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