Instituto de Física de São Carlos Física Aplicada - Física Computacional

Transcrição

1 Instituto de Física de São Carlos Física Aplicada - Física Computacional Avaliação da Qualidade de Placas de Madeira Através de um Sistema de Inferência Nebuloso Baseado em Redes Neurais Adaptativas Celso Aparecido de França Orientador: Prof.Dr. Adilson Gonzaga

2 IDENTIFICAÇÃO DO PROBLEMA Indústria de lápis -> automatização da produção A distribuição dos padrões visuais indica a qualidade da placa de madeira. Inspetores humanos -> flexibilidade e possui pouca confiabilidade

3 OBJETIVOS Definir uma nova abordagem para classificação de placas de madeiras, quanto a sua qualidade`. Características: maior poder discriminante velocidade de processamento auto-repetitivo com um padrão de classificação

4 ESTADO DA ARTE Szymani & McDonald - Comparam as vantagens e desvantagens dos métodos: óticos a laser, de ultra-som, microondas, raio-x e radiografia com neutron para detectar defeitos em madeiras Conners et al - Tomografia computadorizada para detectar nós internos e eq. Óticos a laser para detectar defeitos na superfície * propriedades tonais (média, variância,...) 91,67% * matriz de co-ocorrência (entropia...) 92,19% * os dois métodos 98%

5 ESTADO DA ARTE Bustler et al - da imagem colorida, calculam média e variância do: canal de intensidade (R+G+B)/3 canal de cor (R-B)/2 utilizam histograma para definir os thresholds 100% dos furos Sobey & Semple - utilizam medidas tonais (média, variância, assimetria e curtose) e um classificador linear (95% de áreas com defeitos)

6 ESTADO DA ARTE Koivo e Kim - as características de entrada são determinadas através de um modelo causal autoregressivo (CAR), que representa a dependência estatística de um pixel com a sua vizinhança. Utilizam um classificador linear em árvore (97,2% dos defeitos) Steele et al - analisam a inclinação da grã cruzada para detectar o defeito presente na madeira, com a finalidade de otimizar o processo de corte.

7 ESTADO DA ARTE Zhu et al - tomógrafo computadorizado suaviza a imagem (filtro adaptativo) segmenta (múltiplos thresholds ) elimina bordas irregulares (erosão e dilatação) verifica se a área contém defeito ou não) Rodrigues - método limiar automático utilizando a entropia de Shannon > caract.: valor de limiar, entropia total, razão de assimetria, diferença entre os picos da parcela da entropia e razão entre o limiar da região e o limiar médio da placa. 56,28% a 62,81%

8 MADEIRAS As placas de madeira utilizadas para a fabricação de lápis provém da espécie Pinus caribaea hondurensis - > espécie que melhor se adaptou no estado de São Paulo por causa do clima (seco) e solos pobres [cerrados]. A aparência e a textura da madeira são conseqüências da forma, da dimensão e da disposição dos traqueídes.

9 MADEIRAS

10 MADEIRAS Madeira de primavera (lenho inicial): madeira mole, menor densidade e resistência paredes celulares mais finas.

11 MADEIRAS Madeira de verão (lenho tardio): madeira mais dura, maior densidade e resistência, células menores e paredes celulares mais espessas.

12 CORTE DA MADEIRA Superf. Transversal - perpendicular ao eixo do caule (X). Superf. Radial - longitudinal, paralela aos raios e perpendicular aos anéis de crescimento (R) Superf. Tangencial - longitudinal, perpendicular aos raios e tangencial aos anéis de crescimento (T).

13 CLASSES DAS PLACAS De acordo com os especialistas da fábrica, existem 5 classes de placas: A, B, C, D e S

14 CLASSES DAS PLACAS Classe C - provém do corte radial, possuindo listras longitudinais (madeira dura do anel de crescimento).

15 CLASSES DAS PLACAS Classe D - provém do corte radial, possuindo muitas listras longitudinais (madeira dura do anel de crescimento) e/ou algumas áreas mais escuras.

16 CLASSES DAS PLACAS Classe S - provém do corte tangencial, possuindo muita quantidade de madeira dura.

17 CLASSES DAS PLACAS Classe A - isentas de madeira dura dos anéis de crescimento. São as mais homogêneas Classe B - podem apresentar poucas listras ou pequenas áreas mais escuras

18 EQUIPAMENTOS UTILIZADOS câmera CCD Hitachi frame grabber da Data Translations IRIS (DT-2851 e DT-2858) microcomputador PC software desenvolvido em C (microsoftc 6.0) Iluminação artificial controlada esteira rolante solenóide p/ acionamento do braço mecânico

19 EQUIPAMENTOS UTILIZADOS

20 METODOLOGIA Aquisição da imagem x256 pixels com 256 níveis de cinza

21 PRÉ-PROCESSAMENTO Transformação linear nos níveis de cinza para enriquecer o contraste. ( RMAX RMIN).( G( i, j) GMIN) F ( i, j) = + ( GMAX GMIN) R MAX Binarização - seleção interativa [Parker, 1994]

22 EXTRAÇÃO DE CARACTERÍSTICAS Divisão da imagem em sub-regiões. Testes com: 64 x 64 (8 regiões) 64 x 32 (16 regiões) 32 x 32 (32 regiões) 64 x 14 (36 regiões) Características - estatísticas de 1 a e 2 a ordem: média, variância, entropia, IDM... histograma da soma e diferença [Unser, 1986]- (média, variância, energia, correlação, entropia...) analisado nas 4 direções (0 o,45 o,90 o e135 o ) com distância 1, 2, 4, 6.

23 REDES NEURAIS Proposta de utilizar 2 redes neurais, cada uma trabalhando apenas com uma característica. perceptrons de múltiplas camadas (MLP) com algoritmo de back-propagation estrutura direta aprendizado supervisionado hetero-associativa 16 nós de entrada referentes às 16 regiões 5 nós de saída referentes às 5 classes (A,B,C,D,S) 18 nós na camada escondida (8,10,15,20 e 18) erro de 0,01% ou 100 mil interações (0,035%)

24 LÓGICA FUZZY Refinar as saídas das redes neurais através das regras fuzzy. 1 o teste:utilizando diretamente as saídas das redes neurais como valor de pertinência.

25 LÓGICA FUZZY R1: SE rede 1 é A E rede2 é A ENTÃO saída é A

26 LÓGICA FUZZY 2 o teste: fuzzificando as saídas das redes neurais através de 3 variáveis lingüísticas (2,3 e 4).

27 LÓGICA FUZZY

28 OUTROS CLASSIFICADORES - REDE NEURAL MLP com: 32 nós na camada de entrada 5 nós na camada de saída 50 nós na camada escondida (30,40,50 e 60) 1850 ligação entre nós (378 - método proposto) erro de 0,01% ou 100 mil interações (0,038%)

29 OUTROS CLASSIFICADORES - CURVAS DE CARACTERÍSTICAS

30 OUTROS CLASSIFICADORES - BAYES Função densidade de probabilidade condicional (multivariável): )] ( ) ( 2 1 exp[ 2 1 ) / ( 1 2 1/ 2 / i i t i i d u x u x wi x p = Σ π = ni k k i i x n u 1 = = Σ i n k t k k i i u x u x n 1 ) ).( ( 1 1

31 OUTROS CLASSIFICADORES - KNN Distância euclidiana placa inteira e sobre as regiões

32 COMPARAÇÃO ENTRE OS MÉTODOS Freqüência das classes

33

34

35 CONCLUSÕES Os sistemas propostos foram os que mais se aproximaram da classificação dos inspetores humanos 63,81% a 67,33% - sist.neuro-fuzzy com. fuzzificação nas saídas das redes neurais 63,81% a 66,33% - sist.neuro-fuzzy sem fuzzificação 60,3% a 65,33% - redes neurais 56,28% a 63,83% - métodos propostos por Rodrigues 45,73% a 47,79% - KNN

36 CONCLUSÕES Entre os 3 inspetores humanos há 116 placas coincidentes: placas: A B C D S problema subjetivo Vantagens do método automático proposto: - repetibilidade - padronização do processo de classificação - sistema de baixo custo

37 CONTRIBUIÇÕE DA TESE Contribui com uma nova metodologia na área de classificação de placas de madeiras, analisando as características visuais, através de redes neurais e lógica fuzzy. A classificação é próxima a dos inspetores humanos, mas com repetibilidade e com um padrão definido. Divisão do vetor de característica da rede neural, fazendo com que cada característica seja tratada em uma rede neural própria.

38 TRABALHOS FUTUROS Imagens coloridas (outras informações) Testar outras arquiteturas de redes Implementação em hardware dedicado O algoritmo pode ser paralelizado