programa de Pós-Graduação em Ensino de Física Mestrado Profissional em Ensino de Física Medida da velocidade de embarcações com o Google Earth
Leia maisProcessamento 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 maisProgramação de Robótica: Modo Circuitos Programados - Avançado -
Programação de Robótica: Modo Circuitos Programados - Avançado - 1 Programação de Robótica: Modo Circuitos Programados - Avançado ATENÇÃO Lembramos que você poderá consultar o Manual de Referência do Software
Leia maisPesquisa e organização de informação
Pesquisa e organização de informação Capítulo 3 A capacidade e a variedade de dispositivos de armazenamento que qualquer computador atual possui, tornam a pesquisa de informação um desafio cada vez maior
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA INF2608 FUNDAMENTOS DE COMPUTAÇÃO GRÁFICA RELATÓRIO: IMAGENS SÍSMICAS VISUALIZAÇÃO E DETECÇÃO
Leia maisMicrosoft Access: Criar consultas para um novo banco de dados. Vitor Valerio de Souza Campos
Microsoft Access: Criar consultas para um novo banco de Vitor Valerio de Souza Campos Conteúdo do curso Visão geral: consultas são essenciais Lição: inclui sete seções Tarefas práticas sugeridas Teste.
Leia maisVisão computacional no reconhecimento de formas e objetos
Visão computacional no reconhecimento de formas e objetos Paula Rayane Mota Costa Pereira*, Josemar Rodrigues de Souza**, Resumo * Bolsista de Iniciação Científica da Faculdade de Tecnologia SENAI CIMATEC,
Leia maisCapítulo 3. Avaliação de Desempenho. 3.1 Definição de Desempenho
20 Capítulo 3 Avaliação de Desempenho Este capítulo aborda como medir, informar e documentar aspectos relativos ao desempenho de um computador. Além disso, descreve os principais fatores que influenciam
Leia maisFeature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior
Feature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior Feature Detection 1. Encontre um conjunto de keypoints 2. Defina uma região ao redor do keypoint 3. Normalize a região 4. Extraia caracterísfcas
Leia maisFiltragem Espacial. (Processamento Digital de Imagens) 1 / 41
Filtragem Espacial (Processamento Digital de Imagens) 1 / 41 Filtragem Espacial Filtragem espacial é uma das principais ferramentas usadas em uma grande variedade de aplicações; A palavra filtro foi emprestada
Leia maisUniversidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens
Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Prof Fabrízzio Alphonsus A M N Soares 2012 Capítulo 2 Fundamentos da Imagem Digital Definição de Imagem: Uma imagem
Leia maisProjetos. Universidade Federal do Espírito Santo - UFES. Mestrado em Informática 2004/1. O Projeto. 1. Introdução. 2.
Pg. 1 Universidade Federal do Espírito Santo - UFES Mestrado em Informática 2004/1 Projetos O Projeto O projeto tem um peso maior na sua nota final pois exigirá de você a utilização de diversas informações
Leia maisUNIVERSIDADE 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 maisA lógica de programação ajuda a facilitar o desenvolvimento dos futuros programas que você desenvolverá.
INTRODUÇÃO A lógica de programação é extremamente necessária para as pessoas que queiram trabalhar na área de programação, seja em qualquer linguagem de programação, como por exemplo: Pascal, Visual Basic,
Leia maisOrganização e Arquitetura de Computadores I
Organização e Arquitetura de Computadores I Aritmética Computacional Slide 1 Sumário Unidade Lógica e Aritmética Representação de Números Inteiros Aritmética de Números Inteiros Representação de Números
Leia mais2 Diagrama de Caso de Uso
Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Caso de Uso (Use Case) Autoria:Aristófanes Corrêa
Leia maisSEGMENTAÇÃO 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 maisIntrodução ao Aplicativo de Programação LEGO MINDSTORMS Education EV3
Introdução ao Aplicativo de Programação LEGO MINDSTORMS Education EV3 A LEGO Education tem o prazer de trazer até você a edição para tablet do Software LEGO MINDSTORMS Education EV3 - um jeito divertido
Leia maisTreinamento GVcollege Módulo Acadêmico - Pedagógico
Treinamento GVcollege Módulo Acadêmico - Pedagógico 2015 GVDASA Sistemas Pedagógico 2 AVISO O conteúdo deste documento é de propriedade intelectual exclusiva da GVDASA Sistemas e está sujeito a alterações
Leia maisCOMPUTAÇÃO GRÁFICA. Rasterização e Preenchimento de Regiões. MARCO ANTONIO GARCIA DE CARVALHO Fevereiro de 2009. Computação Gráfica
COMPUTAÇÃO GRÁFICA Rasterização e Preenchimento de Regiões Objetivos Conhecer os fundamentos da construção de linhas e círculos Conhecer o modelo scan-line modelo de sementes para preenchimento de polígonos
Leia maisAULA 6 - Operações Espaciais
6.1 AULA 6 - Operações Espaciais Essa aula descreve as operações espaciais disponíveis no TerraView. Antes de iniciar sua descrição é necessário importar alguns dados que serão usados nos exemplos. Exercício:
Leia maisÍNDICE 1 INTRODUÇÃO. 04 2 ACESSO. 05 3 ABERTURA DE PROTOCOLO. 06 4 CONSULTA DE PROTOCOLO. 08 5 PROTOCOLO PENDENTE. 10 6 CONFIRMAÇÃO DE RECEBIMENTO.
ÍNDICE 1 INTRODUÇÃO... 04 2 ACESSO... 05 3 ABERTURA DE PROTOCOLO... 06 4 CONSULTA DE PROTOCOLO... 08 5 PROTOCOLO PENDENTE... 10 6 CONFIRMAÇÃO DE RECEBIMENTO... 11 7 ANDAMENTO DE PROTOCOLO... 12 8 RELATÓRIOS,
Leia maisHardware (Nível 0) Organização. Interface de Máquina (IM) Interface Interna de Microprogramação (IIMP)
Hardware (Nível 0) Organização O AS/400 isola os usuários das características do hardware através de uma arquitetura de camadas. Vários modelos da família AS/400 de computadores de médio porte estão disponíveis,
Leia maisPROF. DR. JACQUES FACON
PUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON LIMIARIZAÇÃO DUPLA DE ISTVÁN CSEKE PROJETO DE UMA RÁPIDA SEGMENTAÇÃO PARA
Leia maisFILTRAGEM ESPACIAL. Filtros Digitais no domínio do espaço
FILTRAGEM ESPACIAL Filtros Digitais no domínio do espaço Definição Também conhecidos como operadores locais ou filtros locais Combinam a intensidade de um certo número de piels, para gerar a intensidade
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisSEGEMENTAÇÃO DE IMAGENS. Nielsen Castelo Damasceno
SEGEMENTAÇÃO DE IMAGENS Nielsen Castelo Damasceno Segmentação Segmentação Representação e descrição Préprocessamento Problema Aquisição de imagem Base do conhecimento Reconhecimento e interpretação Resultado
Leia maisO Software Face Match
Apêndice A O Software Face Match A.1 - Desenvolvimento do software para a extração de características de imagens de faces humanas: Face Match. Para dar suporte à proposta do trabalho de mestrado iniciou-se
Leia maisComparação 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 maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisManual de implantação
Manual de implantação O BioPass ID é um serviço online baseado em nuvem que fornece uma poderosa tecnologia multibiométrica (reconhecimento de impressões digitais e face) para os desenvolvedores de qualquer
Leia maisOrientação a Objetos
1. Domínio e Aplicação Orientação a Objetos Um domínio é composto pelas entidades, informações e processos relacionados a um determinado contexto. Uma aplicação pode ser desenvolvida para automatizar ou
Leia maisManual SAGe Versão 1.2 (a partir da versão 12.08.01)
Manual SAGe Versão 1.2 (a partir da versão 12.08.01) Submissão de Relatórios Científicos Sumário Introdução... 2 Elaboração do Relatório Científico... 3 Submissão do Relatório Científico... 14 Operação
Leia maisReconhecimento de Instâncias (parte 2)
Reconhecimento de Instâncias (parte 2) Rafael Galvão de Mesquita rgm@cin.ufpe.br Carlos Alexandre Mello cabm@cin.ufpe.br SURF Speeded-Up Robust Features [3] Computer Vision and Image Understanding, 2004
Leia maisStatus. Barra de Título. Barra de Menu. Barra de. Ferramentas Padrão. Caixa de nomes. Barra de. Ferramentas de Formatação. Indicadores de Coluna
O que é uma planilha eletrônica? É um aplicativo que oferece recursos para manipular dados organizados em tabelas. A partir deles pode-se gerar gráficos facilitando a análise e interpretação dos dados
Leia maisÍNDICE 1 INTRODUÇÃO. 04 2 ACESSO. 05 3 CONSULTA DE PROTOCOLO. 06 4 PROTOCOLO PENDENTE. 08 5 CONFIRMAÇÃO DE RECEBIMENTO. 09 6 ANDAMENTO DE PROTOCOLO.
ÍNDICE 1 INTRODUÇÃO... 04 2 ACESSO... 05 3 CONSULTA DE PROTOCOLO... 06 4 PROTOCOLO PENDENTE... 08 5 CONFIRMAÇÃO DE RECEBIMENTO... 09 6 ANDAMENTO DE PROTOCOLO... 10 7 RELATÓRIOS, OFÍCIOS E ETIQUETAS...
Leia maisREDUZINDO AS QUEBRAS ATRAVÉS DA MANUTENÇÃO PROFISSIONAL
REDUZINDO AS QUEBRAS ATRAVÉS DA MANUTENÇÃO PROFISSIONAL Luiz Rodrigo Carvalho de Souza (1) RESUMO O alto nível de competitividade exige que as empresas alcancem um nível de excelência na gestão de seus
Leia maisSCANNER DE TRIANGULAÇÃO LASER PARA PROTOTIPAGEM 3D
SCANNER DE TRIANGULAÇÃO LASER PARA PROTOTIPAGEM 3D Autores: Evandro Francisco WEISS, Felipe Augusto SCHIQUETTI, Eduardo Bidese PUHL Identificação autores: Aluno da Ciência da Computação, Bolsista IFC Rio
Leia maisOperações Algébricas e Lógicas. Guillermo Cámara-Chávez
Operações Algébricas e Lógicas Guillermo Cámara-Chávez Operações Aritméticas São aquelas que produzem uma imagem que é a soma, diferença, produto ou quociente pixel a pixel Operações Aritméticas Fig A
Leia maisSegmentação de imagens tridimensionais utilizando o sensor Microsoft Kinect
Segmentação de imagens tridimensionais utilizando o sensor Microsoft Kinect Lucas Viana Barbosa 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o ser
Leia maisTabela de Símbolos. Análise Semântica A Tabela de Símbolos. Principais Operações. Estrutura da Tabela de Símbolos. Declarações 11/6/2008
Tabela de Símbolos Análise Semântica A Tabela de Símbolos Fabiano Baldo Após a árvore de derivação, a tabela de símbolos é o principal atributo herdado em um compilador. É possível, mas não necessário,
Leia maisCorelDRAW 11 1. UM PROGRAMA DE DESIGN
CorelDRAW 11 1. UM PROGRAMA DE DESIGN Com o Corel você vai trabalhar com um dos aplicativos mais usados no campo do design e da auto-edição, já que permite operar com dois tipos de gráficos (vetoriais
Leia maisUniversidade Federal de Pernambuco
Universidade Federal de Pernambuco Graduação em Engenharia da Computação Centro de Informática 2D Feature Distance Estimation for Indoor Environments using 2D laser range data Proposta de Trabalho de Graduação
Leia maisEngenharia de Software III
Engenharia de Software III Casos de uso http://dl.dropbox.com/u/3025380/es3/aula6.pdf (flavio.ceci@unisul.br) 09/09/2010 O que são casos de uso? Um caso de uso procura documentar as ações necessárias,
Leia maisAula 01 - Formatações prontas e condicionais. Aula 01 - Formatações prontas e condicionais. Sumário. Formatar como Tabela
Aula 01 - Formatações prontas e Sumário Formatar como Tabela Formatar como Tabela (cont.) Alterando as formatações aplicadas e adicionando novos itens Removendo a formatação de tabela aplicada Formatação
Leia mais29/08/2011. 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 maisAnálise Univariada de Sinais Mioelétricos
Análise Univariada de Sinais Mioelétricos Orientador: Maria Claudia Ferrari de Castro Departamento: Engenharia Elétrica Candidato: Luiz Victor Esteves N FEI: 11209220-0 Início: Setembro/10 Provável conclusão:
Leia maisUNIVERSIDADE F EDERAL DE P ERNAMBUCO ANÁLISE DE UM MÉTODO PARA DETECÇÃO DE PEDESTRES EM IMAGENS PROPOSTA DE TRABALHO DE GRADUAÇÃO
UNIVERSIDADE F EDERAL DE P ERNAMBUCO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA 2010.2 ANÁLISE DE UM MÉTODO PARA DETECÇÃO DE PEDESTRES EM IMAGENS PROPOSTA DE TRABALHO DE GRADUAÇÃO Aluno!
Leia mais4 Avaliação Experimental
4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre
Leia maisArtigo Os 6 Mitos Do Seis Sigma
Artigo Os 6 Mitos Do Seis Sigma Celerant Consulting A metodologia do Seis Sigma a abordagem Definir, Medir, Analisar, Melhorar e Controlar (DMAIC) para resolução de problemas e as ferramentas a serem usadas
Leia mais2.1.2 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 maisClip-art Retrieval using Sketches PTDC/EIA-EIA/108077/2008
PROJECTOS DE INVESTIGAÇÃO CIENTÍFICA E DESENVOLVIMENTO TECNOLÓGICO Clip-art Retrieval using Sketches PTDC/EIA-EIA/108077/2008 Deliverable: D1 - Clip-art Simplification Tool Task: T1 - Clip-art Simplification
Leia maisPdP. Autor: Luís Fernando Patsko e Tiago Lone Nível: Intermediário Criação: 26/12/2005 Última versão: 18/12/2006
TUTORIAL Servo-motor Autor: Luís Fernando Patsko e Tiago Lone Nível: Intermediário Criação: 26/12/2005 Última versão: 18/12/2006 PdP Pesquisa e Desenvolvimento de Produtos http://www.maxwellbohr.com.br
Leia maisAlgoritmos e Programação (Prática) Profa. Andreza Leite andreza.leite@univasf.edu.br
(Prática) Profa. Andreza Leite andreza.leite@univasf.edu.br Introdução O computador como ferramenta indispensável: Faz parte das nossas vidas; Por si só não faz nada de útil; Grande capacidade de resolução
Leia maisProcessamento digital de imagens. introdução
Processamento digital de imagens introdução Imagem digital Imagem digital pode ser descrita como uma matriz bidimensional de números inteiros que corresponde a medidas discretas da energia eletromagnética
Leia maisPLANEJAMENTO DA MANUFATURA
58 FUNDIÇÃO e SERVIÇOS NOV. 2012 PLANEJAMENTO DA MANUFATURA Otimizando o planejamento de fundidos em uma linha de montagem de motores (II) O texto dá continuidade à análise do uso da simulação na otimização
Leia maisOs caracteres de escrita
III. Caracteres de Escrita Os caracteres de escrita ou letras técnicas são utilizadas em desenhos técnicos pelo simples fato de proporcionarem maior uniformidade e tornarem mais fácil a leitura. Se uma
Leia maisSphinx 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 maisAutomação de Locais Distantes
Automação de Locais Distantes Adaptação do texto Improving Automation at Remote Sites da GE Fanuc/ Water por Peter Sowmy e Márcia Campos, Gerentes de Contas da. Nova tecnologia reduz custos no tratamento
Leia maisUtilização do SOLVER do EXCEL
Utilização do SOLVER do EXCEL 1 Utilização do SOLVER do EXCEL José Fernando Oliveira DEEC FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO MAIO 1998 Para ilustrar a utilização do Solver na resolução de
Leia mais)LJXUD8PGRVSDUHV'SDUDFRQYROXomRTXHWHPRPHVPRHIHLWRGR NHUQHOGD)LJXUD
)LOWURJDXVVLDQR O filtro Gaussiano pode ser usado como um filtro SDVVDEDL[D. Usando a função Gaussiana para obter valores de uma máscara a ser definida digitalmente. O Filtro de Gaussiano em 1-D tem a
Leia maisImage Descriptors: local features
Image Descriptors: local features Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: local features 2011
Leia maisPLANOS DE CONTINGÊNCIAS
PLANOS DE CONTINGÊNCIAS ARAÚJO GOMES Capitão SC PMSC ARAÚJO GOMES defesacivilgomes@yahoo.com.br PLANO DE CONTINGÊNCIA O planejamento para emergências é complexo por suas características intrínsecas. Como
Leia maisCHECK - LIST - ISO 9001:2000
REQUISITOS ISO 9001: 2000 SIM NÃO 1.2 APLICAÇÃO A organização identificou as exclusões de itens da norma no seu manual da qualidade? As exclusões são relacionadas somente aos requisitos da sessão 7 da
Leia maisMRP II. Planejamento e Controle da Produção 3 professor Muris Lage Junior
MRP II Introdução A lógica de cálculo das necessidades é conhecida há muito tempo Porém só pode ser utilizada na prática em situações mais complexas a partir dos anos 60 A partir de meados da década de
Leia maisSistema para Visualização dos Resultados de Pesquisas de Clima Organizacional. PERSPECTIVA Consultores Associados Ltda.
PERSPECTIVA Consultores Associados Ltda. Sistema para Visualização dos Resultados de Pesquisas de Clima Organizacional Manual do Usuário Este documento é de autoria da PERSPECTIVA Consultores Associados
Leia maisGUIA DE REDAÇÃO PARA TRABALHO DE EM974
GUIA DE REDAÇÃO PARA TRABALHO DE EM974 CONSIDERAÇÕES GERAIS O objetivo deste documento é informar a estrutura e a informação esperadas num texto de Trabalho de Graduação. O conteúdo do texto deverá ser
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação
SOFT DISCIPLINA: Engenharia de software AULA NÚMERO: 08 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir conceitos relacionados a modelos e especificações. Nesta aula
Leia maisNoções Básicas de Excel página 1 de 19
Noções Básicas de Excel página 1 de 19 Conhecendo a tela do Excel. A BARRA DE FÓRMULAS exibe o conteúdo de cada célula (local) da planilha. Nela podemos inserir e alterar nomes, datas, fórmulas, funções.
Leia maisLista de Controle Supervisório de SEDs
Lista de Controle Supervisório de SEDs Maj Carrilho Outubro de 2010 1 Parte I - Conceitos Nos problemas a seguir seja um SED com comportamento representado por um gerador G = (Σ, Q, δ, q 0, Q m ) ou, de
Leia maisOperações Geométricas com Imagens
Introdução ao PID Processamento de Imagens Digitais Operações Geométricas com Imagens Glaucius Décio Duarte Instituto Federal Sul-rio-grandense : Campus Pelotas Engenharia Elétrica Atualizado em 17mar2015
Leia maisOperações de Caixa. Versão 2.0. Manual destinado à implantadores, técnicos do suporte e usuários finais
Operações de Caixa Versão 2.0 Manual destinado à implantadores, técnicos do suporte e usuários finais Sumário Introdução... 3 Suprimento... 3 Sangria... 4 Abertura de Caixa... 6 Fechamento de Caixa...
Leia maisCálculo Numérico Aula 1: Computação numérica. Tipos de Erros. Aritmética de ponto flutuante
Cálculo Numérico Aula : Computação numérica. Tipos de Erros. Aritmética de ponto flutuante Computação Numérica - O que é Cálculo Numérico? Cálculo numérico é uma metodologia para resolver problemas matemáticos
Leia maisExemplos: Análise de Valor Agregado (Ex_vagregado.SPRJ)
Exemplos: Análise de Valor Agregado (Ex_vagregado.SPRJ) Este exemplo tem como base atividades descritas em um email distribuído na lista da E-Plan (planejamento@yahoogrupos.com.br) com o título Curva Física
Leia maisTrabalho 2 Fundamentos de computação Gráfica
Trabalho 2 Fundamentos de computação Gráfica Processamento de Imagens Aluno: Renato Deris Prado Tópicos: 1- Programa em QT e C++ 2- Efeitos de processamento de imagens 1- Programa em QT e C++ Para o trabalho
Leia maisFeature-Driven Development
FDD Feature-Driven Development Descrição dos Processos Requisitos Concepção e Planejamento Mais forma que conteúdo Desenvolver um Modelo Abrangente Construir a Lista de Features Planejar por
Leia maisVCA Treinamento em Algoritmo
Conteúdo VCA Treinamento em Algoritmo VCA Treinamento em Algoritmo Conteúdo Algoritmos Rastreador (tracker) Monitoramento Objeto Abandonado/Removido Pessoas Calibração Classificação Linha de contagem Auto
Leia maisProcessos Técnicos - Aulas 4 e 5
Processos Técnicos - Aulas 4 e 5 Trabalho / PEM Tema: Frameworks Públicos Grupo: equipe do TCC Entrega: versão digital, 1ª semana de Abril (de 31/03 a 04/04), no e-mail do professor (rodrigues.yuri@yahoo.com.br)
Leia maisLição 1 - Criação de campos calculados em consultas
1 de 5 21-08-2011 22:15 Lição 1 - Criação de campos calculados em consultas Adição de Colunas com Valores Calculados: Vamos, inicialmente, relembrar, rapidamente alguns conceitos básicos sobre Consultas
Leia maisUtilizando a ferramenta de criação de aulas
http://portaldoprofessor.mec.gov.br/ 04 Roteiro Utilizando a ferramenta de criação de aulas Ministério da Educação Utilizando a ferramenta de criação de aulas Para criar uma sugestão de aula é necessário
Leia maisTOPOLOGIA DA IMAGEM DIGITAL
Faculdade de Computação Universidade Federal de Uberlândia TOPOLOGIA DA IMAGEM DIGITAL Sumário Vizinhança de um pixel O que é conectividade? Algoritmo para rotular componentes conectadas Relação de adjacência
Leia maisNa medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.
1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade
Leia maisCálculo do conjunto paralelo
Cálculo do conjunto paralelo Vamos usar letras maiúsculas A; B, etc para representar conjuntos e letras minusculas x, y, etc para descrever seus pontos. Vamos usar a notação x para descrever a norma de
Leia maisInstituto Politécnico de Beja. Escola Superior de Tecnologia e Gestão
Instituto Politécnico de Beja Escola Superior de Tecnologia e Gestão Curso de Engenharia Informática Disciplina de Estrutura de dados e Algoritmos 2º Ano - 1º Semestre Relatório Connected Component Labeling
Leia maisExplorando Dicionários Visuais para Recuperação de Imagem por Conteúdo
Explorando Dicionários Visuais para Recuperação de Imagem por Conteúdo Bruno Miranda Sales¹ e Rodrigo Tripodi Calumby¹ ¹Departamento de Ciências Exatas Universidade Estadual de Feira de Santana (UEFS)
Leia mais6. Geometria, Primitivas e Transformações 3D
6. Geometria, Primitivas e Transformações 3D Até agora estudamos e implementamos um conjunto de ferramentas básicas que nos permitem modelar, ou representar objetos bi-dimensionais em um sistema também
Leia maisDescritores de textura na análise de imagens de microtomografia computadorizada
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Descritores de textura na análise de imagens de microtomografia computadorizada Sandro R. Fernandes Departamento de Educação e Tecnologia, Núcleo de
Leia mais