Home

João Pedro Figueiredo Bravo de Faria Sistema de visão por

Contents

1. Y V Triangle H a Triangle Figura 11 Aproxima es ao histograma real da amostra 6a3 recorrendo a tri ngulos 20 Como se pode verificar as aproximac es conseguidas para as amostras 1b1 e 6a3 nao s o as mais adequadas uma vez que existem uma s rie de valores practicamente nulos que no entanto s o tidos em conta no processo de aproxima o o que fazem com que a ar a abrangida por esta representa o seja bastante superior rea representada pelo histograma real Este tipo de situa es pode ser problem tica em alguns casos uma vez que as tendem a ser representadas caracteristicas neste caso cores que na realidade n o existem na amostra de madeira em causa Numa fase seguinte a aproxima o dos histogramas foi efectuada recorrendo a fun es sino 27 Note se que a sua forma bastante semelhante forma dos histogramas premitindo que com um bom ajuste dos parametros seja possivel fazer aproxima es bem mais aceit veis do que as obtidas atrav s dos tri ngulos Esse ajuste feito recorrendo aos tr s par metros apresentados na Equa o 2 30 onde o parametro c corresponde ao ponto maximo do histograma b ao declive da curva e cc 3 a aos pontos de viragem que afectam directamente a largura do histograma bell x a b c J Equa o 2 30 declive b 2a
2. recorrendo a estufas ou ventila o mec nica que no entanto tende a ser um processo muito dispendioso e por vezes caso o sistema n o esteja bem dimensionado a madeira pode perder algumas das suas caracter sticas como a flexibilidade provocar altera es de cor e por vezes em alguns tipos de madeira o aparecimento de manchas 1 Torna se assim necess rio proceder a uma classifica o da madeira de modo a poder orientar a sua utiliza o de acordo com a qualidade e por vezes tendo em conta a sua textura e tonalidade A inspec o de componentes e ou produtos apresenta um papel cada vez mais importante dentro do sector industrial tanto para controlo de qualidade bem como para selec o ou separa o de componentes com diferentes caracter sticas Este tipo de trabalhos era efectuado por humanos e geralmente baseado em conhecimento emp rico mas com o desenvolvimento da tecnologia tornou se poss vel em outros sectores recorrer a sistemas de vis o assistida por computador para proceder a essa inspec o Este tipo de sistemas consegue extrair caracter sticas muitas vezes impercept veis aos humanos e faz lo de forma mais r pida e eficaz Surge uma oportunidade de melhorar a qualidade dos produtos e aumentar a produ o 1 importante tamb m real ar que em muitos casos os custos de produ o aumentam exponencialmente com o ponto em que os defeitos s o detectados 2 sendo necess rio por vezes proceder a v rios
3. Abstract This thesis describes the development of a project based in Fuzzy Logic applied to color histograms for color grading wood boards During this project Fuzzy Min Max method with triangle and bell membership functions and Fuzzy Grammar were implemented in order to decide the best approach to this problem The systems evaluation was based in its accuracy and training method This system performs image matching where images given as training samples will be used to define the classes that determine the several wood board color intervals It s important to mention that the choice of the training samples is directly related with the system accuracy and the processing time until it matches the images By the end of this project this system is capable of classify an image by its color in order to group wood boards with the same tonality in a short period time Resumo Este projecto surge no ambito do controlo de qualidade na industria da madeira Pretende se assim recorrer a um sistema de visao assistida por computador para proceder inspec o de folhas de madeira Durante o seu desenvolvimento foram investigadas alternativas para a sua implementa o de modo a seleccionar uma abordagem que permitisse executar a tarefa pretendida tendo em conta a sua efic cia fiabilidade e tempo de processamento O aspecto fundamental da inspec o levada a cabo por este sistema consiste na classifica o de folhas de madeira quanto ao seu tipo e
4. C W m W2 Wo HN Ap PA Ba s w3 Wa Wa min max Xi yi Figura 19 Representa o do funcionamento do m todo de infer ncia Min Max de gram tica difusa Se analisarmos o seu crit rio de decis o verificamos que este m todo de infer ncia tem em conta o pior caso de cada classe para efectuar a avalia o Ou seja de todos os valores de uma classe ser recolhido o valor m nimo e conv m real ar que no caso de uma folha de madeira igual ou semelhante a outra que defina uma classe esse m nimo dever apresentar um valor elevado uma vez que as caracter sticas da imagem dever o ter apenas pequenos desvios da imagem que foi fornecida na fase de treino Depois de recolher o m nimo de cada classe ser verificado qual a classe que apresenta o m nimo mais elevado sendo essa a classes apresentada como resultado 2 2 4 Max Sum Durante a valida o do metodo Min Max considerou se interessante implementar um metodo que ao inves de considerar apenas o peso dos dados de um dos canais da imagem obtida recorre se ao peso de todos os canais da mesma imagem Foi entao implementado um m todo a que se chamou Sum Max FSMIS O funcionamento deste m todo pode se observado na Figura 20 Tal como no exemplo apresentado para o m todo Min Max considerem se duas vari veis x e y que s o modeladas em duas classes C e Cs atrav s das fun es perten a A4 B e As Bs respectivamente Quando um par de valores x y aplicado a
5. i Sistema de vis o por computador para detec o de vari de cor em folhas de madeira Pedro F Bravo de Faria CaO J UMinho 2007 Universidade do Minho Escola de Engenharia J o o Pedro Figueiredo Bravo de Faria Sistema de visao por computador para deteccao de variacoes de cor em folhas de madeira Novembro de 2007 AN _ ah ee Universidade do Minho Escola de Engenharia J o o Pedro Figueiredo Bravo de Faria Sistema de vis o por computador para detec o de varia es de cor em folhas de madeira Tese de Mestrado Mestrado Integrado em Engenharia Electr nica Industrial e Computadores Trabalho efectuado sob a orienta o do Professor Manuel J oao Ferreira e co orientacao da Mestre Teresa Martins Novembro de 2007 DECLARACAO Nome Joao Pedro Figueiredo Bravo de Faria Endereco electr nico jbravofaria gmail com Numero do Bilhete de Identidade 12112761 Titulo da dissertacao Sistema de visao por computador para deteccao de variac es de cor em folhas de madeira Orientador Prof Manuel Joao Ferreira Ano de conclusao 2007 Designacao do Mestrado ou do Ramo de Conhecimento do Doutoramento Mestrado Integrado em Engenharia Electronica Industrial e Computadores E AUTORIZADA A REPRODUCAO PARCIAL DESTE TRABALHO APENAS PARA EFEITOS DE INVESTIGA O MEDIANTE DECLARA O ESCRITA DO INTERESSADO QUE A TAL SE COMPROMETE Universidade do Minho __ _ Assinatura
6. o do espa o de cor HSL sob a forma de duplo cone a e sob a forma esf rica b O espa o de cor HSL pode ser obtido a partir do RGB recorrendo s Equa es 2 14 a 2 18 MAX max r g b MIN r g b Equa o 2 14 Equa o 2 15 undefined if MAX MIN o o if MAX RAG gt B MAX MIN H lt 00x Si 360 if MAX RAG lt B Equa o 2 16 MAX MIN a 120 if MAX G MAX MIN 6 Sa 240 if MAX B MAX MIN if L 0v MAX MIN MAX MIN MAX MIN MAX MIN 2xL MAX MIN MAX MIN 2 MAX MIN 2 2xL if O lt L lt gt Equa o 2 17 l ee 13 L x MAX MIN Equa o 2 18 CIE L a b Este um espa o baseado no CIE XYZ que descreve todas as core percept veis ao olho humano e independente do dispositivo em uso 20 21 22 Apresenta como canais L representado a Luminance a onde valores negativos indicam verde e positivos vermelho e o canal b que apresenta azul para valores negativos e amarelo para positivos Quando L igual a O obtemos preto mas note se que o preto associa se n o a uma sensa o de cor mas como a aus ncia de luz ou reflexo numa superf cie 9 para L igual a 100 a cor apresentada ser branco 10 23 Isto surge do facto de se ter a dimens o luminosidade perpendicular ao plano que representa a cromaticidade ou Hue Assim o CIE L a b mede a chroma que consiste no conte do crom tico de uma cor independentemente da sua luminosidade e no plano a b
7. a Para efeitos de aproxima o o par metro b foi mantido constante com o valor 1 e como j foi referido anteriormente o par metro c corresponde ao ponto do histograma normalizado p 1 Deste modo conseguiu garantir se a relac o entre reas dos diferentes histogramas bem como evitar que estas interferissem de forma negativa no processo de avaliac o Depois de analisadas as duas abordagens torna se importante referir que apesar de quando se recorre apenas a um par metro fixo estamos a proceder a uma aproximac o mais rigorosa a probabilidade de fazer com que umas representac es 33 interfiram com o espa o ocupado com outras classes maior ao adicionar novas amostras tendo em conta que quando se recorria a dois par metros fixos uma das preocupa es era minimizar a rea da aproxima o ao histograma No entanto esta situa o pode ser controlada manipulando os factores de divis o e adi o sempre que se verifique alguma irregularidade nos resultados 0 8 0 6 0 4 0 2 0 2 Figura 28 Comparag o entre histogramas de cor de um dos canais de uma imagem e a sua aproximac o recorrendo a func es sino com um parametro fixo 2 2 7 Outras considera es De maneira a classificar as diferentes zonas de uma folha de madeira recorreu se a um varrimento atrav s de janelas Este m todo consiste na divis o da imagem recolhida em por es de tamanho inferior que ser o tamb
8. m submetidas a avalia o de modo a poder verificar poss veis varia es apresentadas nas folhas de madeira Sempre que uma imagem submetida a avalia o lhe feita uma an lise global ou seja a imagem avaliada na sua totalidade e fica assim associada a um tipo de madeira a uma tonalidade e a um n mero de amostra Depois vai ser executado um varrimento de toda a imagem atrav s de uma janela de menor dimens o Os resultados de cada an lise parcial s o armazenados de modo a calcular as estat sticas da avalia o tendo em conta se em cada an lise parcial h uma total correspond ncia com a an lise global apenas com o tipo de madeira e tonalidade desprezando assim o n mero de amostra apenas com o tipo de madeira ou se corresponde a um tipo de madeira que n o o obtido na an lise global Depois de percorrida toda a imagem procede se ao c lculo da estat stica que ser armazenado num ficheiro para uma consulta posterior O algoritmo base encontra se representado na Figura 29 34 Entrada de Avalia o Analise Global da imagem An lise de por o orraspande Gama da An lise Global orresponde ao tip N da Analise Global Coresponde a Analise Global sehe Incrementa Proxima por o Avalia o E x Incrementa Tipo Incrementa Erro Correcta Gama Analisou toda a imagem S Calcula estatisticas a Armazena resultados Figur
9. s de valores recolhidos do histograma da mesma 6 No que diz respeito segmenta o de uma imagem recorrendo a m ltiplos thresholds baseados no histograma da mesma os pontos de threshold s o obtidos atrav s dos pontos vale e pontos de inflex o do histograma da imagem em tons de cinzento Esses pontos de inflex o eram examinados como candidatos para threshold pois pequenos defeitos a n vel de histograma s o por vezes confundidos com a madeira s sem criar um m ximo relativo que os identifique Depois de obtidos os pontos de threshold a imagem submetida a um processo de filtragem e a uma reavalia o dos pontos de modo a determinar quais os que ir o evidenciar os defeitos Este m todo revelou ser promissor no que diz respeito a n s buracos e decaimento nos extremos da prancha de madeira n o sendo no entanto vi vel para an lises de cor 6 Os SOMs s o encarados como uma combinac o das vantagens da classificac o supervisionada e classificac o nao supervisionada da linguagem anglo sax nica Supervised e unsupervised classification respectivamente 4 Entenda se classifica o supervisionada como um m todo de classifica o em que necess ria a interven o humana para a atribui o de amostras para cada caracter stica ou classe implicando um bom conhecimento do sistema bem como das classes que o constituem e classifica o n o supervisionada como a classifica o das caracter sticas de uma imagem
10. 1 2 0 4 H bell x 0 1 2 0 6 U 4 bell x 0 1 2 0 8 Grau de pertenga LA H bel A O Figura 21 Exemplo de gramatica difusa recorrendo a seis primitivas para descrever todo o universo difuso 28 De modo a tornar a representa o mais precisa poss vel associar mais do que uma primitiva recorrendo aos modificadores lingu sticos para este sistema representados pelos operadores lt gt e BETWEEN Para isso necess rio definir um valor a partir do qual a primitiva passa a desempenhar um papel relevante na aproxima o neste caso foi considerado o valor 0 5 Sempre que mais do que uma primitiva consecutivas se encontrarem no extremo esquerdo do canal usado o termo lt primitiva de maior grau caso se encontrem no extremo direito recorre se ao termo gt primitiva de menor grau e caso estas n o se encontrem nos extremos recorre se ao termo primitiva de menor grau BETWEEN primitiva de maior grau O exemplo de uma regra gerada para a classe representativa de uma das amostras bem como o grau de perten a atribu do as primitivas de cada canal encontram se representados na Figura 22 Note se que a regra constitu da pelo n mero de amostra neste caso AM1 seguido da equa o que representa a classe e o operador representando um e l gico entre as diferentes fun es perten a AM1 HistVar 2 Hmax HistVar 9 BETWEEN HistVar 10 Smax HistVar
11. 1 Representa o das fun es perten a 2 2 2 Sistemas de infer ncia 2 2 3 Min Max 2 2 4 Max Sum 2 2 5 Gram tica Difusa 2 2 6 Parametriza o das aproxima es 2 2 7 Outras considera es 3 Apresenta o e discuss o dos resultados 3 1 M todos de Teste e An lise de Resultados 3 1 1 L gica Difusa aplicada na an lise global da imagem 3 1 2 L gica Difusa aplicada na an lise de por es da imagem 4 Conclus es Bibliografia Refer ncias Gr ficas Lista de Siglas e Acr nimos Anexos Anexo 1 Amostras de folha de madeira dispon veis Vil XI N I O N a a 18 26 26 21 26 31 34 39 39 41 42 55 59 63 65 67 69 yi Indice de Figuras Figura 1 Modelo do poss vel setup em ambiente industrial Figura 2 Representa o do cubo do espa o de cor RGB a e modelo aditivo do espaco de cor RGB b Figura 3 Representa o do espa o de cor XYX Figura 4 Representac o do espaco de cor HSV a e escala de Hue do mesmo b Figura 5 Representac o do espaco de cor HSL sob a forma de duplo cone a e sob a forma esferica b Figura 6 Representa o do espa o de cor CIE L a b Figura 7 Amostras dos diferentes tipos de madeira dispon veis e respectivos histogramas dos diferentes canais que a caracterizam Figura 8 Algoritmo de recolha dos par metros dos histogramas para aproxima es recorrendo a tri ngulos Figura 9 Aplica o utilizada para rec
12. E A i U 222 2a3 3a 3a3 4a1 4a 4a3 Sal Sa Gal 6a fad Figura 36 Resultados para cada tipo de madeira obtidos recorrendo ao m todo Half Step com D 200 e aproxima es recorrendo a fun es sino de apenas um par metro fixo e factor de divis o de 10 unidades 48 Figura 37 Exemplo da amostra 5a1 e 4a3 e respectivas segmenta es de acordo com as caracter sticas referidas na Figura 35 Recorrendo novamente s amostras 5a1 e 4a3 pode verificar se que a sensibilidade da aplica o diminuiu no entanto continuando a diferenciar as varia es de maior dimens o As imagens resultantes da segmenta o podem ser visualizadas na Figura 37 AO comparar a imagem segmentada resultante da amostra 5a1 recorrendo a uma janela de 100 pix is com a imagem obtida recorrendo a uma janela de 200 pix is poss vel verificar claramente que no caso da janela de menor dimens o vis vel o decaimento da tonalidade na mancha presente na amostra Com o aumento da dimens o da janela continua a ser poss vel a detec o da referida mancha no entanto esse decaimento j n o vis vel Assim recorrendo a uma janela de 200 pix is ainda poss vel detectar varia es de tonalidade com uma dimens o considerada significativa no entanto em casos que se verifiquem varia es de dimens o considerada reduzida relativamente ao tamanho da janela estas tender o a ser absorvidas pela restante por o da imagem podendo
13. ISBN 0321356780 21 Fred W Billmeyer Max Saltzman Principles of color technology 2ed John Wiley amp Sons 1981 22 Alexander Poularikas Digital Color Imaging Handbook CRC Press 2003 23 http en wikipedia org wiki Lab_color_space Explica o do espa o de cor L a b apresentada pela Wikipedia Data de utiliza o 16 Setembro 2007 24 http en wikipedia org wiki CIELUV_color_space Explica o do espa o de cor L u v apresentada pela Wikipedia Data de utiliza o 16 Agosto 2007 25 http hydra nac uci edu wiedeman cspace me infoluv html Explica o do espa o de cor L u v apresentado pela Network and Academic Computing Services da Universidade da California Data de utiliza o 27 September 2007 26 Manuel Jo o O Ferreira Desenvolvimento de um Prot tipo para a Identifica o Classifica o e Quantifica o de Defeitos Aplic vel em Ambiente Industrial Tese de Doutoramento Universidade do Minho 2004 27 Teresa Maria F Valente Modelos de caracteriza o de impacte ambiental para escombreiras reactivas equil brio e evolu o de res duos de actividade extractiva Tese de Doutoramento Universidade do Minho 2004 60 28 http opencvlibrary sourceforge net CvReference CV Reference Manual disponibilizado pela sourceforge Data de utilizac o 01 Outubro 2007 29 J R Jang C T Sun E Mizutani Neuro fuzzy and soft computing a computational approach to learning and
14. baseada essencialmente em estat sticas extra das da imagem sem recorrer a amostras de treino ou conhecimento pr vio do problema em causa Geralmente aplica es que recorrem a SOMs apresentam um interface bastante intuitivo uma vez que na fase onde se d o processo de etiquetagem das amostras quando os dados s o apresentados ao utilizador encontram se agrupados de acordo com as suas caracter sticas Assim sua percep o e o processo de etiquetagem torna se mais simples r pido pois as etiquetas s o atribu das a grupos e n o necessariamente a amostras isoladas Os resultados obtidos recorrendo a este tipo m todo s o bastante aceit veis no entanto a sua carga de processamento relativamente elevada e para o seu desenvolvimento e implementa o s o necess rios bons conhecimentos das t cnicas usadas neste tipo de sistemas Outro dos m todos que despertou especial interesse foi a l gica difusa uma vez que esta pode ser encarada com uma tentativa de lidar com conhecimento vago 7 Neste tipo de avalia es as respostas n o podem ser traduzidas simplesmente como verdadeiras ou falsas A L gica Difusa permite obter um grau de abstrac o ideal para este tipo de classifica es importante real ar que a sua implementa o relativamente simples e o peso de processamento n o muito significativo No entanto o processo de ajuste pode ser bastante moroso uma vez que este m todo baseia se fundamentalmente no conheciment
15. bem como par metros de identifica o das amostras para ajudar sua compreens o 3 1 M todos de Teste e An lise de Resultados O aspecto da aplica o final apresentado na figura 32 Nesta fase o processo de avalia o quando se pretende fazer um varrimento da linguagem Anglo Sax nica sweep 3 pode ser resumido a tr s passos simples Numa primeira fase feita uma avalia o da imagem total de modo a determinar o tipo de madeira e a sua tonalidade O resultado desta avalia o apresentado na static text 3 no lado direito da janela onde se pode visualizar 5a1 De seguida efectuada a mesma avalia o mas para as pequenas por es da imagem e esses resultados s o apresentados tendo em conta o resultado da avalia o geral Ou seja sendo 5a1 uma amostra do tipo a tonalidade 5 e numero de amostra 2 o resultado da avalia o parcial ser Correct Evaluation sempre que seja devolvido 5a1 Correct Gamma se o numero de amostra n o for o mesmo neste caso sempre que no resultado esteja presente 5a Correct Type se o resultado apenas coincidir com o tipo de madeira para o exemplo dado tipo a e Bad Evaluation se o tipo de madeira n o for o mesmo Finalmente efectuada uma estat stica que apresentada na listbox 8 do lado direito da janela bem como as imagens resultantes da avalia o 11 e 12 na parte inferior da mesma tamb m gerado um relat rio em formato de texto para consulta posterio
16. de avalia o o mais rigorosa poss vel Com isto pretende se um n mero razo vel de amostras mas n o exagerado pois quanto maior o seu n mero mais sens vel o processo de avalia o por outro lado pode ser traduzido num aumento de processamento e possivelmente numa sobreposi o de amostras tamb m importante que a etiquetagem das amostras seja feita com rigor garantindo assim uma percep o dos resultados mais intuitiva e evitando falsas ocorr ncias O ajuste de sensibilidade pode ser feito recorrendo tamb m varia o da dimens o da janela usada no varrimento da imagem obtida Quando essa dimens o mais reduzida uma pequena varia o na textura ou tonalidade da por o de madeira a ser analisada representa um grande impacto em rela o totalidade da por o no entanto ao aumentar o tamanho da janela essa varia o tende a ser absorvida pelo resto da imagem Relativamente a aspectos que podem ser melhorados existe a possibilidade de implementa o de uma avalia o em cascata caracterizada por dois 55 est gios O primeiro como ja se encontrava a ser feito nas abordagens anteriores consiste numa avaliac o global da imagem devolvendo um determinado tipo de madeira com determinada tonalidade e numero de amostra Note se que nas etapas anteriores as caracteristicas recolhidas encontravam se todas armazenadas na mesma base de dados e o que se pretende agora implementar diversas bases de dad
17. mesmo ser ignoradas Os resultados obtidos para uma janela de 400 pixeis D 400 encontram se representados na Figura 38 Note se que recorrendo a janelas desta dimens o o n mero de por es a serem analisadas diminui bastante dadas as dimens es das amostras em uso Isso significa que uma por o que n o seja identificada como pertencendo ao tipo de madeira a ser analisada pode ser traduzida num aumento significativo da percentagem de erro uma vez que cada por o apresenta um maior impacto no resultado final 49 Pe i is a 2a2 2a3 3a2 3a3 Aal 4a2 4a3 5al 5a2 6al 6a2 6a3 E Correct E Gama E Type E Error E Correct E Gama EType E Error E Correct E Gama E Type E Error Figura 38 Resultados para cada tipo de madeira obtidos recorrendo ao m todo Half Step com D 400 e aproxima es recorrendo a fun es sino de apenas um par metro fixo e factor de divis o de 10 unidades referidas na Figura 38 50 Figura 39 Exemplo da amostra 5a1 e 4a3 e respectivas segmenta es de acordo com as caracter sticas Como se pode constatar pela na Figura 39 a sensibilidade que se verificava com janelas de tamanho inferior diminui sendo agora mais dificil de detectar pequenas variac es Apesar da taxa de erro ter diminuido bastante algumas das amostras apresentam valores superiores aos pretendidos nomeadamente 4a3 e 2c2 mas analisando a imagem segmentada resultante da amostra 4a3 verifica s
18. modelo aditivo do espa o de cor RGB b XYZ O sistema de cores CIE XYX um sistema aditivo que descreve as cores atrav s de tr s cores prim rias que n o correspondem a cores vis veis mas garantindo que as suas componentes de cor s o positivas permitindo assim a representa o de todos os comprimentos de onda de luz vis vel Este sistema foi especialmente desenhado para que o par metro Y seja a quantidade de brilho ou luminosidade da linguagem Anglo Sax nica luminance de uma dada cor A cromaticidade da linguagem Anglo Sax nica cromaticity dessa cor especificada atrav s dos par metros x e y sendo estes dois dos tr s valores normalizados em fun o da teoria dos tr s est mulos dos valores X Y e Z 13 14 15 UM 520 1 8 06 SEW O45 0 4 0 3 HMI TAN 0 2 U l 470 N DO OF 02 03 04 OF O8 OF OR Y Figura 3 Representa o do espa o de cor XY X A transformac o de RGB para XYZ pode ser feita atrav s das Equac es 2 1 a 2 5 X x Equa o 2 1 X Y Z Er EEE Equa o 2 2 PO Y Z i 2 x Equa o 2 3 XAy Z m Os par metros X e Z podem ser obtidos atrav s dos valores de cromaticidade x e y e do par metro Y 10 A X Equac o 2 4 y Y Z 1 x y Equac o 2 5 y YCrCb YCrCb n o totalmente um espaco de cor mas uma forma de codificar a informac o RGB Assim o YCrCb s previs vel se estivermos a recorrer aos
19. para escombreiras reactivas equil brio e evolu o de res duos de actividade extractiva Tese de Doutoramento Universidade do Minho 2004 64 Lista de Siglas e Acronimos SOM Self Organizing Maps tamb m conhecidos como Kohonen s Maps FMMIS Sistema de infer ncia de logica Difusa Min Max da linguagem Anglo Saxonica Fuzzy Min Max Inference System FSMIS Sistema de infer ncia de l gica Difusa Sum Max da linguagem Anglo Saxonica Fuzzy Sum Max Inference System 65 66 Anexos 67 68 I Anexo 1 Amostras de folha de madeira dispon veis 69 70 2a3 222 3a3 3a2 4a2 Aal 71 Sal 6a1 6a2 6a3 12 13 1c3 1c2 2c3 2c2 2c1 74
20. pois ou o universo de amostras de cor dispon veis apresentava toda a gama de cores poss veis de serem apresentadas nas folhas de madeira ou em alguns dos casos n o haveria avalia o ou esta seria inconclusiva Torna se assim necess rio n o procurar uma cor ou tonalidade exacta mas dento do universo de amostras fornecido verificar qual a que mais se aproxima ao sujeito a ser analisado A implementa o deste sistema recorrendo a l gica difusa relativamente simples em que o primeiro passo consiste na cria o das classes Dentro destas classes necess rio definir as fun es perten a para cada uma das caracter sticas O passo seguinte consiste em determinar o m todo de infer ncia ou regras mais adequadas aplica o em causa Finalmente indicada a forma como os valores resultantes da infer ncia s o interpretados Assim o processo de avalia o pode ser resumido a tr s etapas fuzifica o da linguagem Anglo Sax nica fuzzification em que s o recolhidas as caracter sticas do sujeito a ser analisado e aplicadas a fun es de modo a convert las para o universo difuso os valores resultantes da fuzifica o ser o aplicados ao sistema de infer ncia de modo a obter um valor nico relativamente a cada classe finalmente surge a fase de desfuzifica o da linguagem Anglo Sax nica 16 defuzzification onde o valor resultante do processo de infer ncia para cada classe convertido novamente para o universo n o
21. teste quando o universo de amostras era bastante reduzido Ou seja para o conjunto de nove amostras apenas um par de amostras apresentava regras semelhantes quer recorrendo a um conjunto de quinze quer a um conjunto de dezassete primitivas para preencher todo o canal Caso o n mero de primitivas fosse reduzido para onze j dois pares amostras apresentavam regras semelhantes Deste modo o n mero de termos lingu sticos seleccionado foi quinze e a sua defini o pode ser visualizada na Tabela I TABELA Designa o e fun o dos termos lingu sticos implementados para efeito de teste do m todo recorrendo a gram tica difusa HistVar 0 u x M x 0 1429 0 0000 M x 0 1429 0 0714 M x 0 1429 0 1429 HistVar 3 u x M x 0 1429 0 2143 Mi n bl HistVar 1 u x i HistVar 4 U x M x 0 1429 0 2857 HistVar 5 U x M x 0 1429 0 3571 HistVar 6 u x M x 0 1429 0 4286 HistVar 7 u x M x 0 1429 0 500 HistVar 9 u x M x 0 1429 0 6429 HistVar 10 x M x 0 1429 0 7142 HistVar 11 x M x 0 1429 0 7857 x IM 11 HistVar 12 U x F x 0 1429 0 8571 HistVar 13 U x M x 0 1429 0 9286 HistVar 14 u x M x 0 1429 1 Caso o numero de amostras fosse aumentado para o conjunto de vinte e tr s amostras referido anteriormente o n mero de amostras suscept veis a serem confundidas aumentava para onze Analisando o m tod
22. ufv br disciplinas inf390 files paginas gbdi icmc sc usp br documentacao apostilas cg ap11 html 99 Pagina da disciplina de computac o grafica do Instituto de Ci ncias Matematicas e de Computac o Departamento de Ci ncias de Computac o e Estatistica referente a espacos de cor Data de utiliza o Maio 1999 14 http en wikipedia org wiki CIE 1931 color space Explica o do espa o de cor CIE XYZ tamb m conhecido como CIE 1931 apresentada pela Wikipedia Data de utiliza o 28 Agosto 2007 15 Bruno T Moreira Em dio A A Macedo Mudan as de Coordenadas em Sistemas de Cores 16 http en wikipedia org wiki YCbCr Explica o do YCrCb apresentada pela Wikip dia Data de utiliza o 1 Setembro 2007 17 http local wasp uwa edu au pbourke texture_colour ycc YCC Colour Space and Image Compression por Paul Bourke Breve abordagem ao YCrCb tamb m conhecido como YCC no es de compress o de imagem e algumas fun es de convers o standard de espa os de cor Data de utiliza o Abril 2000 18 http en wikipedia org wiki HSV color space Explica o do espa o de cor HSV apresentada pela Wikip dia Data de utiliza o 16 Setembro 2007 19 http en wikipedia org wiki HSL_color_space Explica o do espa o de cor HSV apresentada pela Wikip dia Data de utiliza o 16 Setembro 2007 20 Dan Margulis Photoshop Lab Color The Canyon Conundrum and Other Adventures in the Most Powerful Colorspace
23. vez que o numero de amostras dispon veis para diferentes tipos e tonalidades de madeira tem grande impacto nos resultados E necess rio assim garantir que as amostras s o cuidadosamente seleccionadas de modo a garantir uma boa cobertura das diferentes tonalidades que se pretende classificar para os diferentes tipos de madeira Note se que a falta de amostras ser traduzida numa menor sensibilidade relativamente s varia es de tonalidade podendo mesmo resultar em falsas correspond ncias entre diferentes tipos de madeira por outro lado um n mero excessivo de amostras poder resultar em classes muito pr ximas ao ponto de n o serem diferenciadas sendo apenas este aumento do n mero de classes traduzido num aumento de processamento 3 Para efeito de teste em laborat rio foram disponibilizadas 23 amostras tipo a 2a2 2a3 3a2 3a3 dal 4a2 4a3 5a1 5a2 6a1 6a2 6a3 tipo b 1b1 1b2 1b3 tipo c 1c2 1c3 2c1 2c2 2c3 3c1 3c2 3c3 38 3 Apresenta o e discuss o dos resultados Foi necess rio proceder a uma an lise dos resultados produzidos por cada um dos m todos referidos no ponto anterior Esses resultados consistem em relat rios de estat sticas e nas imagens segmentadas resultantes da avalia o de cada uma das amostras Note se que os relat rios e as imagens segmentadas encontram se directamente ligadas uma vez que os dados presentes nos relat rios s o a representa o estat stica das imagens
24. 10 BETWEEN HistVar 11 Vmax HistVar 11 BETWEEN HistVar 12 Lmax HistVar 8 BETWEEN HistVar 9 amax HistVar 9 bmax ms 0 5 0 4 Y 0 3 7 02 Y 0 1 0 To E ae s E E 12 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 gt 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Figura 22 Representa o do grau de perten a de cada primitiva para cada canal em fun o caracteristicas extraidas do histograma de uma amostra considerando um universo de 15 primitivas 29 E necess rio ter especial atenc o ao n mero de func es padr o usadas para a defini o de cada canal uma vez que um numero reduzido pode nao ser suficiente para a distin o de algumas das amostras Por outro lado um n mero bastante elevado pode n o apresentar relev ncia caso esse aumento n o seja capaz de provocar melhoramentos nas aproxima es e no entanto traduzido num aumento de processamento O algoritmo base implementado para a implementa o de gram tica difusa pode ser visualizado na Figura 23 Entrada de dados Fase de classifica o Entrada de dados
25. 2 em que a porc o indicada como erro na imagem segmentada Figura 33 corresponde a imagem 4a3 44 Figura 33 Amostra 2c2 a respectiva segmentac o b e amostra 4a3 c TABELA IV Percentagem de erro nos diferentes m todos abordados com D 400 Resize VarSize FullStep HalfStep Auto 8 Auto 10 1b1 0 0 0 0 0 0 1b2 0 0 0 0 0 0 1b3 0 0 0 0 0 14 286 1c2 0 0 0 0 0 0 1c3 0 0 0 0 0 0 2a2 0 0 0 0 0 0 2a3 0 0 0 0 0 0 2c1 0 25 000 0 0 0 0 2c2 0 25 000 25 000 16 667 0 33 333 2c3 0 0 0 0 0 0 3a2 0 0 0 0 0 0 3a3 0 0 0 0 0 0 3c1 0 0 0 0 0 0 3c2 0 0 0 0 0 0 3c3 0 0 0 0 0 0 4al 0 0 0 0 0 0 4a2 0 0 0 0 0 0 4a3 0 25 000 50 000 22 222 22 222 22 222 5al 0 0 0 0 0 0 5a2 0 0 0 0 0 0 6al 0 0 0 0 0 0 6a2 0 0 0 0 0 0 6a3 0 0 0 0 0 0 Verifica se mais uma vez que o aumento da janela conseguiu eliminar o erro para algumas das amostras no entanto este permaneceu presente em tr s das amostras 45 para o m todo Auto 10 Isto porque amostras de outro tipo de madeira apresentavam caracter sticas de cor mais semelhantes por o a que foi atribu do o resultado errado Pela an lise das tabelas Il e Ill pode verificar se que algumas das amostras apresentaram independentemente do m todo e dimens o da janela usada apresentaram taxa de erro nulo Note se que para todas as abordagens estudadas excepto para o Half Step com apenas um dos par metros fixos nas aproxima es a fun es sino encontram se representados a vermelho p
26. 240 a um tom de azul como pode ser facilmente observado na Figura 4b Saturation encontra se relacionado com a intensidade da cor onde O indica a aus ncia de cor e toma o valor m ximo quando a cor pura Value est relacionado com o brilho 10 18 Quando o seu valor nulo obt m se preto independentemente do valor de H e S Quando S toma o valor de O obt m se um tom de cinzento diferente consoante o valor de V O HSV apresenta tamb m a vantagem da sua representa o se assemelhar percep o humana Figura 4 Representa o do espa o de cor HSV a e escala de Hue do mesmo b A convers o de RGB para HSV pode ser obtida atrav s das Equa es 2 9 a 2 13 o RO _ L Equac o 2 9 o oss OS u V max r g b Equa o 2 10 0 if V 0 S Equa o 2 11 V min r g b otherwise GB HV R 60 E H Nr if V G Equa o 2 12 60 AEREE if V B if H lt 0 then H H 360 Equa o 2 13 HSL O HSL tamb m conhecido por HSI um espa o de cor que tal como o HSV recorre ao Hue e Saturation como atributos de dois dos canais mas a sua diferen a reside no facto que em vez do Value temos a Luminosidade Intensidade da linguagem Anglo 12 Sax nica Lightness Luminance Luminosity Intensity 19 deixando de ser representado por um cone para passar a ter a representac o de um duplo cone cilindro ou mesmo uma esfera 10 19 Figura 5 Top View Figura 5 Representa
27. 4 TABELA VII Resultados obtidos com o sistema de inferencia Sum Max comparativamente ao Min Max para com janelas de D 200 Sum Max Min Max 1b1 11 905 0 1b2 28 571 19 048 1b3 16 667 14 286 1c2 2 857 0 1c3 0 0 2c1 0 0 2c2 0 26 667 2c3 0 0 3c1 0 0 3c2 0 0 3c3 0 0 2a2 0 0 2a3 0 0 3a2 0 0 3a3 0 0 4al 0 0 4a2 0 0 4a3 9 524 9 524 Sal 0 0 5a2 0 0 bal 0 0 ba2 0 0 6a3 0 0 92 Mais uma vez retirando os resultados relativamente a madeiras do tipo b possivelmente devido ao d fice de amostras deste tipo verifica se que os restantes apresentam valores bastante aceit veis tendo diminu do agora o aumento do erro para cerca de 3 e a diminui o do mesmo para em de 27 TABELA VIII Resultados obtidos com o sistema de inferencia Sum Max comparativamente ao Min Max para com janelas de D 400 Sum Max Min Max 1b1 11 111 1b2 22 222 1b3 11 111 1c2 1c3 2cl 2c2 2c3 3c1 3c2 3c3 2a2 2a3 3a2 3a3 dal 4a2 4a3 11 111 22 222 Sal 0 0 5a2 bal ba2 ba3 O ER O O MR O UW UW Uy UW UW O EA O BR O MARA O MR O MA O MM O O EA O MA O MARA OMR O O ER O u O EM O Re Analisando agora as taxas de erro obtidas para uma janela de 400 pix is e se excluidos novamento os resultados obtidos para amostras do tipo b verifica se que o sistema de infer ncia Sum Max apenas apresenta vantagens pois para este caso n o houve um aumento da taxa de erro relativamente ao sistema de inferencia Min Max e a red
28. Cia l cta l 3 Figura 12 Representa o da fun o sino e significado dos seus par metros Para este ajuste foi criada uma folha no Microsoft Excel que ao alterar manualmente os diferentes parametros os pontos da fun o eram gerados de maneira a tentar com que esta correspondesse o melhor possivel com o histograma de um dado canal permitindo assim a compara o do histograma real com a sua aproxima o Note se que este procedimento considerado aceit vel para verificar a precis o das aproxima es no entanto o seu uso para obten o das caracteristicas da fun o representativa da aproxima o est fora de quest o pois este procedimento encontra se sujeito ao crit rio do operador se encontra a parametrizar as aproxima es e o tempo necess rio considerado bastante elevado para requisitos industriais Nas figura 13 e 14 s o apresentadas as aproxima es recorrendo a fun es sino sobrepostas ao histograma real 21 115 135 155 175 115 125 135 145 155 165 175 185 Figura 13 Aproxima es ao histograma real da amostra 1b1 recorrendo a fun es sino Figura 14 Aprox
29. Fase de treino Extrac o de Extrac o de caracteristicas caracteristicas Armazenamento Regras __ i u ho o Gram tica difusa Resultados da an lise Saida de dados Atribui o da classe Figura 23 Algoritmo implementado para o uso de gram tica difusa Assim depois da fase de treino onde s o extra das as caracter sticas da imagem fornecida estas s o convertidas em regras e armazenadas num ficheiro de texto Sempre que se pretende efectuar uma avalia o s o extra das as caracter sticas do histograma de cada canal da imagem em causa no nosso caso o ponto que apresenta valor mais elevado e compiladas com as regras Este conjunto interpretado pelo parser devolvendo o resultado de cada uma das regras depois de aplicados os valores das entradas Esses valores s o analisados e ser recolhido o indice da regra que apresentar o valor mais elevado A regra que devolver o valor mais elevado representa a imagem fornecida como treino que mais se aproxima da imagem que foi sujeita a avalia o 30 2 2 6 Parametrizagao das aproxima es Nos sistemas de infer amp ncia Min Max e Sum Max o processo de ajuste e inserc o dos par metros das amostras bastante moroso e por vezes suscept vel a erros Isto porque uma vez que estes dados tinham de ser ajustados pelo operador e assim suscept veis a diferentes crit rios no ajuste bem como poss veis erros na fase de inser o dos dados no
30. a 29 Algoritmo implementado para o processo de avalia o das amostras Para executar os testes h diversos factores a ter em conta de modo a tornar a avalia o mais adequada ao processo onde se pretende inserir este sistema Um desses factores consiste no tamanho da por o de imagem a ser avaliada e consequentemente o modo de como esta por o obtida Uma vez que se est a aplicar um filtro torna se necess rio escolher o n mero de itera es para o mesmo de modo a diminuir o ru do de alta frequ ncia sem deteriorar as caracter sticas da imagem Deste modo foram recolhidos resultados para por es de imagem com 50 100 200 e 400 pix is D Para o varrimento da imagem An lise Parcial recorreu se a quatro m todos distintos Redimensionamento da imagem original para multiplos da dimens o da por o Por es de tamanhos diferentes em que a maioria das por es apresentava o tamanho pretendido mas na ultima coluna o tamanho correspondia 35 apenas a parte da imagem que ainda n o tinha sido avaliada diminuindo assim a largura da por o sucedendo o mesmo na ultima linha mas neste caso afectando a altura da por o Full Step todas a por es apresentam o tamanho predefinido e a situa o indicada anteriormente era corrigida posicionando as ultimas por es em rela o aos extremos da imagem provocando assim a sobreposi o de algumas delas e por fim Half Step em que o processo semelhante
31. alcando por vezes a textura natural da madeira que se pretendia suavizar e por vezes verificava se uma acentuac o das variac es de alta frequencia presentes em alguns dos canais situa es estas que se pretendiam evitar Os resultados de uma filtragem de cinco itera es s o apresentadas na Figura 18 Figura 18 Amostras dos diferentes tipos de madeira dispon veis e respectivos histogramas dos canais que a caracterizam depois de submetidos a uma filtragem de cinco itera es Reparou se tamb m que na obten o das imagens recorrendo a um scanner por vezes verificavam se algumas varia es de cor que n o se encontravam presentes nas folhas de madeira a que se recorreu para a obten o das amostras Conseguiu se 25 minimizar este problema com o processo de filtragem no entando recorda se mais uma vez a necessidade de um bom sistema de aquisi o da imagem pois quanto mais preciso for menor a probabilidade de erro no processo de avalia o 2 2 2 Sistemas de infer ncia Torna se necess rio optar por um sistema de infer ncia para interpretar os valores resultantes das fun es perten a Note se que neste tipo de sistemas pretende se encontrar a classe mais apta quando fornecida determinada entrada Tendo em conta que foram usadas aproxima es aos histogramas dos canais de diferentes amostras para representar as di
32. ao Full Step mas neste caso os avan os da por o a ser avaliada s o feitos em rela o posi o anterior de acordo com os par metros dx e dy considerando estes valores sempre inferiores ao tamanho da janela D neste caso D 2 garantindo assim que existe sobreposi o de janelas em todas as an lises Os deslocamentos do m todo Half Step encontram se representados na Figura 30 Figura 30 Representa o dos deslocamentos da janela relativamente posi o anterior durante o processo de varrimento da imagem A forma de como o escalonamento das imagens efectuado pode ser visualizado na Figura 31 que apresenta a imagem original dividida em janelas com D 100 para os quatro m todos referidos Uma vez que em alguns dos casos no extremo direito e no extremo inferior da imagem o deslocamento da janela efectuado de modo diferente recorreu se a cores diferentes na sua representa o de modo a facilitar a percep o Isto porque em vez de considerar um deslocamento em rela o posi o anterior da janela tido em conta o extremo da imagem recuando se o tamanho da janela em rela o a este 36 Resize Half Step VarSize Full Step Figura 31 Representac es das porc es submetidas a avaliac o durante o varrimento da imagem Para a validac o do metodo mais apropriado foram executados testes para diferentes combinac es de abordagens Outro factor a ter em conta o universo de amostras uma
33. ara a amostra 1b1 Isto significa que ao fazer a correspond ncia da imagem na totalidade o sistema n o devolveu a imagem original ou seja sempre que a imagem da amostra 1b1 era submetida a an lise o resultado da an lise global devolvido era 1b3 Assim optou se por um factor de divis o de dez unidades pois este fez com que fosse poss vel efectuar a distin o de todas as amostras m Correct E Gama E Type Error E Correct E Gama E Type E Error E Correct E Gama E Type E Error 232 2a3 3a2 3a3 4a1 432 4a3 Sal 5a2 551 6a2 6a3 Figura 34 Resultados para cada tipo de madeira obtidos recorrendo ao m todo Half Step com D 100 e aproxima es recorrendo a fun es sino de apenas um par metro fixo e factor de divis o de 10 unidades 46 Figura 35 Exemplo da amostra 5a1 e 4a3 e respectivas segmentac es de acordo com as caracteristicas referidas na Figura 33 Pretende se agora estudar o m todo denominado de Auto 10 mais aprofundadamente e assim em vez de analisar apenas a taxa de erro teve se em conta tamb m a correspond ncia por total por tipo de madeira e tonalidade e apenas por tipo Os resultados apresentados pelos gr ficos podem ser interpretados mais facilmente ao comparar as imagens fornecidas como exemplo das amostras e a respectivas imagens segmentadas Isto porque consegue verificar se com muita bastante fa
34. cilidade a correspond ncia entre varia es de tonalidade na imagem original e as respectivas varia es na imagem segmentada Comparando agora algumas das imagens segmentadas devolvidas como resultado da aplica o pode verificar se que o uso de uma janela reduzida pode ser til para identificar varia es de tonalidade em pequenas reas como pode ser verificado na Figura 35 Note se que a taxa de correspond ncia apenas com o mesmo tipo de madeira aumenta medida que fornecido um maior n mero de amostras para determinado tipo Estes resultados levaram a uma compara o da percentagem de amostras de cada tipo com a percentagem de uma avalia o sem erro para cada tipo Os resultados encontram se expressos na Tabela V 47 TABELA V Resultados sem erro em qualquer das abordagens comparativamente ao numero de amostras disponiveis para cada tipo de madeira Percentagem de Tipo Percentagem de amostras Resultado Optimo A 52 174 30 435 B 13 043 0 C 37 783 13 043 Os resultados obtidos com uma janela de 200 pixeis D 200 apresentados na Figura 36 Pretende se verificar o impacto do aumento da janela na classifica o das diferentes por es e na capacidade de detectar varia es de tonalidade nas folhas de madeira identificadas com janelas de menor dimens o E Correct E Gama E Type E Error E Correct E Gama E Type E Error E Correct E Gama E Type E Error A M A A
35. classe de cor e posteriormente na detec o de varia es de tonalidade em por es de menor dimens o da mesma folha de madeira Tendo em conta as caracter sticas das diferentes abordagens encontradas que permitiriam implementar o projecto em causa a L gica Difusa foi considerada a mais apropriada para dar continua o a este projecto uma vez que permite a constitui o de um sistema autom tico com uma implementa o relativamente simples e reduzida carga de processamento Foram analisados diversos espa os de cor de modo a determinar as caracter sticas a serem extra das da imagem que permitissem diferenciar os diferentes tipos de madeira e varia es de tonalidade nos mesmos bem como diferentes abordagens poss veis relacionadas com a l gica difusa nomeadamente a representa o das fun es perten a e sistemas de infer ncia Outros aspectos como uma filtragem da imagem dimens o da janela de an lise durante o varrimento da mesma e parametriza o relacionada com a l gica difusa encontram se tamb m descritos de modo a justificar as op es tomadas durante a elabora o deste projecto Palavras Chave L gica Difusa inspec o visual vis o por computador Min Max Indice Abstract Resumo Indice Indice de Figuras Indice de Tabelas 1 Introduc o 1 1 Enquadramento 1 2 Estado da Arte 1 3 Objectivos 1 4 Estrutura da Tese 2 Descri o dos m todos 2 1 Espa os de Cor 2 2 L gica Difusa 2 2
36. difuso 26 Recorrendo l gica difusa poss vel implementar o pretendido recorrendo a amostras de folhas de madeira para definir os diferentes resultados poss veis classes Na Figura 7 s o apresentados exemplos de imagens de amostras de cada um dos tipos de madeira a serem utilizados neste projecto bem como o histograma de cada canal para os espa os de cor seleccionados nomeadamente HSV e CIE L a b recolhidos dessa amostra Figura 7 Amostras dos diferentes tipos de madeira dispon veis e respectivos histogramas dos diferentes canais que a caracterizam Como se pode verificar o conjunto dos histogramas de cada canal apresenta caracter sticas diferentes para cada uma das amostras permitindo assim recorrer aos mesmos para identificar uma imagem e distinguir os diferentes tipos de madeira Assim de cada amostra ser o extra das caracter sticas da sua cor que ser o usadas para definir as diferentes classes 17 2 2 1 Representac o das func es pertenca Numa primeira abordagem foi desenvolvida uma aplicac o que convertia a amostra fornecida nos dois espacos de cor seleccionados procedia a separac o nos diferentes canais e recolhia os pontos do histograma para cada canal Uma vez que nesta fase do projecto as func es pertenca eram representadas por tri ngulos para a sua implementa o os diversos pontos do histograma eram analisado
37. do com o referido entende se que a curto prazo ser poss vel implementar o filtro em v rios est gios tendo em conta o tipo de madeira a ser analisado ap s o primeiro est gio e executar os testes necess rios tanto com o sistema de infer ncia Min Max como Sum Max de modo a poder verificar se realmente o Sum Max traz vantagens a todos os n veis preciso tamb m ter em conta que nos casos em que determinada por o de imagem a ser analisada devolve outro tipo de madeira como resultado n o significa mau funcionamento da aplica o Isto acontece porque a amostra fornecida como treino que mais se aproxima da por o da imagem em an lise corresponde a outro tipo de madeira e que as amostras fornecidas para o tipo de madeira que se pretendia obter n o abrangiam a situa o referida Nestes casos uma das solu es pode passar por repensar as amostras fornecidas como treino verificando se ser necess rio 96 acrescentar amostras para os tipos que apresentem lacunas ou recorrer a filtragem em cascata 57 58 Bibliografia 1 http clientes netvisao pt alme0020 historia_madeiras htm Pagina com uma perspectiva historica e pequena abordagem aos processos de transformac o de madeira Data de utilizac o 13 Setembro 2007 2 Mario L Roloff Marcelo P Adur Uma Biblioteca de Processamento de Imagens para o Controle de Qualidade utilizando Dispositivos Portateis PDAs em Sistemas Industriais de Visao 3 Dr Richard C
38. e os resultados obtidos dos m todos considerados de maior relev ncia s o apresentados no cap tulo Apresenta o de discuss o dos resultados Neste cap tulo poss vel visualizar estat sticas e imagens resultantes da segmenta o de amostras de folha de madeira de modo a fundamentar as escolhas tomadas no decorrer deste projecto Para finalizar s o apresentadas Conclus es obtidas durante o desenvolvimento do projecto bem como hip teses pensadas para melhorar os aspectos apresentados para este sistema 2 Descri o dos m todos Dos m todos referidos no cap tulo anterior foi necess rio estabelecer uma estrat gia a seguir bem como optar pelas diferentes variantes de cada m todo Assim procedeu se a um estudo dos espa os de cor dispon veis na biblioteca OpenCV de modo a determinar uma solu o robusta para a identifica o das folhas de madeira de acordo com as suas caracter sticas de cor Posteriormente procedeu se selec o da abordagem de l gica difusa bem como investiga o de diversos par metros que poderiam influenciar o processo de avalia o Como j foi referido a L gica difusa um processo que se baseia fundamentalmente no conhecimento emp rico do operador Torna se assim necess rio executar testes meticulosamente de modo a verificar as altera es produzidas pela manipula o dos diferentes par metros necess rio ter em conta tamb m que este tipo de processos tem de apresentar uma elevada fiab
39. e que essa percentagem corresponde apenas a uma por o Como referido anteriormente os resultados acima apresentados foram obtidos recorrendo ao sistema de infer ncia Min Max No entanto depois de considerada a hip tese de um novo sistema de infer ncia neste caso denominado de Sum Max procedeu se a alguns testes para a pondera o do seu uso em trabalhos futuros Alguns dos resultados obtidos para o sistema de infer ncia Sum Max com aproxima es a fun es sino de um par metro fixo e factor de divis o de 10 unidades recorrendo ao m todo Half Step encontram se apresentados em seguida TABELA VI Resultados obtidos com o sistema de inferencia Sum Max comparativamente ao Min Max para com janelas de D 100 Sum Max Min Max 1b1 11 905 4 762 1b2 30 12 088 1b3 11 538 12 088 1c2 2 597 0 1c3 0 0 2c1 0 0 741 2c2 0 26 154 2c3 0 0 3c1 0 0 3c2 0 556 0 3c3 4 132 3 306 2a2 0 0 2a3 0 0 3a2 0 0 3a3 0 0 Aal 0 0 4a2 0 0 4a3 7 143 12 5 5al 1 667 0 5a2 3 846 0 91 6al 0 0 741 6a2 6a3 0 0 O O Como se pode verificar excep o de an lises a madeira do tipo b o sistema de infer ncia Sum Max apresenta resultados considerados aceit veis uma vez que conseguiu trazer redu es a taxa de erro bastante significativas redu o m xima na ordem dos 26 e nos casos em que se verificou um aumento do erro o valor apresentado n o se verificava muito superior a resultados j obtidos aumento m ximo na ordem dos
40. ectiva segmenta o b e amostra 4a3 c viii 24 25 27 28 28 29 30 31 32 32 33 34 35 36 3 40 45 Figura 34 Resultados para cada tipo de madeira obtidos recorrendo ao metodo Half Step com D 100 e aproximac es recorrendo a func es sino de apenas um parametro fixo e factor de divisao de 10 unidades Figura 35 Exemplo da amostra 5a1 e 4a3 e respectivas segmenta es de acordo com as caracter sticas referidas na Figura 33 Figura 36 Resultados para cada tipo de madeira obtidos recorrendo ao m todo Half Step com D 200 e aproxima es recorrendo a fun es sino de apenas um par metro fixo e factor de divis o de 10 unidades Figura 37 Exemplo da amostra dal e 4a3 e respectivas segmenta es de acordo com as caracter sticas referidas na Figura 35 Figura 38 Resultados para cada tipo de madeira obtidos recorrendo ao m todo Half Step com D 400 e aproxima es recorrendo a fun es sino de apenas um par metro fixo e factor de divis o de 10 unidades Figura 39 Exemplo da amostra 5a1 e 4a3 e respectivas segmenta es de acordo com as caracter sticas referidas na Figura 38 46 47 48 49 50 50 Indice de Tabelas TABELA Designa o e fun o dos termos lingu sticos implementados para efeito de teste do m todo recorrendo a gram tica difusa TABELA II Percentagem de erro nos diferentes m todos abordados com D 100 TABELA Ill Pe
41. em apesar de apresentar boas aproximac es verificou se que em alguns dos casos o processo de correspond ncia das imagens n o era o mais preciso isto porque havia sobreposi o dos histogramas das diversas amostras resultando por vezes valores muito semelhantes que resultavam em falsas correspond ncias Estes valores eram resultantes do facto da rea abrangida pelos histogramas de alguns canais ser muito elevada fazendo assim que em alguns dos casos a valor m nimo de uma dada amostra fosse bastante elevado mesmo que o ponto m ximo aspecto fundamental neste processo de avalia o se encontrasse bastante distanciado 0 8 0 6 0 4 0 2 0 2 Figura 27 Compara o entre histogramas de cor de um dos canais de uma imagem e a sua aproxima o recorrendo a fun es sino com um par metro fixo A solu o adoptada para a resolu o deste problema por reduzir a rea abrangida pelos histogramas atrav s de um factor de divis o De modo a garantir uma rea minima abrangida pelos histogramas era tamb m adicionada uma unidade ao par metro a Sendo p 0 5 o ponto do histograma associado ao ponto de viragem da fun o sino do lado esquerdo pg 0 5 o ponto do histograma associado ao ponto de viragem da fun o sino do lado direito e div o factor de divis o aplicado o par metro a era calculado atrav s da Equa o 2 31 _ Par Pr Equa o 2 31 div
42. est gios de inspec o visual desde a materia prima at ao produto final 1 2 Estado da Arte Este projecto incide na inspec o visual de folhas de madeira sendo necess rio ter em considera o diversos factores que podem afectar uma boa avalia o das caracter sticas pretendidas Esses factores s o a localiza o do stock que pode estar sujeito s condi es atmosf ricas afectando o seu aspecto Assim como grau de humidade da madeira pode provocar varia es na sua cor fazendo com que madeira da mesma rvore possa assumir cores diferentes Estes factores podem trazer in meros inconvenientes caso n o tenham sido tidos em conta depois do processo de an lise Existem tamb m outros factores externos que podem afectar o processo de avalia o como a exist ncia de sujidade ou res duos deixados como por exemplo por autocolantes 3 Al m da sua cor e varia o da mesma existem tamb m caracter sticas da pr pria madeira que podem ser sujeitas a avalia o como a textura e n s podendo estas tamb m variar com a esp cie da madeira a ser analisada J poss vel encontrar na literatura diferentes abordagens para a inspec o visual de madeiras especialmente no que diz respeito identifica o de n s e varia es de textura As abordagens mais frequentes eram baseadas em Self Organizing Maps 4 tamb m conhecidos como Kohonen s Maps L gica Difusa 5 ou segmenta o baseada na binariza o da imagem atrav
43. ferentes classes e que quanto mais pr xima estiver a classe dos valores fornecidos maior vai ser o grau de perten a devolvido pelas fun es definidas optou se por recorrer a um sistema que devolvesse o valor m ximo obtido numa determinada classe Dos sistemas de infer ncia referidos anteriormente poder amos seleccionar entre o Min Max 27 e o Max Max no entanto dada a probabilidade de v rias classes obterem pelo menos num dos canais grau de perten a muito pr ximo da unidade descartou se a possibilidade de recorrer ao Max Max pois os resultados seriam muito prop cios a erros Recorreu se ent o ao Min Max como sistema de infer ncia Mais tarde no decorrer deste projecto surgiu a ideia de implementar um novo sistema de infer ncia a que se chamou Sum Max 2 2 3 Min Max Ap s a an lise de diferentes m todos de infer ncia existentes na bibliografia 27 29 optou se pelo Min Max Tal como se pode verificar na Figura 19 existem duas vari veis x e y que s o modeladas em duas classes C e C atrav s das fun es perten a As B e Ao B2 respectivamente Quando um par de valores x y aplicado ao sistema de infer ncia a primeira opera o determinar o grau de perten a para cada uma das fun es De seguida para cada classe C4 e C2 determinado o valor m nimo w gt e w respectivamente O par ir ser associado classe que apresentar o valor m nimo mais elevado neste caso wo 26 ArB AuB H A B
44. fusa recorrendo a seis primitivas para descrever todo o universo difuso Figura 22 Representa o do grau de perten a de cada primitiva para cada canal em fun o caracter sticas extra das do histograma de uma amostra considerando um universo de 15 primitivas Figura 23 Algoritmo implementado para o uso de gram tica difusa Figura 24 Algoritmo implementado para treino recorrendo a fun es sino com dois par metros fixos Figura 25 Compara o entre histograma de cor de um dos canais de uma imagem e a sua aproxima o recorrendo a fun es sino com dois par metros fixos Figura 26 Algoritmo implementado para treino recorrendo a fun es sino com um par metro fixo Figura 27 Compara o entre histogramas de cor de um dos canais de uma imagem e a sua aproxima o recorrendo a fun es sino com um par metro fixo Figura 28 Compara o entre histogramas de cor de um dos canais de uma imagem e a sua aproxima o recorrendo a fun es sino com um par metro fixo Figura 29 Algoritmo implementado para o processo de avalia o das amostras Figura 30 Representa o dos deslocamentos da janela relativamente posi o anterior durante o processo de varrimento da imagem Figura 31 Representa es das por es submetidas a avalia o durante o varrimento da imagem Figura 32 Aspecto da aplica o desenvolvida para teste dos diferentes m todos Figura 33 Amostra 2c2 a resp
45. grama a nossa variavel a ser avaliada faz todo o sentido fazer com que as aproximac es estejam de acordo com este crit rio Os resultados obtidos atrav s deste m todo foram bastante favor veis no entanto como se pode verificar na Figura 25 a rea abrangida pelos histogramas dos diferentes canais est longe de ser a mesma levando assim a questionar se o m todo de aproxima o poderia ser melhorado Figura 25 Compara o entre histograma de cor de um dos canais de uma imagem e a sua aproxima o recorrendo a fun es sino com dois par metros fixos Para as aproxima es passou a ter se em conta n o s o ponto correspondente ao valor m ximo do histograma mas tamb m os pontos de viragem O algoritmo base deste procedimento encontra se representado na Figura 26 F Imagem de f treino Convers o de RGB para HSV e CIE L a b Decomposi o dos nos diversos canais dos espa os de cor Procura ponto com grau de Procura ponto Recolha do valor com grau de maximo do canal am anallre perten a pr ximo de 0 5 direita do ponto m ximo Pr ximo canal Analizados todos 05 canais Armazenamento dos parametros da aproxima o Figura 26 Algoritmo implementado para treino recorrendo a fun es sino com um par metro fixo 32 perten a pr ximo de 0 5 esquerda do ponto m ximo Calcula o parametro a Com esta abordag
46. ilidade pois ao recorrer se a sistemas de inspec o visual assistida por computador para o controlo de qualidade deve garantir se que estes n o ir o introduzir mais incertezas no processo de produ o Torna se ent o necess rio garantir que o sistema implementado na pior das hip teses ser t o fi vel como uma avalia o levada a cabo por um operador e que a implementa o deste tipo de sistemas n o vai introduzir nenhuma limita o em termos de velocidade ao sistema de produ o pois pretende se n o s obter um controlo de qualidade mais rigoroso mas tamb m aumentar a capacidade de produ o do mesmo tamb m necess rio considerar diversos factores relativamente ao setup do sistema De modo a evitar sombras ou reflexos para garantir uma boa qualidade da imagem a ser analisada imperativo escolher cuidadosamente o tipo de c mara e ilumina o a ser utilizada bem como a disposi o das mesmas O sistema industrial dever consistir numa c mara de CCD linear posicionada por cima de uma tela transportadora e uma l mpada fluorescente de alta frequ ncia Figura 1 Foi considerada a necessidade de adicionar um sistema que permitisse manter as folhas de madeira esticadas Dadas as dimens es das folhas de madeira aproximadamente 300x2000mm e espessura inferior a 1mm por vezes verifica se uma ondula o das mesmas que poder resultar em erros ou m qualidade das imagens durante o T processo da sua aquisic o Esse si
47. ima es ao histograma real da amostra 6a3 recorrendo a fun es sino 22 No entanto como se pode verificar atraves das imagens algumas das aproximac es nao se verificaram tao boas quanto esperado isto porque o histograma nao apresenta simetria em rela o ao eixo vertical que intercepta o seu valor de pico o que faz com que apesar de se conseguir boas aproxima es de um dos lados do histograma nem sempre possivel garantir bons resultados realtivamente a todo o histograma Assim na tentativa de minimizar este efeito antes da extrac o dos valores as imagens s p submetidas a um processo de filtragem Essa filtragem consiste na aplica o de um smooth do tipo gaussiano actuando numa vizinhan a de 3 pixeis um n mero predefinido de dilata es com un kernel 3x3 e para finalizar o mesmo n mero de eros es com o mesmo kernel 28 O objectivo desta filtragem consiste em remover altas frequ ncia resultando tamb m numa representa o mais sim trica do histograma em rela o ao eixo vertical que atravessa o ponto m ximo do histograma resultando em aproxima es mais precisas A Figura 15 representa o mesmo exemplo apresentado na Figura 7 mas agora depois de submetidas a um processo de filtragem de uma itera o Figura 15 Amostras dos diferentes tipos de madeira dispon veis e respectivos histogramas dos canais que a caracterizam depo
48. is de submetidos a uma filtragem de uma itera o 23 0 8 0 8 0 6 0 6 H S 0 4 Bell 0 4 Bell 0 2 0 2 0 0 Figura 16 Aproximac es ao histograma real da amostra 1b1 recorrendo a func es sino depois de submetidas a uma filtragem de uma itera o 1 1 0 8 0 8 0 6 y 0 6 i 0 4 Bell 0 4 Bell 0 2 0 2 o 0 175 195 215 235 255 175 195 215 235 255 0 2 0 2 Figura 17 Aproximac es ao histograma real da amostra 6a3 recorrendo a func es sino depois de submetidas a uma filtragem de uma itera o 24 Como se pode constatar para a amostra 1b1 as alterac es nao sao muito significativas uma vez que n o se conseguiu obter uma maior simetria em todos os canais Por outro lado no que diz respeito a amostra 6a3 ja se verificam os efeitos pretendidos com a filtragem uma vez que os pontos recolhidos do histograma apresentavam uma semelhanca muito maior as func es sino usadas para fazer as aproximac es Foram tambem efectuados testes para cinco dez e quinze iterac es no entanto para cinco ou mais itera es as carater sticas da imagem resultante apresentavam se bastante alteradas re
49. istema de vis o apresentar uma grande robustez e para este efeito uma ilumina o constante necess rio prever factores como a idade das l mpadas que poder o afectar a sua luminosidade com o passar do tempo preciso ent o tentar minimizar este problema considerando espa os de cor que consigam garantir alguma independ ncia deste factor 1 4 Estrutura da Tese Neste documento pretende apresentar se os passos seguidos e os aspectos considerados na implementa o do projecto Para isso depois de ponderar sobre os m todos utilizados at agora para projectos de caracter sticas semelhantes procedeu se selec o da abordagem mais adequada tendo em conta a aptid o para desempenhar a tarefa pretendida como a carga de processamento necess ria para esse mesmo processo No ponto Descri o dos m todos s o apresentados os diferentes espa os de cor que ser o a base para este projecto Da sua an lise ir resultar a escolha de um ou mais espa os que permitam diferenciar os diferentes tipos de madeira e varia es de tonalidade nos mesmos Tamb m s o apresentadas poss veis abordagens para solucionar este problema de acordo com o m todo escolhido para executar a an lise das caracter sticas recolhidas da imagem bem como diversos factores que foram tidos em conta de modo a determinar a melhor estrat gia dentro das v rias abordagens apresentadas tais como variantes dos m todos e parametriza o dos mesmos Posteriorment
50. izada para recolha dos valores dos histogramas Considerando os valores em causa input valor maximo do histograma fornecido como entrada null_left i valor nulo esquerda do m ximo de um histograma de uma amostra Max i valor m ximo de um histograma de uma amostra e null right i valor nulo direita do m ximo de um histograma de uma amostra e tendo em conta que os valores se encontram normalizados e que o m ximo sempre 1 o grau de perten a para uma dada entrada era obtido pela Equa o 2 29 l l AT Madi mi ep e E Y Ott IA S input SOE 4 input 1 l x input ll wicht _ Martel x null righili if Maxfi lt input lt null riehtli null right i Maxli null right i Max i Hgm A eee _rightli Equa o 2 29 Recorrendo aos relatorios gerados pela aplicac o era possivel verificar a precisao das aproxima es atrav s do Microsoft Excel As figuras 10 e 11 representam os resultados obtidos para duas das amostras dispon veis assim com as aproxima es associadas ao histograma real de modo a poder observar a efic cia do m todo em Causa 19 H H Triangle V V Triangle Triangle 3 M a Triangle b_Triangle H s E H_Triangle E S_Triangle
51. machine intelligence Prentice Hall 1997 30 Manuel J Ferreira Cristina P Santos Tracking system using texture cue based on wavelet transform 31 Cristina M Peixoto Santos Manuel Jo o Ferreira Control of an Industrial Desktop Robot Using Computer Vision and Fuzzy Rules 61 62 Refer ncias Graficas Figura 2 a Modificada de http www mathworks com access helpdesk help toolbox images color7 gif Figura 2 b Modificada de http upload wikimedia org wikipedia commons thumb e e0 Synthese 2B svg 200px Synthese 2B svg png Figura 3 Modificada de http upload wikimedia org wikipedia commons thumb 0 02 CIExy1931 svg 326px CIExy1931 svg png Figura 4 a Modificada de http upload wikimedia org wikipedia en thumb e ea HSV_cone png 250px HSV_cone png Figura 4 b Modificada de http upload wikimedia org wikipedia commons thumb a ad HueScale svg 250px HueScale svg png Figura 5 Modificada de http en wikipedia org wiki HSL color space Figura 6 Modificada de http www newsandtech com issues 2002 02 02 ifra images 42Lab jpg Figura 1240 Modificada de Teresa Maria F Valente Modelos de caracteriza o de impacte ambiental para escombreiras reactivas equil brio e evolu o de res duos de actividade extractiva Tese de Doutoramento Universidade do Minho 2004 Figura 21 Modificada de 63 Teresa Maria F Valente Modelos de caracterizac o de impacte ambiental
52. n o apresentada a satura o da mesma Um estudo que pretendia apurar a capacidade de diferentes espa os fazerem corresponder diferentes cores visualizadas em diferentes n veis de luminosidade o CIE L a b apresentou bons resultados contra modelos bem mais complexos e em alguns casos os resultados eram equivalentes aos melhores 9 White L Black Figura 6 Representa o do espa o de cor CIE L a b A transforma o de RGB para o espa o de cor CIE L a b pode ser obtida atrav s das Equa es 2 19 a 2 23 X 0 412453 0 357580 0 180423 R Y 0 212671 0 715160 0 072169 Z 0 019334 0 119193 0 950227 Q Equac o 2 19 Po 14 r e o Equac o 2 20 A 116 X Y a 500x fl Equa o 2 21 de ata Y Z b 200 x a E a Equac o 2 22 de AZ 1 v v gt 0 008856 f v Equa o 2 23 1I8Txv v lt 0 008856 CIE L u v Tal como o CIE L a b o CIE L u v baseado no CIE XYZ apresentando como um dos canais a luminosidade O canal u representa varia es entre verde para valores negativos u e vermelho para valores positivos u e o canal v apresenta varia es entre azul v e violeta v 24 25 Uma caracter stica deste espa o de cor assenta no facto de ter sido constru do sobre duas escalas de cromaticidade uniformes derivadas de valores standard da teoria dos tr s est mulos do XYZ 9 Apesar deste modelo apresentar a vantagem de a diferen a en
53. n o considerada relevante no que diz respeito a alterac o do m todo No entanto os valores apresentados a vermelho correspondem ao resultado de uma avaliac o global que n o coincidiu com a imagem introduzida com a imagem fornecida como entrada Assim s foi conseguida 43 uma avalia o global de 100 tendo em conta o universo de amostras para o metodo denominado de Auto 10 Auto 10 corresponde a uma analise em Half Step metodo de infer amp ncia Min Max recorrendo a aproximac es baseadas em func es sino com apenas um parametro fixo e factor de divisao de 10 unidades TABELA III Percentagem de erro nos diferentes m todos abordados com D 200 Resize VarSize FullStep HalfStep Auto 8 Auto 10 1b1 0 0 0 0 0 0 1b2 8 333 12 500 12 500 14 286 14 286 19 048 1b3 0 0 0 0 0 14 286 1c2 0 0 0 0 0 0 1c3 0 0 0 0 0 0 2a2 0 0 0 0 0 0 2a3 0 0 0 0 0 0 2c1 44 444 25 000 16 667 17 857 7 143 0 2c2 55 556 25 000 41 667 36 667 6 667 26 667 2c3 0 6 667 6 667 3 125 0 0 3a2 0 0 0 0 0 0 3a3 0 0 0 0 0 0 3c1 0 0 0 0 0 0 3c2 0 0 0 0 0 0 3c3 0 0 0 0 0 0 4a1 0 0 0 0 0 0 4a2 0 0 0 0 0 0 4a3 8 333 18 750 18 750 14 283 21 429 9 524 dal 0 0 0 0 0 0 Ja2 0 0 0 0 0 0 6a1 0 0 0 0 0 0 6a2 0 0 0 0 0 0 6a3 0 0 0 0 0 0 Comparando agora os resultados com os obtidos para uma janela de 100 pix is verificou se uma descida significativa na taxa de erro no entanto em alguns dos casos a taxa de erro e bastante superior ao pretendido como por exemplo a amostra 2c
54. o emp rico do processo pretendido sendo assim necess rio conhecimento pr vio do sistema a ser implementado e neste caso das caracter sticas a serem analisadas 1 3 Objectivos Depois de serem extra das folhas de madeira do tronco necess rio proceder a uma inspec o para garantir um correcto agrupamento das mesmas por classes de tonalidade bem como definir o grau de qualidade da folha em causa Esta separa o fundamental para obter uniformidade do produto acabado O processo de inspec o efectuado por operadores especializados ao longo das fases de produ o da folha unidade de secagem unidade de controlo dimensional e 3 unidade de preparac o da folha Por vezes os operadores podem n o detectar algumas das falhas por isso pretende criar se um sistema capaz de proceder a classificac o destas folhas por classes de tonalidade e que consiga atribuir um grau de qualidade folha em quest o importante mencionar que este tipo de sistema n o proporciona s uma maior efici ncia no que diz respeito ao controlo de qualidade mas pode tamb m ser traduzido num aumento de produtividade e custos cada vez menores atribu dos ao processo de produ o No ponto anterior foram apresentados alguns m todos aplicados actualmente inspec o visual de madeiras no entanto alguns destes m todos apesar de apresentarem bons resultados para determinado tipo de defeitos n o conseguem abranger a gama de caracter sticas que
55. o sistema de infer ncia a primeira opera o determinar o grau de perten a para cada uma das fun es De seguida para cada classe C4 e C2 calculada a soma de todos os graus de perten a 2 e 2 respectivamente O par de valores ir ser associado classe que apresentar o somat rio dos graus de perten a mais elevado neste caso 2 27 21 max X yi Figura 20 Representa o do funcionamento do m todo de infer ncia Sum Max de gram tica difusa Para a implementa o deste m todo assumiu se que ao fazer a correspond ncia entre duas imagens a que apresentar maior semelhan a ir ter grau de perten a mais elevado para a maioria dos canais e como consequ ncia o somat rio destes valores ira ser mais elevado relativamente ao apresentado por outras classes 2 2 5 Gram tica Difusa Este processo 27 30 31 consiste em representar um conjunto de fun es que abranjam todo o canal do espa o de cor igualmente espa adas entre si e com as mesmas caracter sticas primitivas Essas fun es ser o usadas para representar as aproxima es dos histogramas reais de cada canal Assim sempre que uma imagem introduzida como objecto de treino vai ser extra do o valor no qual se obt m o m ximo de cada canal Esse valor vai ser aplicado a todas as primitivas e a que apresentar o valor mais elevado ser seleccionada para representar esse canal ett eB ffs 0 120 u bell x 0 1 2 0 2 M bell x 0
56. o usado para as aproxima es do histograma real recorrendo a gram tica difusa e recorrendo aos sistemas de infer ncia Min Max e Sum Max com as fun es perten a centradas no ponto que apresenta valor m ximo em cada canal da imagem fornecida como treino n o dif cil de constatar que as aproxima es baseadas em gram tica difusa s o mais suscept veis a erro 3 1 2 L gica Difusa aplicada na an lise de por es da imagem Foi decidido que o redimensionamento da imagem original deveria ser evitado uma vez que este implicaria recorrer se a m todos de interpola o podendo assim afectar a rela o entre determinados defeitos e a rea abrangida por eles o uso de janelas de diferentes tamanhos n o faz grande sentido pois o tamanho das janelas afecta directamente a avalia o fazendo com que o crit rio de avalia o variasse para diferentes por es da mesma amostra excluindo se assim o m todo denominado de VarSize O crit rio de avalia o presente nos m todos denominados de Full Step e Half Step o mesmo sendo a nica varia o a dist ncia de deslocamento da janela em rela o posi o anterior Assim e relembrando que o Half Step apresenta um deslocamento correspondente a metade da dimens o da janela D 2 verifica se uma sobreposi o de por es a ser avaliadas Isto traduz se num aumento de por es a serem avaliadas e consequentemente num aumento do rigor da avalia o Por estes motivos considero
57. ois dos par metros fixos a e b e apenas um dos par metros fixos b No caso de apenas um dos par metros fixos foi necess rio verificar o efeito do factor de divis o aplicado nos resultados de modo a melhorar a estrat gia 40 O passo seguinte foi avaliar os resultados produzidos por cada um dos testes mas neste ponto j recorrendo tamb m a avalia o de pequenas por es de cada imagem Para isso foram considerados as abordagens referidas anteriormente denominadas de Resize VarSize Full Step e Half Step Para cada um dos m todos foi tido em conta o efeito do tamanho de cada janela o deslocamento dessa mesma janela em rela o posi o anterior e o efeito do factor de divis o aplicado nas aproxima es sino de apenas um par metro fixo 3 1 1 L gica Difusa aplicada na an lise global da imagem Na tentativa de validar o m todo que recorria a gram tica difusa foram executados testes com nove amostras dispon veis de modo a determinar o n mero de primitivas mais adequado para preencher todo o canal Desses testes conv m mencionar os resultados para onze quinze e dezassete primitivas Os resultados obtidos a recorrendo a gram tica difusa foram considerados satisfat rios no que diz respeito a uma avalia o global da imagem entenda se que com avalia o global da imagem considera se a correspond ncia entre imagens fornecidas como treino e posteriormente submetidas a an lise como sujeito de
58. olha dos valores dos histogramas Figura 10 Aproximac es ao histograma real da amostra 1b1 recorrendo a tri ngulos Figura 11 Aproximac es ao histograma real da amostra 6a3 recorrendo a tri ngulos Figura 12 Representa o da fun o sino e significado dos seus par metros Figura 13 Aproximac es ao histograma real da amostra 1b1 recorrendo a fun es sino Figura 14 Aproximac es ao histograma real da amostra 6a3 recorrendo a fun es sino Figura 15 Amostras dos diferentes tipos de madeira dispon veis e respectivos histogramas dos canais que a caracterizam depois de submetidos a uma filtragem de uma itera o Figura 16 Aproximac es ao histograma real da amostra 1b1 recorrendo a fun es sino depois de submetidas a uma filtragem de uma itera o Vil 12 13 14 17 18 19 20 20 21 22 22 23 24 Figura 17 Aproxima es ao histograma real da amostra 6a3 recorrendo a func es sino depois de submetidas a uma filtragem de uma itera o Figura 18 Amostras dos diferentes tipos de madeira dispon veis e respectivos histogramas dos canais que a caracterizam depois de submetidos a uma filtragem de cinco itera es Figura 19 Representa o do funcionamento do m todo de infer ncia Min Max de gram tica difusa Figura 20 Representa o do funcionamento do m todo de infer ncia Sum Max de gram tica difusa Figura 21 Exemplo de gram tica di
59. onners Tai Hoon Cho Philip A Araman Automated Grading of Rough Hardwood Lumber 3 International Conference on Scanning Technology in Sawmilling California 1989 4 Matti Niskanen A Visual Training Based Approach to Surface Inspection Department of Electrical and Information Engineering University of Oulu Oulu 2003 5 Gonzalo A Ruz Pablo A Est vez Claudio A Perez A Neurofuzzy Color Image Segmentation Method for Wood Surface Defect Detection Department of Electrical Engineering University of Chile Santiago 2003 6 Tai Hoon Cho Richard W Conners Philip A Araman A Computer Vision System For Analyzing Images Of Rough Hardwood Lumber Blacksburg 1990 7 Maria da Concei o R Gaboleiro Logica Difusa Temas Complementares em Investiga o Operacional P s Graduado em Matem tica e suas aplica es Investiga o Operacional FCT UNL Ano lectivo 2004 2005 8 Marc lio C P de Souto L gicas para Intelig ncia Artificial 9 http www handprint com HP WCL color7 htmIZCIELUV Pagina com a descri o de diversos modelos de cor elaborada por Bruce MacEvoy Data de utiliza o 25 Setembro 2007 10 John C Russ The Image Processing Handbook Third Edition 11 ColorLock da Silicon Graphics Guia do Usu rio N mero do documento 007 3939 001PTB 12 http en wikipedia org wiki RGB Explicac o do espaco de cor RGB apresentada pela Wikipedia Data de utilizac o 25 Setembro 2007 13 http www dpi
60. os ou seja uma com as caracteristicas de todas as amostras independentemente do tipo de madeira e as restantes com dados relativamente apenas a cada tipo de madeira Assim a etapa seguinte consiste numa avalia o considerando apenas imagens do mesmo tipo de madeira para efectuar a correspond ncia das por es obtendo se assim uma segmenta o baseada nas tonalidades apresentadas apenas para aquele tipo de madeira E poss vel tamb m acrescentar aplica o um processo de treino durante a fase de avalia o Ou seja sempre que uma amostra apresente uma por o que n o corresponda ao mesmo tipo de madeira devolvido pela avalia o global esta seria adicionada como uma nova tonalidade para esse tipo de madeira No entanto preciso ter em conta que isto poder fazer com que o n mero de amostras obtidas como treino aumentasse drasticamente provocando um aumento do processamento No pior dos casos poder verificar se uma sobreposi o de amostras de diferentes tipos Poder ser tamb m implementada l gica difusa recorrendo a redes neuronais da linguagem Anglo Sax nica Neurofuzzy 29 melhorando assim o processo de aproxima o das fun es perten a Com este m todo as caracter sticas extra das do histograma de cada canal de uma imagem ao serem submetidas aos diversos neur es presentes na rede ir o resultar numa representa o do histograma bastante mais precisa do que as obtidas recorrendo a fun es sino Assim de acor
61. pigmentos RGB ou se for executada uma convers o para estes pigmentos 16 Neste sistema Y representa o brilho Cr a cromaticidade vermelha e Cb a cromaticidade azul sendo a convers o poss vel atrav s das Equac es 2 6 a 2 8 Y Kr x R 1 Kr Kb x G Kb x B Equa o 2 6 Cb Pb a Br Equa o 2 7 2 1 Kb ee Equac o 2 8 2 1 Kr Sendo Kb e Kr constantes predefinidas obtidas atraves do espaco RGB Os valores de R G e B afectados por plicas indicam que estes foram afectados por correc es de gama Normalmente estes valores passam a ser representados por intervalos compreendidos entre O e 1 onde O indica a m nima intensidade e 1 a m xima O valor resultante Y tomar valores entre 0 e 1 e Cr e Cb estar o compreendidos entre 0 5 e 0 5 10 16 17 HSV O espa o de cor HSV resulta tal como nos espa os referidos anteriormente na combina o de tr s componentes Hue Saturation e Value e consiste numa transforma o n o linear do espa o de cor RGB Figura 4 Hue corresponde ao comprimento de onda dominante do espectro e apresenta se num intervalo entre 0 e 360 na maioria das aplica es mas algumas vezes reduzido a 180 como o caso do OpenCV no intuito de fazer coincidir o intervalo com o n mero de bits atribu do a cada canal Cada valor de Hue corresponde a uma cor diferente por exemplo e 11 considerando que varia entre O e 360 o valor O corresponde a vermelho 120 a um tom de verde
62. programa Assim tornou se necess rio arranjar um m todo de treino autom tico capaz compensar estes problemas No caso dos tri ngulos o treino seria relativamente simples de automatizar mas depois de conclu do que esta n o era a melhor abordagem surge a necessidade de procurar um m todo capaz de fazer uma boa aproxima o com fun es sino Para fazer a aproxima o continuou se a recorrer a fun es sino com dois dos par metros fixos mas agora em vez da sua posi o ser fixa esta fica centrada no valor a partir do qual se obt m o ponto m ximo Note se que com este tipo de aproxima o alguma informa o dos histogramas descartada uma vez que as aproxima es tendem a abranger uma menor gama de valores do que o histograma original no entanto estas conservam as caracter sticas que s o apresentadas em maior abund ncia Imagem de treino Convers o de RGB para HSV e CIE L a b Decomposi o dos nos diversos canais dos Espa os de cor Recolha do valor m ximo do canal em analize Pr ximo canal Analizados todos as canais Armazenamento dos parameircs da aproxima o Figura 24 Algoritmo implementado para treino recorrendo a fun es sino com dois par metros fixos 31 Com esta abordagem pretende se reunir as vantagens dos metodos apresentados anteriormente de modo a conseguir uma representac o mais favor vel aos resultados pretendidos uma vez que sendo o ponto maximo do histo
63. r 39 Sample top values OF nee SD Original image Sal A Matched Image 5al index 18 H 5 Y Es a b Cancel Correct Evaluation 57 500 Compare a 2 160 194 195 137 153 Correct Gama 31 667 ns Correct Type 10 833 Bad Evaluation 0 000 m O se 12 Figura 32 Aspecto da aplica o desenvolvida para teste dos diferentes m todos Atrav s desta aplica o pode tamb m fazer se apenas a an lise global recorrendo ao bot o Compare 2 Sempre que executada uma an lise global os par metros da imagem a ser analisada s o apresentados em 7 A editbox identificada como 5 indica o n mero de itera es a serem usadas durante a filtragem Note se que este valor tem de ser considerado n o s ao efectuar uma an lise mas tamb m durante a fase de treino do sistema Sempre que se efectua treino 9 deve ter se em conta o valor associado a 10 que representa o factor de divis o quando se usa o par metro da fun o a din mico Como primeiro passo foi testada a capacidade do sistema fazer a correspond ncia das imagens na sua totalidade sendo este o requisito mais simples pretendido com a aplica o e que serve de base ao resto do processo de avalia o Neste ponto apenas foram considerados testes recorrendo a gram tica difusa e sistemas de infer ncia Min Max e Sum Max Para as aproxima es recorrendo a fun es sino consideraram se as abordagens em que se mantinham d
64. racteristicas mais relevantes RGB O espaco de cor RGB assenta no facto do sistema de processamento de cor do olho humano ser baseado na amostragem das faixas vermelha red verde green e azul blue do espectro visivel 10 Surge assim uma representac o tridimensional de um cubo associado a um sistema de eixos em que os seus pontos interiores correspondem mistura de diferentes varia es da cor associada a cada eixo Este espa o de cor assenta na teoria dos tr s est mulos na linguagem Anglo Sax nica referido como Tristimulus Color Theory que baseada na forma como o nosso c rebro interpreta as cores Isto o olho humano apresenta dois tipos de sensores denominados de bastonetes e cones Existem tr s tipos de cones cada um sens vel a luz vermelha verde ou azul Cada cone indica ao c rebro a quantidade de est mulo recebida Assim criou se uma forma de descrever as cores atrav s de valores num ricos relacionados com a sensibilidade do olho humano s faixas de vermelho verde e azul do espectro vis vel 11 Na linha que une a origem do nosso referencial correspondendo cor preta ao ponto que representa o valor m ximo que cada componente de cor pode tomar correspondendo cor branca nos apresentada a escala cinza ou seja cada vez que as componentes R G e B apresentam o mesmo valor obtemos um diferente tom de cinzento 10 12 13 B Figura 2 Representa o do cubo do espa o de cor RGB a e
65. rcentagem de erro nos diferentes m todos abordados com D 200 TABELA IV Percentagem de erro nos diferentes m todos abordados com D 400 TABELA V Resultados sem erro em qualquer das abordagens comparativamente ao n mero de amostras dispon veis para cada tipo de madeira TABELA VI Resultados obtidos com o sistema de inferencia Sum Max comparativamente ao Min Max para com janelas de D 100 TABELA VII Resultados obtidos com o sistema de inferencia Sum Max comparativamente ao Min Max para com janelas de D 200 TABELA VIII Resultados obtidos com o sistema de inferencia Sum Max comparativamente ao Min Max para com janelas de D 400 XI 41 43 44 45 48 91 92 93 xii 1 Introdu o 1 1 Enquadramento Depois do abate uma arvore passa por uma serie de transformac es at que seja obtido o produto final Independentemente do produto pretendido a madeira deve sempre ser submetida a um processo de secagem de modo a evitar variac es de dimensao ou deformac es obter uma maior resist ncia e evitar a putrefaccao Este processo pode ser feito de modo natural onde a madeira apenas exposta ao ar apresentando os inconvenientes de necessitar de grandes reas ao ar livre da utiliza o da madeira n o pode ser imediata uma vez que este procedimento tende a ser demorado e da madeira ficar exposta a fungos e insectos durante o per odo de secagem Por outro lado pode proceder se a uma secagem artificial
66. s at encontrar o valor de pico de seguida percorriam se os restantes valores a partir desse m ximo tanto para a direita como para a esquerda at encontrar o primeiro valor nulo para cada um dos lados Figura 8 Imagem de reino Convers o de RGB para HSW e CIE L a b Decomposi o dos nos diversos carnais dos espa os de cor Procura do primeiro porto com grau de perten a nulo direita do ponto maximo Recolha do valor m ximo do canal em analize Procura do primeiro porto com grau de perten a nulo esquerda do ponto m ximo Pr ximo canal Analizados todos 05 canais parametros da aproxima o Figura 8 Algoritmo de recolha dos par metros dos histogramas para aproxima es recorrendo a tri ngulos 18 Com este procedimento estavam ent o recolhidos os tr amp s vertices do tri ngulo que representaria a func o pertenca relativamente ao histograma em causa Este procedimento repetia se para todas as amostras Os pontos dos histogramas eram recolhidos recorrendo a aplicac o representada na Figura 9 que gerava um relatorio em Excel com os pontos dos histogramas de cada canal e os respectivos pontos para a aproximac o usando tri ngulos 39 HistA nalysis Cancel Report Name Values Get Values On Off i report E Path C Documents and Settings 4 44mbiente de trabalho l Last 1 1 Moods amplesbas brp Figura 9 Aplica o util
67. se pretende avaliar definida para este projecto Note se que muito importante escolher o m todo mais adequado tendo em conta a sua efici ncia e robustez mas tamb m o seu peso de processamento uma vez que a an lise tem de ser capaz de acompanhar a capacidade de produ o do sistema actualmente implementado Dado que a L gica Difusa apresenta as caracter sticas necess rias para a realiza o deste projecto foi determinada como o m todo a ser implementado uma vez que esta apresenta flexibilidade suficiente no sistema de avalia o associada a um baixo peso de processamento capazes de satisfazer os requisitos industriais Para a implementa o deste sistema ser necess rio considerar diversos aspectos relativamente L gica Difusa a forma usada para a representa o das fun es perten a triangular trapezoidal gaussiana sino e o m todo de infer ncia MinMax MaxMin MaxProduto MinMin MaxMedia MaxMax Soma dos produtos 8 Outro factor a ser considerado o processo de cria o das classes que dever ser suficientemente fl xivel para que um operador possa inserir uma nova classe sem grandes conhecimentos acerca do sistema implementado e sem que isso seja traduzido numa perda de tempo significativa necess rio tamb m considerar quais as caracter sticas a serem avaliadas em espec fico determinar qual ou quais os espa os de cor mais adequados para esta avalia o Apesar de se estar a considerar que o s
68. stema podera consistir num conjunto de rolos posicionados antes e depois da fase de aquisic o em que a folha de madeira ao passar entre eles ser ligeiramente esticada tentando assim minimizar se o efeito da ondulac o Figura 1 Modelo do possivel setup em ambiente industrial Para efeitos de simula o de modo a validar os algoritmos e a aproxima o global feita em laborat rio ir recorrer se a imagens obtidas a partir de um scanner As abordagens estudadas consideradas relevantes no mbito deste projecto encontram se referidas nos pontos que se seguem 2 1 Espa os de Cor Dentro da perspectiva moderna um modelo de cor tem como uma das suas caracter sticas a especifica o da cor de uma luz ou superf cie numa mistura de atributos Estes atributos podem ser cores prim rias atributos baseados na teoria dos tr s est mulos valores de Hue nicos 9 No mbito deste projecto torna se necess rio encontrar um espa o de cor que permita identificar cores semelhantes de um modo suficientemente robusto de modo a poder estabelecer varia es das mesmas nas folhas de madeira Um dos pontos que foi tido 8 em conta durante a an lise dos espa os foi que a ilumina o poderia apresentar variac es com a idade da luminaria e assim os espacos escolhidos deveriam prever este factor Os espacos de cor disponiveis na biblioteca OpenCV s o apresentados a seguir juntamente com uma breve descric o dos seus atributos e ca
69. tre duas cores ser proporcional sua diferen a quando visualizadas lado a lado em tons de cinzento com brilho moderado entre outras o CIE L u v apresenta uma fraca capacidade na associa o de cores sob diferentes cores de ilumina o ou diferentes n veis de luminancia 9 Para a convers o de RGB para CIE L u v recorre se s Equa es 2 24 a 2 28 X 0 412453 0 357580 0 180423 R Y 0 212671 0 715160 0 072169 G Equa o 2 24 Z 0 019334 0 119193 0 950227 B l nodZ 16 eS 2 Y 29 L 29 Y AY AO F ata d 5 15 Equa o 2 25 u 13xL uu Equa o 2 26 v 13x L v v 4x X 4xx u xX Rrzy Equag o 2 27 X 15xY 3xZ 2xx 12xy 3 9xY 9x y y l Equa o 2 28 X 13xY 3xZ 2xx 12xy 3 2 2 L gica Difusa A an lise da cor das folhas de madeira um processo baseado em conhecimento emp rico que depende essencialmente da capacidade do operador Assim necess rio garantir um sistema que consiga atingir um grau de abstrac o e flexibilidade adequado para esta tarefa Note se que neste tipo de sistemas uma resposta de apenas verdadeiro ou falso n o suficiente uma vez que existem in meras possibilidades de resultado como por exemplo uma folha de madeira pode ser classificada quanto ao seu tipo rvore de onde prov m quanto a sua tonalidade e durante a an lise de cor n o vi vel fazer corresponder a tonalidade de uma folha de madeira a uma cor exacta
70. u o do erro aumentou para 33 correspondendo este valor ao erro m ximo 53 obtido para uma amostra recorrendo ao FMMIS que apresenta uma taxa de erro nula quando submetida ao FSMIS 54 4 Conclus es Como se pode verificar atraves dos resultados apresentados a l gica difusa apresenta as caracteristicas necessarias para a concretizac o deste projecto Apresenta uma grande flexibilidade tanto do ponto de vista da avaliagao como facilidade no processo de treino Recorrendo aos diferentes metodos de aproximac o aos histogramas reais ao ajuste dos diferentes parametros que os definem numero de amostras disponiveis e dimens o da janela utilizada durante o varrimento da imagem poss vel alterar a sensibilidade do processo de avalia o Assim consegue se definir as varia es de tonalidade que ir o ser significativas no processo de avalia o bem como a dimens o a ser considerada relevante Note se que num aumento significativo das amostras pode ser necess rio um reajuste dos par metros tidos em conta no processo de aproxima o No entanto necess ria uma cuidada selec o das amostras de modo a n o inserir dados redundantes ou seja amostras em que as varia es n o sejam consideradas relevantes Recomenda se ent o no processo de selec o definir amostras que representem diferen as de tonalidade relevantes para cada tipo de amostra e se poss vel definir intervalos uniformes de modo a tornar a fase
71. u se que o m todo a ser desenvolvido a partir deste ponto seria o Half Step At ao momento para os testes realizados recorreu se a 42 aproximac es ao histograma real atraves de func es sino com dois dos parametros fixos De modo a aperfeicoar o Half Step este sera implementado com apenas um par metro fixo nas fun es sino usadas nas aproxima es ao histograma real e recorrendo ao sistema de infer ncia Min Max TABELA II Percentagem de erro nos diferentes m todos abordados com D 100 Resize VarSize FullStep HalfStep Auto 8 Auto 10 1b1 0 1 786 0 0 595 0 595 4 762 1b2 14 286 16 071 16 071 17 778 17 222 21 667 1b3 8 163 0 1 786 2 747 0 12 088 1c2 2 381 2 083 2 083 0 649 0 0 1c3 0 0 0 0 0 0 2a2 0 0 0 0 0 0 2a3 0 0 0 0 0 0 2c1 22 857 30 000 27 500 22 963 7 407 0 741 2c2 22 222 16 667 16 667 20 000 6 154 26 154 2c3 0 2 222 2 222 0 694 0 0 3a2 0 0 0 0 0 0 3a3 0 0 0 0 0 0 3c1 0 0 0 0 0 0 3c2 0 0 0 0 0 0 3c3 0 0 0 0 0 3 306 4a1 2 381 12 245 8 163 3 846 4 487 0 4a2 0 SA 0 0 0 556 0 4a3 20 408 21 429 23 214 21 429 26 190 12 500 5a1 0 0 0 0 0 0 5a2 44 898 0 0 0 0 0 6a1 0 2 500 5 000 3 704 5 185 0 741 6a2 0 0 0 0 0 0 6a3 0 0 0 0 0 0 Como se pode verificar de acordo com os resultados apresentados nas TABELA ll a percentagem de erro para janelas de 100 pix is est o em algumas das amostras apresentando taxas de erro bastante superiores ao pretendido Note se tamb m que para algumas das amostras a variac o da taxa de erro

Download Pdf Manuals

Related Search

Related Contents

  製品カタログ - GEセンシング＆インスペクション・テクノロジーズ  Olympus E-PL1 Instruction Manual  CONTOIL® - Aquametro  Toshiba Portégé Z935-ST4N02  Monitor portatile da letto per capnografia/pulsossimetria  User Guide SC1-ALLEGRO • CompactPCI ® Serial CPU Card    NX-series EtherCAT Coupler Unit NX  

Copyright © All rights reserved. Failed to retrieve file