- lnteligência Artificial. Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry

Transcrição

1 PCS lnteligência Artificial Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim Aluno: Joaquín Barreyro

2 Introdução Atualmente a classificação de feijão é um processo manual Análise de amostras Demanda muito tempo Representa um custo alto Análise subjetiva Fig 1- Variedades de feijão

3 Introdução Agrupação por espécie botânica: Grupo 1: Phaseolusvulgaris (Feijão carioca) Grupo 2: Vignaunguiculata (Feijão de corda) Classes de acordo com a cor: Branco, Preto, Cores, misturado. Subclasses: Mulato, Canapu, Sempre-verde, Vinagre, Corujinha,Azulão, Manteiga, Carioca.

4 Introdução Sistema de computação visual para classificação de amostras de feijão em três tipos principais: Carioca, Mulato e Preto Fig 2- Exemplos dos tipos de feijão mais consumidos no brasil a) Carioca, b) Mulato c) Preto

5 Sistema em blocos Inicio Aquisição de imagem colorida Conversão de imagem colorida em níveis de cinza Segmentação: (localização de cada feijão) Classificação Fim

6 Sistema de Captura

7 Conversão de imagem colorida em níveis de cinza Aprendizado supervisionado Dois conjuntos de dados: Conjunto B- pixeis do fundo (negative training data) Conjunto F- pixeis de feijão (positive training data) Fig 4- Exemplos de cores a)cor de fundo, b - e) cores de feijão

8 Conversão de imagem colorida em níveis de cinza Preto: feijão; Branco: fundo; Cinza: indefinido Algoritmo baseado no K-Nearest Neighbor (K-NN) Pixel (intensidade, saturação, tom), isto é, (i, s, h) Distancia entre píxel (norma euclidiana) Cor do pixel resultante S

9 Conversão de imagem colorida em níveis de cinza Fig 5. a) Imagem original. b) Resultado do mapeamento em níveis de cinza

10 Segmentação de grãos Objetivo: Localizar cada feijão, determinar tamanho, excentricidade e ângulo de rotação. Segmentação usando correlação cruzada com um conjunto de imagens que representam os diferentes tamanhos, excentricidades e orientações dos grãos.

11 Segmentação de grãos Definição de correlação cruzada N imagens (matrizes) Imagem final

12 Segmentação de grãos Buscando picos: Um pixel é um pico se for maior que os 8 vizinhos. Problema: muitos falsos positivos. (Feijão detectado erroneamente)

13 Segmentação de grãos Filtragem de falsos picos com dois parâmetros: limiar de correlação: limiar de interseção:

14 Segmentação de grãos a) c) b) Fig 7. a) Imagem adquirida. b) imagem em níveis de cinza. c) Localização de grãos

15 Classificação Categorias: Carioca, Preto e Mulato Determinar a cor predominante do grão. K-means para agrupar segundo cor no espaço RGB Comparar a cor predominante do grão, com a cor predominante de grãos escolhidos manualmente. K-NN para procurar a cor.

16 Classificação Determinar a cor predominante do grão. Eliminar bordas. Criar um conjunto de todas cores. Usando K-means com K=2 determinar dois conjuntos de cores: Determinar o centro geométrico de cada conjunto c1 e c2. Determinar a frequência relativa:

17 Classificação Comparar a cor do grão, com a cor de um conjunto de grãos classificados manualmente. Novamente utiliza K-NN para achar o similar. Fig 8. a) Feijão carioca b) Feijão carioca sem borda c) Feijão preto d) Feijão mulato e) Feijão carioca de duas cores. f) feijão mulato que se assemelha a um feijão Carioca

18 Fig 9. a-b) Identificação de tipos de feijão. c-d) Identificação de tipo, com impurezas

19 Experimento e resultados modo estático Foram avaliadas 100 imagens com 100 grãos cada uma.

20 Experimento e resultados modo estático O sistema encontrou 9996 de grãos. 99,96% O sistema classificou corretamente 9995 de ,95% Desempenho computacional: Desenvolvido em C/C++ utilizando Ceikekon e OpenCV. Core i7 2.5=2GHz Tempo total 18 segundos. 6 para RGB ==> Gray 11 Para segmentação 1 Para classificação

21 Experimento e resultados modo continuo Feijão carioca: 930 Feijão preto: 70

22 Trabalhos futuros Mais subclasses de feijão Impurezas Outras características como peso, e % de objetos estranhos na amostra. Umidade Cheiro

23 Perguntas? Seminário sobre o artigo: Beans quality inspection using correlation-based granulometry Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim Apresentação: Joaquín Barreyro