Redes neurais aplicadas na identificação de variedades de soja
|
|
- Micaela Fonseca Caldas
- 8 Há anos
- Visualizações:
Transcrição
1 Redes neurais aplicadas na identificação de variedades de soja Fábio R. R. Padilha Universidade Regional do Noroeste do Estado do Rio Grande do Sul - UNIJUÍ Rua São Francisco, 5 - Sede Acadêmica, 987-, Ijuí - RS - Brasil roneipadilha@yahoo.com.br Oleg A. Khatchatourian Universidade Regional do Noroeste do Estado do Rio Grande do Sul - UNIJUÍ Rua São Francisco, 5 - Sede Acadêmica, 987-, Ijuí - RS - Brasil olegkha@unijui.edu.br. Introdução A padronização de sementes de soja através do tamanho tem se tornado uma prática rotineira no Brasil e uma exigência de mercado (Lima, 996). A análise morfológica de grãos de soja é caracterizada por procedimentos técnicos utilizados para avaliar a identidade da amostra, ou seja, a verificação da pureza em um lote de sementes quanto à presença de sementes invasoras. De acordo com as Regras para Análise de Sementes (992), a quantidade de sementes analisadas em um laboratório é muito pequena em relação ao tamanho do lote ao qual representa. Se este não for homogêneo ou se houver erro na amostragem, as informações serão incorretas e comprometedoras, podendo beneficiar ou prejudicar os usuários das sementes analisadas. O processo de identificação em sementes de soja é um problema de identificação de padrões. Atualmente, isto é realizado por inspeção visual, uso de produtos químicos e testes de DNA, com alto custo. Para resolver este problema, foram utilizadas Redes Neurais Artificiais (RNA) para auxiliar neste tipo de procedimento. 2. Processamento das Imagens O processamento das imagens foi dividido em cinco etapas: aquisição da imagem, pré-processamento, segmentação, representação, reconhecimento e interpretação (Gonzales, 2). Na primeira etapa, as sementes das variedades pré-selecionadas foram colocadas sobre uma superfície plana de cor preta e fosca. Os grãos foram fotografados por uma câmera digital Coolpix995 da marca Nikon, acoplada a um tripé e ângulo de captação superior reto de 9º, com resolução fina de 28 x 96 pixels sob luz fluorescente. A câmera foi conectada a um adaptador que converteu as imagens em uma saída USB que por sua vez foi conectado ao computador onde as imagens foram salvas em formato JPEG. A partir da segunda etapa foram executados procedimentos no software MATLAB 7. através da ferramenta desenvolvida Figura : Imagem original A imagem a ser processada (Figura ), foi inserida ao programa onde na etapa de préprocessamento foi realizada uma suavização em tons de cinza (Figura 2) Figura 2: Imagem em tons de cinza Este procedimento retornou uma matriz, onde cada posição representa um pixel e seu valor, um tom de cinza do referido pixel.
2 Na próxima etapa foi realizada a segmentação, onde se utilizou o Método de Prewitt para detecção dos contornos dos grãos (Figura 3) Figura 3: Bordas detectadas pelo Método de Prewitt Contudo, o resultado não foi satisfatório, apresentando contornos fracos e descontínuos. Assim, foi necessário realizar uma dilatação desses contornos (Figura 4). da imagem resultante as características para a identificação das variedades. Para isto, aplicou-se um método que retornou as coordenadas de cada pixel e uma numeração seqüencial para cada grão (Figura 8) Figura 5: Preenchimento dos grãos Figura 6: Limpeza das bordas dos grãos Figura 4: Dilatação dos contornos A dilatação dos contornos ainda resultou em alguns contornos descontínuos, então foi aplicada uma função que preencheu todos os grãos que possuíam os contornos contínuos (Figura 5). Devido à dilatação dos contornos, alguns grãos perderam suas características, dificultando a identificação dos padrões nas etapas posteriores. Por isto, realizou-se uma limpeza das bordas dos grãos reduzindo a dilatação realizada anteriormente (Figura 6). Finalizando esta etapa foi realizada a remoção de ruídos (aglomerados com até 7 pixels) que poderiam ser considerados como objetos a serem identificados, mas que por sua vez, não representavam os grãos e sim algum tipo de interferência na imagem (Figura 7). Após a segmentação, iniciou-se a etapa de representação onde foram extraídas Figura 7: Remoção de objetos menores que 7 pixels Figura 8: Imagem com os grãos identificados
3 Através destas coordenadas, extraíram-se da imagem os pixels de cada grão identificados por uma matriz. Devido aos diferentes formatos dos grãos, foram obtidas matrizes de dimensões variadas. Assim, foi realizada uma varredura nestas matrizes a fim de se identificar a maior dimensão entre elas. Feito isto, as matrizes menores foram preenchidas com zeros para igualar a dimensão entre elas. Após este procedimento, cada grão foi definido em termos de valores binários em um grid de dimensão 3 x 3 pixels. A Figura 9 mostra o esquema de um grão de soja através de uma matriz em um grid de tamanho 3 x 3 pixels. transformadas em vetores colunas para que pudessem ser inseridas como dados de entrada na rede neural da próxima etapa. 3. Configuração da Rede Neural Segundo Haykin (2) a arquitetura da rede neural utilizada para o tipo de reconhecimento de padrões verificada neste trabalho é a rede feedforward multicamadas com aprendizado backpropagation (Figura 2). A rede foi composta por 69 neurônios na camada de entrada, 3 camadas ocultas com 9, 7 e 6 neurônios e uma camada de saída com 8 neurônios. As camadas ocultas e a camada de saída possuíam biases. 4. Treinamento da Rede Neural Figura 9: Representação do grão através da matriz Os dados inseridos na rede foram limitados entre os valores (cor preta) e (cor branca) como pode ser observado na Figura. Figura : Imagem binária do grão de soja Para obter os dados de entrada, os padrões de treinamento foram submetidos à fase de pré-processamento que resultou uma matriz de dimensão 69 por 5, onde cada coluna representa um grão reconhecido no conjunto de treinamento descrito na fase de representação. Os vetores objetivos (Figura ) foram representados por uma matriz de dimensão 5 por 8, onde cada coluna representa uma saída desejada para cada grão (vetor unitário da base canônica) e as linhas os padrões a serem treinados. A posição do elemento igual corresponde ao padrão correto. BRS 33 BRS 84 CD 25 CD 26 EMB 48 NK 835 RS MSOY 8RR Figura : Vetores objetivos Finalizando esta etapa, as matrizes correspondentes a cada grão foram
4 Figura 2: Arquitetura da rede neural 5. Treinamento do Algoritmo O procedimento para ajustar os pesos da rede neural (treinamento do algoritmo) envolveu três fases: a propagação do vetor de entrada, a retropropagação do erro e o ajuste dos pesos. Designando W como a matriz dos pesos para a ª camada oculta, o vetor de entrada a para a 2ª camada oculta foi calculado da seguinte forma: 9x 9x69 69x 9x a = f W p + b () onde: p é o vetor de entrada (conjunto de treinamento), b é a bias e f é a função de transferência (sigmóide binária). Seguindo para a próxima camada, tem-se o vetor dos pesos multiplicado pelo vetor de saída da ª camada, caracterizando a propagação da rede e assim para a 3ª camada de acordo com as equações (2) e (3): ( 2) ( 2) 7x 7x9 9x 7x a = f W a + b (2) ( 3) ( 2) ( 3) 6x 6x7 7x 6x a = f W a + b (3) Continuando a etapa feedforward, o ( 4) vetor de saída a para a camada de saída foi calculado da seguinte forma: ( 4) ( 3) ( 4) 8x 8x6 6x 8x a = f V a + b (4) onde: V é a matriz de pesos para camada de saída. Durante a etapa de retropropagação (backpropagation), os pesos da rede foram ajustados para minimizar o erro quadrático total, determinado pela diferença entre o peso atual e o peso da saída da rede. A condição de parada inclui a tolerância na relação total do erro quadrático e no limite de iterações impostas (épocas). A rede neural foi considerada treinada quando os valores de saída estavam dentro do erro estipulado (,). Para os 5 vetores de entrada foram necessárias 352 épocas. 6. Resultados A rede neural após atingir o treinamento foi submetida aos primeiros testes utilizando 8 imagens contendo as amostras das variedades escolhidas. Os resultados são mostrados nas Tabelas a 8. Imagem analisada: Variedade BRS 33 BRS ,9% BRS ,9% CD 25 22,72% CD 26 % EMB ,9% NK ,45% RS % MSOY 8RR 2 4,55% Total 44 % Tabela : Análise da imagem BRS33.jpg
5 Imagem analisada: Variedade BRS 84 BRS ,29% BRS ,% CD ,6% CD 26 2,4% EMB 48 % NK 835 2,4% RS 6 2,24% MSOY 8RR 3 6,2% Total 49 % Tabela 2: Análise da imagem BRS84.jpg Imagem analisada: Variedade CD 25 BRS ,8% BRS ,95% CD ,9% CD 26 % EMB ,82% NK ,69% RS % MSOY 8RR 2,56% Total 39 % Tabela 3: Análise da imagem CD25.jpg Imagem analisada: Variedade CD 26 BRS 33 % BRS % CD 25 % CD % EMB 48 % NK 835 % RS 6 32% MSOY 8RR 4 8% Total 5 % Tabela 4: Análise da imagem CD26.jpg Imagem analisada: Variedade EMB 48 BRS ,37% BRS ,2% CD 25 5,2% CD 26 % EMB ,82% NK ,49% RS % MSOY 8RR % Total 49 % Tabela 5: Análise da imagem EMB.jpg Imagem analisada: Variedade NK 835 BRS ,2% BRS 84 2,3% CD ,5% CD 26 % EMB ,9% NK ,43% RS % MSOY 8RR % Total 47 % Tabela 6: Análise da imagem NK835.jpg Imagem analisada: Variedade RS BRS 33 % BRS % CD 25 % CD 26 22% EMB 48 % NK 835 % RS 29 58% MSOY 8RR 6 2% Total 5 % Tabela 7: Análise da imagem RS.jpg Imagem analisada: Variedade MSOY 8RR BRS ,38% BRS ,5% CD ,26% CD ,5% EMB 48 % NK 835 % RS 2,3% MSOY 8RR 33 7,2% Total 47 % Tabela 8: Análise da imagem MSOY8RR.jpg
6 Em outro teste, foram tiradas fotos separadas em grupos contendo 5,, 5, 2, 25, 3 e 35 grãos para cada variedade a fim de identificar o número de sementes necessárias para a confiabilidade do modelo (Figura 3). Figura 3: Imagens para avaliação da RNA As Figuras 4 a 2 mostram os gráficos resultantes do reconhecimento em relação aos grupos de fotos, os quais ilustram a freqüência de reconhecimento e também uma linha de tendência para cada caso Figura 4: Influência do tamanho do estrato BRS Figura 5: Influência do tamanho do estrato BRS Figura 6: Influência do tamanho do estrato CD Figura 7: Influência do tamanho do estrato CD Figura 8: Influência do tamanho do estrato EMB 48
7 Figura 9: Influência do tamanho do estrato NK Figura 2: Influência do tamanho do estrato RS Figura 2: Influência do tamanho do estrato MSOY 8RR 7. Conclusões Redes Neurais Artificiais em conjunto com Processamento de Imagens Digitais podem ser usadas para a identificação de variedades de soja. O modelo usado foi configurado por uma rede feedforward multicamadas com aprendizado backpropagation. Durante os testes realizados, a rede neural apresentou resultados satisfatórios, obtendo uma média de acerto acima de um terço do total de grãos analisados por variedade. Além disso, observou-se que com o aumento do número de grãos por foto ocorreu uma melhora considerável na identificação. Os resultados mostraram que o modelo foi capaz de identificar as variedades de soja e que as simulações realizadas permitiram escolher a arquitetura de RNA (número de camadas e de neurônios) com um bom desempenho. Referências [] N. M. Carvalho, J. Nakagawa, Sementes: Ciência, Tecnologia e Produção. 4. ed. Jaboticabal: Funep, 2. [2] R. C. Gonzales, R. E. Woods, Processamento de Imagens Digitais. Ed. Edgard Blücher - LTDA, São Paulo - SP, 2. [3] S. Haykin, Redes neurais: princípios e prática. 2.ed., traduzido por Paulo Martins Engel, Porto Alegre: Bookman, 2. [4] R. M. Lima, Efeito do tamanho das sementes sobre alguns atributos fisiológicos e agronômicos. Associação brasileira dos produtores de sementes: Anuários Abrasem, Brasília, DF, p , 996. [5] MATLAB Versão 7., Neural Network Toolbox 4.., Release Notes. The MathWorks, 24. [6] Ministério da Agricultura e Reforma Agrária, Brasil, Regras para análise de sementes. Brasília: SNDA/DNDV/CLAV, 365 p., 992. [7] M. A. Shahin, S. J. Symons, V. W. POYSA, Determining soya bean seed size uniformity with image analysis. Biosystems Engineering (26) 94(2), 9-98.
PALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.
1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia maisMatlab - Neural Networw Toolbox. Ana Lívia Soares Silva de Almeida
27 de maio de 2014 O que é a Neural Networw Toolbox? A Neural Network Toolbox fornece funções e aplicativos para a modelagem de sistemas não-lineares complexos que não são facilmente modelados com uma
Leia maisFiltragem. pixel. perfil de linha. Coluna de pixels. Imagem. Linha. Primeiro pixel na linha
Filtragem As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que dependem do nível de cinza de um determinado "pixel" e do valor dos níveis de cinza dos "pixels" vizinhos, na imagem
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 maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisInteligência Artificial. Redes Neurais Artificiais
Curso de Especialização em Sistemas Inteligentes Aplicados à Automação Inteligência Artificial Redes Neurais Artificiais Aulas Práticas no Matlab João Marques Salomão Rodrigo Varejão Andreão Matlab Objetivos:
Leia maisLocalização de placas em imagens de veículos. Resumo
Localização de placas em imagens de veículos Geovane Hilário Linzmeyer Curso de Inteligência Computacional Pontifícia Universidade Católica do Paraná Curitiba, dezembro de 2005 Resumo Um dos maiores problemas
Leia maisComplemento II Noções Introdutória em Redes Neurais
Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia 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 maisApresentação final do Trabalho de Conclusão -Novembro 2002. Autenticação On-line de assinaturas utilizando Redes Neurais. Milton Roberto Heinen
Apresentação final do Trabalho de Conclusão -Novembro 2002 Autenticação On-line de assinaturas utilizando Redes Neurais Milton Roberto Heinen miltonrh@ig.com.br Motivação Falta de segurança dos sistemas
Leia maisRelatório da Aula Prática sobre Redes Neurais Artificiais
Relatório da Aula Prática sobre Redes Neurais Artificiais Instituto de Informática UFRGS Carlos Eduardo Ramisch Cartão: 134657 INF01017 Redes Neurais e Sistemas Fuzzy Porto Alegre, 16 de outubro de 2006.
Leia maisRevista Hispeci & Lema On Line ano III n.3 nov. 2012 ISSN 1980-2536 unifafibe.com.br/hispecielemaonline Centro Universitário UNIFAFIBE Bebedouro-SP
Reconhecimento de face utilizando banco de imagens monocromáticas e coloridas através dos métodos da análise do componente principal (PCA) e da Rede Neural Artificial (RNA) [Recognition to face using the
Leia mais3 Metodologia de Previsão de Padrões de Falha
3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar
Leia 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 maisComo enviar fotos de câmeras digitais
Como enviar fotos de câmeras digitais Se as fotos que você deseja enviar para o Geo-Obras foram capturadas com uma câmera digital, será necessário copiá-las para o computador. A maioria dos modelos utiliza
Leia maisFigura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia maisReconhecimento de Caracteres Através de Redes Neurais Artificiais com Aplicação a Placas de Automóveis
Anais do XVI Encontro de Iniciação Científica e Pós-Graduação do ITA XVI ENCITA / 2010 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil 20 de outubro de 2010 Reconhecimento de Caracteres
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 maisProcessamento de Imagens para Identificação de Veículos utilizando Inteligência Artificial
Processamento de Imagens para Identificação de Veículos utilizando Inteligência Artificial André Faria Ruaro, Nader Ghoddosi Universidade Federal do Santa Catarina (UFSC) Florianópolis SC Brasil Pós-Graduação
Leia maisAula 2 RNA Arquiteturas e Treinamento
2COP229 Aula 2 RNA Arquiteturas e Treinamento 2COP229 Sumário 1- Arquiteturas de Redes Neurais Artificiais; 2- Processos de Treinamento; 2COP229 1- Arquiteturas de Redes Neurais Artificiais -Arquitetura:
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 maisIdentificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica
Identificação de Caracteres com Rede Neuronal Artificial com Interface Gráfica João Paulo Teixeira*, José Batista*, Anildio Toca**, João Gonçalves**, e Filipe Pereira** * Departamento de Electrotecnia
Leia maisSistema de Autenticação/Identificação Pessoal Biométrica Através da Palma da Mão com o Auxílio de Redes Neurais Artificiais
Anais do 14 O Encontro de Iniciação Científica e Pós-Graduação do ITA XV ENCITA / 2009 Instituto Tecnológico de Aeronáutica São José dos Campos SP Brasil Outubro 19 a 22 2009. Sistema de Autenticação/Identificação
Leia maisDigitalizar Processos ou Documentos Físicos
Sistema Eletrônico de Informações Digitalizar Processos ou Documentos Físicos Prepare os documentos para digitalização: Verificar todas as folhas do processo que serão digitalizadas. As folhas não podem
Leia maisA metodologia utilizada neste trabalho consiste basicamente de três etapas: ensaio, pré-processamento e simulações.
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GCE 20 14 a 17 Outubro de 2007 Rio de Janeiro - RJ GRUPO XIV GRUPO DE ESTUDO DE CONSERVAÇÃO DE ENERGIA ELÉTRICA UTILIZAÇÃO DE REDES
Leia maisMANUAL DO GERENCIADOR ESCOLAR WEB
CNS LEARNING MANUAL DO GERENCIADOR ESCOLAR WEB Versão Online 13 Índice ÍNDICE... 1 VISÃO GERAL... 2 CONCEITO E APRESENTAÇÃO VISUAL... 2 PRINCIPAIS MÓDULOS... 3 ESTRUTURAÇÃO... 3 CURSOS... 4 TURMAS... 4
Leia maisManual para Cadastro de Questões Prova Colegiada / Professor
Manual para Cadastro de Questões Prova Colegiada / Professor CÓDIGO: 001 revisão 02. DATA DE PUBLICAÇÃO: 12/04/2010 INÍCIO DE VIGÊNCIA: 12/04/2010 DATA REVISÃO: 23/03/2011 Autor do Projeto: Thiago Galvão
Leia maisGUIA PADRONIZAÇÃO DE IMAGENS NO INDICADOR CRM
GUIA PADRONIZAÇÃO DE IMAGENS NO INDICADOR CRM ÍNDICE ITEM Página 1. Objetivo... 3 2. Padrões de Proporção... 3 3. Qualidade das Imagens... 6 4. Fotos Panorâmicas... 7 5. Youtube... 8 Página 2 de 9 1. Objetivo
Leia maisFigura 01: Aplicações do Filtro Espacial Passa-Baixa.
791 IMPLEMENTAÇÃO DE TÉCNICAS DE PRÉ-PROCESSAMENTO E PROCESSAMENTO DE IMAGENS PARA RADIOGRAFIAS CARPAIS Rafael Lima Alves 1 ; Michele Fúlvia Angelo 2 Bolsista PROBIC, Graduando em Engenharia de Computação,
Leia maisUFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS
UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA
UNIVERSIDADE FEDERAL DE SANTA CATARINA CIÊNCIAS DA COMPUTAÇÃO MÁQUINAS DE COMITÊ APLICADAS À FILTRAGEM DE SPAM Monografia submetida à UNIVERSIDADE FEDERAL DE SANTA CATARINA para a obtenção do grau de BACHAREL
Leia maisPROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS
Anais do XXXIV COBENGE. Passo Fundo: Ed. Universidade de Passo Fundo, Setembro de 2006. ISBN 85-7515-371-4 PROTÓTIPO DE SOFTWARE PARA APRENDIZAGEM DE REDES NEURAIS ARTIFICIAIS Rejane de Barros Araújo rdebarros_2000@yahoo.com.br
Leia maisPalavras chave: defeitos de solda, pulso eco, redes neurais artificiais, transformada de wavelet
DETECÇÃO DE DEFEITOS EM JUNTAS SOLDADAS UTILIZANDO UM CLASSIFICADOR NEURAL ALIMENTADO POR SINAIS ULTRASSÔNICOS PRÉ- PROCESSADOS PELA TRANSFORMADA DE WAVELET Francisco G. de Paula¹, Maria Cléa S. de Albuquerque
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 maisRECONHECIMENTO DE VARIEDADES DE SOJA POR MEIO DO PROCESSAMENTO DE IMAGENS DIGITAIS USANDO REDES NEURAIS ARTIFICIAIS
RECONHECIMENTO DE VARIEDADES DE SOJA POR MEIO DO PROCESSAMENTO DE IMAGENS DIGITAIS USANDO REDES NEURAIS ARTIFICIAIS OLEG KHATCHATOURIAN 1, FÁBIO R. R. PADILHA 2 RESUMO: Neste trabalho, foi aplicado o processamento
Leia maisRENATO DE FREITAS LARA. Departamento de Ciência da Computação - Universidade Presidente Antônio Carlos (UNIPAC) - Barbacena - MG Brasil
RECONHECIMENTO DE CADEIAS DE NÚMEROS NAS ETIQUETAS IDENTIFICADORAS DOS BLOCOS DE AÇO, UTILIZANDO PROCESSAMENTO DIGITAL DE IMAGENS E REDES NEURAIS ARTIFICIAIS RENATO DE FREITAS LARA Departamento de Ciência
Leia maisTransformada de Hough. Cleber Pivetta Gustavo Mantovani Felipe Zottis
Transformada de Hough Cleber Pivetta Gustavo Mantovani Felipe Zottis A Transformada de Hough foi desenvolvida por Paul Hough em 1962 e patenteada pela IBM. Originalmente, foi elaborada para detectar características
Leia maisUNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS
UNISINOS - UNIVERSIDADE DO VALE DO RIO DOS SINOS Curso: Informática Disciplina: Redes Neurais Prof. Fernando Osório E-mail: osorio@exatas.unisinos.br EXEMPLO DE QUESTÕES DE PROVAS ANTIGAS 1. Supondo que
Leia maisSimulação Gráfica. Morfologia Matemática. Julio C. S. Jacques Junior
Simulação Gráfica Morfologia Matemática Julio C. S. Jacques Junior Morfologia Palavra denota uma área da biologia que trata com a forma e a estrutura de animais e plantas. No contexto de Morfologia Matemática:
Leia maisFILTRAGEM NO DOMÍNIO DAS FREQUÊNCIAS (TRANSFORMADA DE FOURIER) Daniel C. Zanotta 04/06/2015
FILTRAGEM NO DOMÍNIO DAS FREQUÊNCIAS (TRANSFORMADA DE FOURIER) Daniel C. Zanotta 04/06/2015 FREQUÊNCIA EM IMAGENS DIGITAIS Análise da intensidade dos NCs da imagem Banda 7 Landsat TM ao longo da distância:
Leia maisTecnologia e Sistemas de Informações
Universidade Federal do Vale do São Francisco Tecnologia e Sistemas de Informações Prof. Ricardo Argenton Ramos Aula 3 Componentes de SIs Pessoas SI Organiz. Unidades que exercem diferentes funções, tais
Leia maisAPLICAÇÃO PARA ANÁLISE GRÁFICA DE EXERCÍCIO FÍSICO A PARTIR DA PLATAFORMA ARDUINO
APLICAÇÃO PARA ANÁLISE GRÁFICA DE EXERCÍCIO FÍSICO A PARTIR DA PLATAFORMA ARDUINO Alessandro A. M de Oliveira 1 ; Alexandre de Oliveira Zamberlan 1 ; Péricles Pinheiro Feltrin 2 ; Rafael Ogayar Gomes 3
Leia maisRedes Neurais Construtivas. Germano Crispim Vasconcelos Centro de Informática - UFPE
Redes Neurais Construtivas Germano Crispim Vasconcelos Centro de Informática - UFPE Motivações Redes Feedforward têm sido bastante utilizadas em aplicações de Reconhecimento de Padrões Problemas apresentados
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 maisAula 2 Aquisição de Imagens
Processamento Digital de Imagens Aula 2 Aquisição de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br EESC/USP Fundamentos de Imagens Digitais Ocorre a formação de uma imagem quando
Leia maisATENÇÃO: * Arquivos com tamanho superior a 500 KB NÃO SERÃO ACEITOS * SOMENTE serão aceitos documentos do formato: PDF
TUTORIAL DE DIGITALIZAÇÃO DIRIGIDO AO USO DO PROCESSO ELETRÔNICO Adaptado do tutorial elaborado pelo colega MAICON FALCÃO, operador de computador da subseção judiciária de Rio Grande. Introdução Este tutorial
Leia maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Tratamento da Imagem - Filtros Antonio G. Thomé thome@nce.ufrj.br Sala AEP/033 Sumário 2 Conceito de de Filtragem Filtros
Leia maisferramentas da imagem digital
ferramentas da imagem digital illustrator X photoshop aplicativo ilustração vetorial aplicativo imagem digital 02. 16 imagem vetorial X imagem de rastreio imagem vetorial traduz a imagem recorrendo a instrumentos
Leia maisThales Trigo. Formatos de arquivos digitais
Esse artigo sobre Formatos de Arquivos Digitais é parte da Tese de Doutoramento do autor apresentada para a obtenção do titulo de Doutor em Engenharia Elétrica pela Escola Politécnica da USP. Thales Trigo
Leia maisInformática Aplicada a Radiologia
Informática Aplicada a Radiologia Apostila: Imagem Digital parte I Prof. Rubens Freire Rosa Imagem na forma digital A representação de Imagens na forma digital nos permite capturar, armazenar e processar
Leia maisRedes Neurais Artificiais na Engenharia Nuclear 2 Aula-1 Ano: 2005
Redes Neurais Artificiais na Engenharia Nuclear 1 - Apresentação do Professor: dados, lista de E-mail s, etc. - Apresentação da Turma: Estatística sobre origem dos alunos para adaptação do curso - Apresentação
Leia maisRelatório de uma Aplicação de Redes Neurais
UNIVERSIDADE ESTADUAL DE MONTES CLAROS CENTRO DE CIÊNCIAS EXATAS E TECNOLÓGICAS DEPARTAMENTO DE CIÊNCIAS DA COMPUTACAÇÃO ESPECIALIZAÇÃO EM ENGENHARIA DE SISTEMAS DISCIPLINA: REDES NEURAIS PROFESSOR: MARCOS
Leia maisProf. Júlio Cesar Nievola Data Mining PPGIa PUCPR
Uma exploração preliminar dos dados para compreender melhor suas características. Motivações-chave da exploração de dados incluem Ajudar na seleção da técnica correta para pré-processamento ou análise
Leia maisProcessamento de Imagens Digitais
Processamento de Imagens Digitais Redução de Ruídos - Filtros Espaciais "Passa-Baixa" Glaucius Décio Duarte Instituto Federal Sul-rio-grandense Engenharia Elétrica 1 de 7 Ruído em Imagens Digitais As imagens
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
PROCESSAMENTO DIGITAL DE IMAGENS Msc. Daniele Carvalho Oliveira Doutoranda em Ciência da Computação - UFU Mestre em Ciência da Computação UFU Bacharel em Ciência da Computação - UFJF FILTRAGEM ESPACIAL
Leia maisConfigurando Color Sttings - no CS3 Shift + Ctrl + K
GCR Photoshop CS3 Cores Digitais Primeiramente, vamos entender como é possível substituir o CMY por preto apenas nas áreas cinzas e escuras sem influenciar nas outras cores da foto. Quando um scanner captura
Leia maisGerenciamento Total da Informação
ScanPartner SP30 Funções Equipado com o mecanismo de alimentação de papel da fi Series com alto desempenho e baixo custo Acompanha software pronto para uso Software que se integra com vários aplicativos
Leia maisTÍTULO: GARRA ROBÓTICA PERCEPTIVA CATEGORIA: CONCLUÍDO ÁREA: CIÊNCIAS EXATAS E DA TERRA SUBÁREA: COMPUTAÇÃO E INFORMÁTICA
TÍTULO: GARRA ROBÓTICA PERCEPTIVA CATEGORIA: CONCLUÍDO ÁREA: CIÊNCIAS EXATAS E DA TERRA SUBÁREA: COMPUTAÇÃO E INFORMÁTICA INSTITUIÇÃO: CENTRO UNIVERSITÁRIO GERALDO DI BIASE AUTOR(ES): EDUARDO REIS ALVES,
Leia maisRedes Neurais. Profa. Flavia Cristina Bernardini
Redes Neurais Profa. Flavia Cristina Bernardini Introdução Cérebro & Computador Modelos Cognitivos Diferentes Cérebro Computador Seqüência de Comandos Reconhecimento de Padrão Lento Rápido Rápido Lento
Leia mais3DODYUDVFKDYH Visão Computacional, Inteligência Artificial, Redes Neurais Artificiais.
80,7(0$'(9, 23$5$5(&21+(&,0(172'(3(d$(080 7$%8/(,52'(;$'5(= Sérgio Faustino Ribeiro Juracy Emanuel M. da França Marcelo Alves de Barros José Homero Feitosa Cavalcanti Universidade Federal da Paraíba CCT/COPIN/NEUROLAB-CT/DTM
Leia maisTÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA
TÍTULO: PROPOSTA DE METODOLOGIA BASEADA EM REDES NEURAIS ARTIFICIAIS MLP PARA A PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS
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 maisPROTÓTIPO DE UM SISTEMA DE MONITORAÇÃO UTILIZANDO CIRCUITO FECHADO DE TELEVISÃO (CFTV)
UNIVERSIDADE REGIONAL DE BLUMENAU CURSO DE SISTEMAS DE INFORMAÇÃO PROTÓTIPO DE UM SISTEMA DE MONITORAÇÃO UTILIZANDO CIRCUITO FECHADO DE TELEVISÃO (CFTV) EDERSON JOSÉ PROF. DALTON SOLANO DOS REIS, Orientador
Leia maisCorreção Automática de Testes de Múltipla Escolha MCTest - Versão para Android
Correção Automática de Testes de Múltipla Escolha MCTest - Versão para Android Francisco de Assis Zampirolli e Rodrigo Teiske China (bolsa PIBIC/UFABC) fzampirolli@ufabc.edu.br e rodrigo.china@aluno.ufabc.edu.br
Leia maisProcessamento e Análise de Imagens (MC940) Análise de Imagens (MO445)
Processamento e Análise de Imagens (MC940) Análise de Imagens (MO445) Prof. Hélio Pedrini Instituto de Computação UNICAMP 2º Semestre de 2015 Roteiro 1 Morfologia Matemática Fundamentos Matemáticos Operadores
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 maisTeoria : Estruturas de Dados. Estrutura Vetorial. Quais tipos de dados são representados por estruturas vetoriais? Mapa temático:
Universidade do Estado de Santa Catarina UDESC Centro de ciências Humanas e da Educação FAED Mestrado em Planejamento Territorial e Desenvolvimento Socio- Ambiental - MPPT Disciplina: Geoprocessamento
Leia maisAtividade: matrizes e imagens digitais
Atividade: matrizes e imagens digitais Aluno(a): Turma: Professor(a): Parte 01 MÓDULO: MATRIZES E IMAGENS BINÁRIAS 1 2 3 4 5 6 7 8 Indique, na tabela abaixo, as respostas dos 8 desafios do Jogo dos Índices
Leia maisUBER: Uma ferramenta para realce de microcalcificações mamárias
Departamento de Sistemas e Computação FURB Curso de Ciência da Computação Trabalho de Conclusão de Curso 2013/2 UBER: Uma ferramenta para realce de microcalcificações mamárias Acadêmico: Jackson Krause
Leia maisUNIVERSIDADE FEDERAL DA BAHIA - UFBA
UNIVERSIDADE FEDERAL DA BAHIA - UFBA Instituto de Ciências Ambientais e Desenvolvimento Sustentável Prof. Pablo Santos 4 a Aula SISTEMA DE INFORMAÇÃO GEOGRÁFICA - SIG Introdução Definições Necessárias
Leia maisSISTEMA AUTOMÁTICO DE PULVERIZAÇÃO UTILIZANDO TÉCNICAS DE PROCESSAMENTO DIGITAL DE IMAGENS. PERNOMIAN, Viviane Araujo. DUARTE, Fernando Vieira
REVISTA CIENTÍFICA ELETRÔNICA DE AGRONOMIA ISSN 1677-0293 PERIODICIDADE SEMESTRAL ANO III EDIÇÃO NÚMERO 5 JUNHO DE 2004 -------------------------------------------------------------------------------------------------------------------------------
Leia maisCiências da Computação Disciplina:Computação Gráfica
Ciências da Computação Disciplina:Computação Gráfica Professora Andréia Freitas 2012 7 semestre Aula 02 (1)AZEVEDO, Eduardo. Computação Gráfica, Rio de Janeiro: Campus, 2005 (*0) (2) MENEZES, Marco Antonio
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/133 Tratamento de Imagens - Sumário Detalhado Objetivos Alguns
Leia maisMORFOLOGIA MATEMÁTICA. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
MORFOLOGIA MATEMÁTICA Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Outubro/2015 Morfologia Matemática Morfologia na Biologia Estudo da estrutura dos animais e plantas;
Leia maisAplicações de Escritório Electrónico
Universidade de Aveiro Escola Superior de Tecnologia e Gestão de Águeda Curso de Especialização Tecnológica em Práticas Administrativas e Tradução Aplicações de Escritório Electrónico Microsoft Word Folha
Leia maisIW10. Rev.: 02. Especificações Técnicas
IW10 Rev.: 02 Especificações Técnicas Sumário 1. INTRODUÇÃO... 1 2. COMPOSIÇÃO DO IW10... 2 2.1 Placa Principal... 2 2.2 Módulos de Sensores... 5 3. APLICAÇÕES... 6 3.1 Monitoramento Local... 7 3.2 Monitoramento
Leia maisFotografia Digital Obtenção da Imagem e Impressão
Fotografia Digital Obtenção da Imagem e Impressão 1 Diferenças entre o CCD e o Filme: O filme como já vimos, é uma película de poliéster, coberta em um dos lados por uma gelatina de origem animal com partículas
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS
PROCESSAMENTO DIGITAL DE IMAGENS Motivado por duas principais aplicações: Melhorar a informação da imagem para interpretação humana Processamento de cenas para percepção de máquinas (Visão Computacional)
Leia maisIntrodução ao processamento de imagens e OCTAVE. Julio C. S. Jacques Junior juliojj@gmail.com
Introdução ao processamento de imagens e OCTAVE Julio C. S. Jacques Junior juliojj@gmail.com Octave www.gnu.org/software/octave/ Linguagem Interpretada (similar ao MATLAB... portabilidade) Voltada para
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 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 maisFluxo de trabalho do Capture Pro Software: Indexação de OCR e separação de documentos de código de correção
Este procedimento corresponde ao fluxo de trabalho de Indexação de OCR com separação de código de correção no programa de treinamento do Capture Pro Software. As etapas do procedimento encontram-se na
Leia maisProcessamento de Imagem. Prof. Herondino
Processamento de Imagem Prof. Herondino Sensoriamento Remoto Para o Canada Centre for Remote Sensing - CCRS (2010), o sensoriamento remoto é a ciência (e em certa medida, a arte) de aquisição de informações
Leia maisCapture Pro Software. Guia de referência. A-61640_pt-br
Capture Pro Software Guia de referência A-61640_pt-br Iniciando o Kodak Capture Pro Software Este guia foi projetado para fornecer instruções simples para início rápido, incluindo a instalação e a inicialização
Leia maisModelos Pioneiros de Aprendizado
Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron
Leia maisUtilização de Análise de Características Dinâmicas em analises estáticas.
Utilização de Análise de Características Dinâmicas em analises estáticas. Felipe A. Miziara 1, Marcelo A. Maia 1 1 Departamento de pós-graduação em Ciências da Computação Universidade Federal de Uberlândia
Leia maisAGRUPAMENTO DE ESCOLAS DE PORTELA E MOSCAVIDE. Informação - Prova de Equivalência à Frequência da disciplina de Aplicações Informáticas B
Prova 303 2015 Informação - Prova de Equivalência à Frequência da disciplina de Aplicações Informáticas B 12º Ano de Escolaridade Despacho normativo n.º 6-A/2015 1. Introdução O presente documento visa
Leia maisMEDWARE Sistemas Médicos Ltda
A Empresa MEDWARE Sistemas Médicos Ltda A Medware Sistemas Médicos é uma empresa de desenvolvimento de sistemas voltada para a criação de soluções de informática para a área médica. Criada em meados da
Leia maisReconhecimento de Padrões Utilizando Filtros Casados
Detecção e estimação de sinais Reconhecimento de Padrões Utilizando Filtros Casados Aline da Rocha Gesualdi Mello, José Manuel de Seixas, Márcio Portes de Albuquerque, Eugênio Suares Caner, Marcelo Portes
Leia maisAnálise de Tendências de Mercado por Redes Neurais Artificiais
Análise de Tendências de Mercado por Redes Neurais Artificiais Carlos E. Thomaz 1 e Marley M.B.R. Vellasco 2 1 Departamento de Engenharia Elétrica (IAAA), FEI, São Paulo, Brasil 2 Departamento de Engenharia
Leia maisAPLICAÇÃO DAS TÉCNICAS DE PROCESSAMENTO DIGITAL DE IMAGENS NA CARACTERIZAÇÃO QUANTITATIVA DE MATERIAIS COMPÓSITOS
APLICAÇÃO DAS TÉCNICAS DE PROCESSAMENTO DIGITAL DE IMAGENS NA CARACTERIZAÇÃO QUANTITATIVA DE MATERIAIS COMPÓSITOS Fernando de Azevedo Silva Jean-Jacques Ammann Ana Maria Martinez Nazar Universidade Estadual
Leia maisTaxa de Gravação da Memória RAM (MegaBytes / segundo) G5 2.7 Ghz (Mac) Linux Kernel 2.6 2799 1575
21 4 Análise É necessária uma análise criteriosa, que busque retornar as questões primordiais sobre o que é realmente preciso para a aquisição de uma plataforma de produção gráfica digital profissional.
Leia maisGuia de preparação para o exame da Axis
Diretrizes Guia de preparação para o exame da Axis Axis Certification Program Índice 1. Introdução 3 2. O que é o Axis Certification Program? 3 3. Detalhes do exame 4 4. Preparação recomendada para o exame
Leia maisQGIS 2.4 Estatísticas de Grupo Somatório de Áreas
QGIS 2.4 Estatísticas de Grupo Somatório de Áreas Jorge Santos 2014 Conteúdo Sumário Capítulo 1... 3 Introdução... 3 1.1 Demanda... 3 1.2 O Complemento Group Stats...3 1.3 Instalação do Complemento Group
Leia maisINSPEÇÃO INDUSTRIAL ATRAVÉS DE VISÃO
UNIVERSIDADE REGIONAL DE BLUMENAU CENTRO DE CIÊNCIAS EXATAS E NATURAIS CURSO DE CIÊNCIAS DA COMPUTAÇÃO BACHARELADO INSPEÇÃO INDUSTRIAL ATRAVÉS DE VISÃO COMPUTACIONAL MAURÍCIO EDGAR STIVANELLO BLUMENAU
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 maisAplicação de Técnicas de Processamento e Análise de Imagem na Análise Automática da Quantidade e do Tamanho do Grão em Imagens Metalográficas
Aplicação de Técnicas de Processamento e Análise de Imagem na Análise Automática da Quantidade e do Tamanho do Grão em Imagens Metalográficas Tarique da S. Cavalcante, P. P. Rebouças Filho, Victor Hugo
Leia maisScanners Manual Básico. Um guia prático e rápido para conhecer o melhor tipo de equipamento para seus trabalhos.
Scanners Manual Básico Um guia prático e rápido para conhecer o melhor tipo de equipamento para seus trabalhos. Tipos de Scanners Diferentes tipos de scanners funcionam de diferentes maneiras. Conheça
Leia maisImplementando plugins para o ImageJ
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE CIÊNCIA DA COMPUTAÇÃO NÚCLEO DE PROCESSAMENTO DIGITAL DE IMAGENS (NPDI) Tutorial Implementando plugins para o ImageJ Flávio
Leia mais