Instituto de Física de São Carlos Física Aplicada - Física Computacional
|
|
- Denílson Benke Henriques
- 5 Há anos
- Visualizações:
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
VISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 6 Histograma de Imagem Digital 2 de 18 Sumário Conceitos Sistema de
Leia maisMANUAL DE CLASSIFICAÇÃO VISUAL
MANUAL DE CLASSIFICAÇÃO VISUAL Convênio Racional Engenharia S/A e IBRAMEM CALIL JR, C. OKIMOTO, F.S. PFISTER, G. M. SUMÁRIO I. DEFINIÇÕES II. TIPOS DE CORTES III. CLASSIFICAÇÃO POR DEFEITOS 1. Defeitos
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 6 Histograma de Imagem Digital 2 de 32 Sumário Conceitos Sistema de
Leia maisDiagnóstico Médico de Imagem Auxiliado por Computador
Diagnóstico Médico de Imagem Auxiliado por Computador Fundamentos de Sistemas Multimídia Flávio Luiz Seixas 2005 Agenda Agenda: Sistemas CAD Telemedicina Princípios da Tomografia Computadorizada Processamento
Leia maisDescritores de Imagem (exemplos)
Descritores de Imagem (exemplos) André Tavares da Silva andre.silva@udesc.br Baseado em Penatti (2009) e Silva (2011) Alguns exemplos Descritores baseados em cor Na literatura existem quatro abordagens
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisPMR2560 Visão Computacional Conversão e Limiarização. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Conversão e Limiarização Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Conversão de imagens; Histograma; Limiarização. Imagem digital Uma imagem é uma matriz
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Leia maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia maisDr. Sylvio Barbon Junior. Departamento de Computação - UEL. 1 o Semestre de 2015
Introdução a Computação Gráfica [5COP100] Dr. Sylvio Barbon Junior Departamento de Computação - UEL 1 o Semestre de 2015 Assunto Aula 8 Descritores de Imagens Digitais 2 of 47 Sumário Descritores e Reconhecimento
Leia maisUMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS. Rogério Vargas DCET UESC Home page: rogerio.in
UMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS Rogério Vargas DCET UESC Home page: rogerio.in Exemplo de aplicações: automação e visão artificial reconhecimento de caracteres análise de cromossomos veículos
Leia maisUm Estudo das Técnicas de Obtenção de Forma a partir de Estéreo e Luz Estruturada para Engenharia
Um Estudo das Técnicas de Obtenção de Forma a partir de Estéreo e Luz Estruturada para Engenharia Aluno: Gabriel Malizia Orientador: Professor Marcelo Gattass Co-Orientador: Professor Paulo Cezar Carvalho
Leia maisProcessamento de Imagens Digitais
Processamento de Imagens Digitais Antonio Cesar Germano Martins 2º semestre de 2018 Apresentações Nascido em Sorocaba. Graduado em Bacharelado em Física pela UNICAMP em 1989, tendo participado de pesquisas
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira Programa de Pós-Graduação em Informática Departamento de Informática UFPR http://www.inf.ufpr.br/aghochuli/caffe/ Redes Neurais
Leia maisAplicações da RMC. Avaliação de Algoritmos. Tratamento nos dados 27/8/2010. Roseli A F Romero SCC 5809 REDES NEURAIS
SCC 5809 REDES NEURAIS Profa. ROSELI ROMERO Aplicações da RMC Reconhecimento de Imagens: FACES/GESTOS Reconhecimento de Voz Transformação de Texto em Voz Previsão de Bolsa de Valores Análise de Dados Financeiros
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisMapas Auto-Organizáveis de Kohonen SOM
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Mapas Auto-Organizáveis de Kohonen SOM Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Leia maisUSO DE TÉCNICAS DE SEGMENTAÇÃO NA ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DE PULMÕES COM DPOC
USO DE TÉCNICAS DE SEGMENTAÇÃO NA ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DE PULMÕES COM DPOC 1 2 3 Fausta Joaquim Faustino, Álisson Gomes Linhares, John Hebert Da Silva Felix Resumo: O uso das
Leia maisImage Descriptors: color
Image Descriptors: color 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: color 2011 1 / 29 Agenda
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisDesenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea
Desenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea Pedro Henrique Campos Cunha Gondim Orientador: André Ricardo Backes Coorientador: Bruno Augusto Nassif Travençolo
Leia maisFundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisCaracterísticas gerais da Madeira Prof. Dr. Umberto Klock.
AT073 - Introdução à Engenharia Industrial Madeireira Características gerais da Madeira Prof. Dr. Umberto Klock. 1 Características gerais da Madeira O que iremos apresentar e discutir? Plantas superiores
Leia maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientadores: Dr. Luiz E. S. Oliveira/Dr. Alceu Britto Programa de Pós-Graduação em Informática Departamento de Informática UFPR Neurônio Artificial Redes Neurais - Vetor de Caracteristícas
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisF- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 2 Processamento Espacial
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 2 Processamento Espacial Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisProcessamento de Imagem. Histograma da Imagem Professora Sheila Cáceres
Processamento de Imagem Histograma da Imagem Professora Sheila Cáceres Histograma É a distribuição de frequência dos níveis de cinza da imagem onde cada entrada no eixo x representa o nível de cinza específico
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Extração de Características
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Extração de Características Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Entender os conceitos de
Leia maisAula 10 Reconhecimento de Padrões : Texturas (parte
Aula 10 Reconhecimento de Padrões : Texturas (parte 4). Análise de Imagens - 2015 Aura Conci DEFINIÇÕES DE TEXTURA Padrão visual : que possui algumas propriedades de homogeneidade que não resultam simplesmente
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia maisIntrodução Trabalhos Relacionados Metodologia Resultados Considerações Finais. Aluna: Aline Dartora Orientador: Prof. Dr. Lucas Ferrari de Oliveira
Análise de Extratores de Características para a Classificação de Tecidos Pulmonares e Não-Pulmonares em Imagens de Tomografia Computadorizada de Alta Resolução Aluna: Aline Dartora Orientador: Prof. Dr.
Leia maisDetecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais
Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais Wellington da Rocha Gouveia Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica
Leia maisProcessamento De Imagem. Descritores de Cor
Processamento De Imagem Descritores de Cor Cores Uma das propriedades mais importantes para visão humana. Muito usada em sistemas de recuperação de imagens, CBIRs. Taxonomia Global A informação de cor
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
Leia maisPrincípios e representação de imagens
Processamento de Imagens Médicas Princípios e representação de imagens Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) 1 Tópicos Processamento de imagens Percepção
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia mais- lnteligência Artificial. Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry
PCS - 5689 - lnteligência Artificial Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim Aluno:
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisProcessamento de Imagens. Texturas
Processamento de Imagens Texturas Exemplos Introdução Texturas Não existe abordagem formal Não existe definição formal São definidas qualitativamente e não há consenso quanto a sua definição quantitativa
Leia maisSEL Visão Computacional. Aula 2 Processamento Espacial
Departamento de Engenharia Elétrica - EESC-USP SEL-5895 - Visão Computacional Aula 2 Processamento Espacial Prof. Dr. Adilson Gonzaga Prof. Dr. Evandro Linhari Rodrigues Prof. Dr. Marcelo Andrade da Costa
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisCaracterização de danos de maquinagem em placas compósitas
Caracterização de danos de maquinagem em placas compósitas Luís Miguel Pereira Durão ISEP/CIDEM João Manuel R. S. Tavares FEUP/LOME António Torres Marques FEUP/INEGI Manuel Freitas IST/DEM António G. Magalhães
Leia mais11 APENDICE B - INFLUÊNCIA DAS CARACTERÍSTICAS DE CRESCIMENTO NA RESISTÊNCIA.
11 APENDICE B - INFLUÊNCIA DAS CARACTERÍSTICAS DE CRESCIMENTO NA RESISTÊNCIA. 11.1 Nós Os nós causam desvios localizados nas fibras com inclinações excessivas. A figura 127 ilustra o efeito do enfraquecimento
Leia maisPrincípios e representação de imagens
Processamento e Análise de Imagens Médicas Princípios e representação de imagens Prof. Luiz Otavio Murta Jr. Depto. De Computação e Matemática (FFCLRP/USP) 1 Tipos de processamento de imagem Processamento
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Processamento da Informação Capturei uma Imagem! E agora? Assumindo que
Leia maisQuadro Segmentação de Imagens
UNIVERSIDADE DE SÃO PAULO - SÃO CARLOS INSTITUTO DE CIÊNCIAS Processamento de Imagens - SCC0251 2013/1 Prof. Dr. Mario Gazziro Monitor PAE: Vinicius Ruela Pereira Borges - viniciusrpb@icmc.usp.br 1 Método
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisAquisição de Imagens
Aquisição de Imagens Etapas típicas envolvidas no processamento de imagens. Aquisição da imagem Pré-processamento Segmentação Reconhecimento dos objetos e regiões Princípios da Visão Humana Referência:
Leia maisDetecção automática de pontos para alinhamento de guia tomográfica de mandíbula
Detecção automática de pontos para alinhamento de guia tomográfica de mandíbula Autor: Renan Carlos Pereira de Moraes Orientador: André Ricardo Backes Introdução Descoberta dos Raios X em 1895 por Wilhelm
Leia maisTRATAMENTO DOS DADOS DE SATÉLITES
TRATAMENTO DOS DADOS DE SATÉLITES Fonte de radiação SISTEMA DE COLETA Trajetória ria PRODUTOS INTERAÇÃO SISTEMA TRATAMENTO AÇÕES Produto final Tratamento de imagem Consiste em aplicar determinadas técnicas
Leia maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisTratamento 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/33 Transformações Geométricas 3 Transformações Geométricas
Leia maisAlgoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisClassificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Leia maisProcessamento de Imagens
Processamento de Imagens Prof. Dr. Márcio Sarroglia Pinho 1 Histogramas Equalização Histogramas alpha = 255 / numpixels for each pixel g(x,y) = cumulativefrequency[f(x,y)] * alpha end for http://www.generation5.org/content/2004/histogramequalization.asp
Leia maisTracking de movimentos usando marcadores circulares
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO - COPPE INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS Tracking de movimentos usando marcadores circulares Jéssica de Abreu DRE:114069619 Junho de 2014 1 INTRODUÇÃO Com a
Leia maisQuadLOD: Uma Estrutura para a Visualização Interativa de Terrenos
QuadLOD: Uma Estrutura para a Visualização Interativa de Terrenos Rodrigo Penteado R. de Toledo Orientador: Marcelo Gattass Co-orientador: Luiz Velho PUC-RIO - TecGraf OBJETIVO Gerar imagem a partir dos
Leia maisUm Estudo Comparativo Aplicado à Segmentação de Imagens de Rochas Reservatório ENEIDA ARENDT REGO
Um Estudo Comparativo Aplicado à Segmentação de Imagens de Rochas Reservatório ENEIDA ARENDT REGO 1 SUMÁRIO INTRODUÇÃO IMAGENS DE ROCHAS RESERVATÓRIO REVISÃO BIBLIOGRÁFICA APLICAÇÃO BINARIZAÇÃO DE IMAGENS
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisExtração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em Múltiplas Observações e Detecção com Múltiplas Hipóteses Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa
Leia maisDTCOURO - Detecção Automática de Defeitos em Peles e Couros Bovinos
DTCOURO - Detecção Automática de Defeitos em Peles e Couros Bovinos Hemerson Pistori 1, Mauro Conti Pereira 1, Priscila Silva Martins 1, Eva Maria Corrêa Medeiros 2, Manuel Antonio Chagas Jacinto 2, Mariana
Leia maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Transformações Geométricas
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Transformações Geométricas .(x,y, P).(x,y, P) Imagem fonte Imagem transformada Deve-se notar que, como uma imagem digital é representada por uma matriz
Leia maisNúmeros Fuzzy em Processamento de Imagens Digitais e Suas Aplicações na Detecção de Bordas
Inês Aparecida Gasparotto Boaventura Números Fuzzy em Processamento de Imagens Digitais e Suas Aplicações na Detecção de Bordas Tese apresentada à Escola de Engenharia de São Carlos da Universidade de
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
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 maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisAquisição de Imagens
Aquisição de Imagens Etapas típicas envolvidas no processamento de imagens. Aquisição da imagem Pré-processamento Segmentação Reconhecimento dos objetos e regiões Princípios da Visão Humana Referência:
Leia maisCapítulo 6 Extração de Características e Reconhecimento de Padrões e Objetos. Computação Gráfica - Vol. 2 - Cap. 6
Capítulo 6 Extração de Características e Reconhecimento de Padrões e Objetos 1 Capítulo 6 6.1. Segmentação 6.2. Tipos de características 6.3. Descritores de forma 6.4. Reconhecimento de Padrões em Imagens
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 7 Reconhecimento de Objetos
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 7 Reconhecimento de Objetos Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisDesenvolvimento da Ferramenta de Auxílio ao Diagnóstico Médico
49 Capítulo 8 Desenvolvimento da Ferramenta de Auxílio ao Diagnóstico Médico Está em desenvolvimento, dentro do Grupo de Visão Computacional do Departamento de Engenharia Elétrica da EESC-USP, uma Ferramenta
Leia maisReconhecimento de Linguagem de Sinais e Tecnologia Adaptativa
Reconhecimento de Linguagem de Sinais e Tecnologia Adaptativa Dr. Hemerson Pistori GPEC - Universidade Católica Dom Bosco (UCDB) - Campo Grande, MS Brasil www.gpec.ucdb.br Imagens extraídas de www.dicionariolibras.com.br
Leia maisExtração de Características. Carlos Alexandre Mello
Extração de Características Carlos Alexandre Mello Pós-Graduação em Ciência da Computação Carlos Alexandre Mello cabm@cin.ufpe.br 1 Extração de Características Representação de objetos através de um conjunto
Leia mais4 Microscopia Microscopia Ótica de Luz Refletida em Campo Claro
47 4 Microscopia Tendo em vista a importância do estudo da microestrutura das pelotas de minério de ferro, a técnica de caracterização por microscopia é bastante utilizada para este fim. Dentre os diversos
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE GRADUAÇÃO. Currículo Pleno
UNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE GRADUAÇÃO Currículo Pleno Curso: G022 - Engenharia de Controle e Automação (Bacharelado) Base Curricular: 2013/02 Disciplinas Obrigatórias Código Nome Período
Leia maisExemplos. Propagação (Reconstrução)
Processamento de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) Propagação (Reconstrução) lgoritmos Baseados
Leia maisSegmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo
Segmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo Dissertação de Mestrado Aluno: Bruno Costa Orientador: Herman Gomes
Leia maisUNIVERSIDADE DE SÃO PAULO INSTITUTO DE FÍSICA DE SÃO CARLOS
UNIVERSIDADE DE SÃO PAULO INSTITUTO DE FÍSICA DE SÃO CARLOS AVALIAÇÃO DA QUALIDADE DE PLACAS DE MADEIRA. ATRAVÉS DE UM SISTEMA DE INFERÊNCIA NEBULOSO. BASEADO EM REDES ADAPTATIVAS CELSO APARECIDO DE FRANÇA
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisDefinição de uma Imagem Digital
Definição de uma Imagem Digital Por que um objeto é visível? vel? http://www.luminous-landscape.com/tutorials/color_and_vision.shtml O olho humano o dispositivo de entrada da informação visual Funciona
Leia mais