Sistemas de Automacao

Professor Ricardo Nagel

Khaoma Duarte 45601
Universidade Federal do Rio Grande

18 de outubro de 2012

mor

Sumario
Introducao
Reconhecimento de imagens
Metodologia
Especificacoes dos testes
Resultados
Conclusao
Referencias Bibliograficas
mor

Introducao

Redes Neurais
I Redes neurais artificiais s
ao modelos matematicos que se
assemelham as estruturas neurais biologicas e que tem
capacidade computacional adquirida por meio de
aprendizagem e generalizacao. BRAGA, CARVALHO E
LUDEMIR (Sistemas Inteligentes 2000);
I As redes neurais s
ao organizadas em camadas: camada de
entrada, camada intermediaria e camada de sada;
I Capacidade de aprender.

mor

Definicao do problema

I
I

Segmentacao de imagens;
Foram capturadas sete imagens ao ar livre e foram
segmentadas a mao para criar uma classificacao para
cada pixel;
Cada instancia e uma regiao de 3x3.

mor

Parametros de entrada
I

1 .regiao-centroide-coluna: a coluna da regiao central do

pixel;
2. regiao-centroide-linha: a linha da regiao central do
pixel;
3. regiao de contagem de pixel: numero de pixel de uma
regiao = 9;
4. short-line-density 5: fragmento do algoritmo que conta
o numero de linhas de tamanho cinco com baixo
contraste (menor ou igual a 5), passa pela regiao;
5. short-line-density 2: mesma coisa que o 4 mas com
linhas de alto contraste , maior que 5;
6. Vedge-mean: mede o contraste de pixels adjacentes
horizontalmente na regiao,existem 6e o desvio padrao e a
media sao dados.Este atributo e utilzado como detector
de aresta vertical;

mor

Parametros de entrada

I
I

I
I

I
I
I

7. vegde-sd: veja 6;
8. hedge-mean: mede o contraste de pixels adjacentes
verticalmente, e utilizado para a deteccao de linhas
horizontais;
9. hedge-sd: veja 8;
10. intensity-mean: e a media ao longo da regiao
(R+G+B)/3;
11. rawred-mean: e a media ao longo da regiao R;
12. rawblue-mean: e a media ao longo da regiao B;
13. rawgreen-mean: e a media ao longo da regiao G;
mor

Parametros de entrada

I
I
I
I
I

14. exred-mean: mede o excesso de vermelho

(2R-(G+B));
15. exblue-mean:mede o excesso de azul (2B-(G+R));
16. exgrren-mean: mede o excesso de verde (2G-(B+R));
17. value-mean: transformacao 3D nao linear de RGB;
18. saturation -mean: veja 17
19. hue-mean: veja 17

mor

Parametros de sada

I
I
I
I
I
I
I

1.
2.
3.
4.
5.
6.
7.

tijolo
ceu
folhas
cimento
janela
caminho
grama

mor

Dados de entrada

mor

(a) Dados de entrada

Dados de sada

(a) Dados de sada real

Figura: Dados de sada real.

mor

Dados de sada

mor

(a) Dados de sada binaria

Metodologia

I
I
I
I
I
I
I

nntool toolbox MATLAB;

Definir padroes;
Criar a rede;
Inicializar a rede;
Definir os parametros de treinamento;
Treinar a rede;
Testar a rede;

mor

Especificacoes dos testes

I
I
I

Rede de aprendizado supervisionado;

Utilizacao do algoritmo backpropagation;
40 neuronios;

mor

Sada de dados

Porcentagem de acertos: 98,18%;

(a) Sada de dados reais

Figura: Sada de dados reais.

mor

Sada de dados

mor

(a) Sada de dados reais

Conclusao

Apos todo o estudo e pesquisa sobre redes neurais

artificiais podemos afirmar que para reconhecimento de
imagens essas redes sao muito eficientes. Analisando
nossos resultados percebemos que com um numero nao
muito grande de neuronios e um conjunto pequeno de
dados nossa rede neural consegue aprender e chegar no
resultado esperado.

mor

Referencias Bibliograficas

I
I
I

http://archive.ics.uci.edu/ml
http://www.din.uem.br/ia/neurais/
BRAGA, CARVALHO E LUDEMIR (Sistemas Inteligentes
2000)

mor