Download - Redes neurais
-
mor
Sistemas de Automacao
Professor Ricardo Nagel
Khaoma Duarte 45601
Universidade Federal do Rio Grande
18 de outubro de 2012
-
mor
Sumario
Introducao
Reconhecimento de imagens
Metodologia
Especificacoes dos testes
Resultados
Conclusao
Referencias Bibliograficas
-
mor
Introducao
Redes Neurais
I Redes neurais artificiais sao modelos matematicos que seassemelham as estruturas neurais biologicas e que temcapacidade computacional adquirida por meio deaprendizagem e generalizacao. BRAGA, CARVALHO ELUDEMIR (Sistemas Inteligentes 2000);
I As redes neurais sao organizadas em camadas: camada deentrada, camada intermediaria e camada de sada;
I Capacidade de aprender.
-
mor
Definicao do problema
I Segmentacao de imagens;
I Foram capturadas sete imagens ao ar livre e foramsegmentadas a mao para criar uma classificacao paracada pixel;
I Cada instancia e uma regiao de 3x3.
-
mor
Parametros de entrada
I 1 .regiao-centroide-coluna: a coluna da regiao central dopixel;
I 2. regiao-centroide-linha: a linha da regiao central dopixel;
I 3. regiao de contagem de pixel: numero de pixel de umaregiao = 9;
I 4. short-line-density 5: fragmento do algoritmo que contao numero de linhas de tamanho cinco com baixocontraste (menor ou igual a 5), passa pela regiao;
I 5. short-line-density 2: mesma coisa que o 4 mas comlinhas de alto contraste , maior que 5;
I 6. Vedge-mean: mede o contraste de pixels adjacenteshorizontalmente na regiao,existem 6e o desvio padrao e amedia sao dados.Este atributo e utilzado como detectorde aresta vertical;
-
mor
Parametros de entrada
I 7. vegde-sd: veja 6;
I 8. hedge-mean: mede o contraste de pixels adjacentesverticalmente, e utilizado para a deteccao de linhashorizontais;
I 9. hedge-sd: veja 8;
I 10. intensity-mean: e a media ao longo da regiao(R+G+B)/3;
I 11. rawred-mean: e a media ao longo da regiao R;
I 12. rawblue-mean: e a media ao longo da regiao B;
I 13. rawgreen-mean: e a media ao longo da regiao G;
-
mor
Parametros de entrada
I 14. exred-mean: mede o excesso de vermelho(2R-(G+B));
I 15. exblue-mean:mede o excesso de azul (2B-(G+R));
I 16. exgrren-mean: mede o excesso de verde (2G-(B+R));
I 17. value-mean: transformacao 3D nao linear de RGB;
I 18. saturation -mean: veja 17
I 19. hue-mean: veja 17
-
mor
Parametros de sada
I 1. tijolo
I 2. ceu
I 3. folhas
I 4. cimento
I 5. janela
I 6. caminho
I 7. grama
-
mor
Dados de entrada
(a) Dados de entrada
Figura: Dados de entrada.
-
mor
Dados de sada
(a) Dados de sada real
Figura: Dados de sada real.
-
mor
Dados de sada
(a) Dados de sada binaria
Figura: Dados de sada binaria.
-
mor
Metodologia
I nntool toolbox MATLAB;
I Definir padroes;
I Criar a rede;
I Inicializar a rede;
I Definir os parametros de treinamento;
I Treinar a rede;
I Testar a rede;
-
mor
Especificacoes dos testes
I Rede de aprendizado supervisionado;
I Utilizacao do algoritmo backpropagation;
I 40 neuronios;
-
mor
Sada de dados
Porcentagem de acertos: 98,18%;
(a) Sada de dados reais
Figura: Sada de dados reais.
-
mor
Sada de dados
(a) Sada de dados reais
Figura: Sada de dados binarios.
-
mor
Conclusao
I Apos todo o estudo e pesquisa sobre redes neuraisartificiais podemos afirmar que para reconhecimento deimagens essas redes sao muito eficientes. Analisandonossos resultados percebemos que com um numero naomuito grande de neuronios e um conjunto pequeno dedados nossa rede neural consegue aprender e chegar noresultado esperado.
-
mor
Referencias Bibliograficas
I http://archive.ics.uci.edu/ml
I http://www.din.uem.br/ia/neurais/
I BRAGA, CARVALHO E LUDEMIR (Sistemas Inteligentes2000)
IntroduoReconhecimento de imagensMetodologiaEspecificaes dos testesResultadosConclusoReferncias Bibliogrficas