Reconhecimento de objetos utilizando redes neurais arti ciais e geometria fractal

Abstract

Esta dissertação apresenta um modelo computacional aplicado à Visão Computacional de um equipamento robótico. O modelo foi desenvolvido utilizando uma abordagem de Redes Neurais Artificiais e Geometria Fractal. O principal problema abordado foi o de reconhecimento e classificação de objetos por um robô autônomo. Este trabalho concentrou-se especificamente na visão artificial do dispositivo. As Redes Neurais foram desenvolvidas usando a arquitetura Multilayer Perceptron com o algoritmo de Retropropagacão de Erro. Dentro do Processamento de Imagens Digital, a Dimensão Fractal pode ser utilizada como uma medida de características da complexidade de uma imagem, o que possibilita seu uso no reconhecimento de padrões e nas análises de formas e texturas. Em alguns trabalhos nota-se o uso das Redes Neurais Artificiais, do Processamento de Imagens Digitais e da Geometria Fractal como classificadores de dados, neste trabalho, procurou-se utilizá-las em conjunto para a classificação e reconhecimento dos objetos. O objetivo do trabalho foi desenvolver uma Rede Neural capaz de reconhecer o objeto e classificá-lo, segundo suas características, ao grupo o qual pertence. Inicialmente foram capturadas imagens através de equipamentos eletrônicos e via internet, o alvo da busca foram quatro diferentes tipos de parafusos. Nos grupos formados pelas imagens capturadas, 30% delas foram manipuladas manualmente para que apresentassem defeitos ou de fabricação ou de aquisição. Para as análises, a arquitetura da Rede Neural foi desenvolvida em três versões nas quais difere somente na quantidade de saídas. Como dados de entrada para o treinamento, as imagens adquiridas foram pré-processadas e transformadas em tons de cinza. Para a Dimensão Fractal, utilizou-se o método Box-Counting que utilizou o contorno do objeto para calcular o valor. Foram feitas duas simulações, a primeira utilizou a Dimensão Fractal como um dos parâmetros da Rede, na segunda esse dado foi descartado, para uma posterior comparação. Os resultados obtidos foram satisfatórios, atingindo uma média de 79% de acertos para o primeiro teste e de 67% para o segundo, diferença está responsável pela Dimensão Fractal. A avaliação demonstra que o uso da fractalidade neste tipo de teste é válida e que o sistema visual desenvolvido é viável.

ABSTRACT:

This masters thesis presents a computacional model applied to Computer Vision of mechanical robot. The model was developed using an approach of Artificial Neural Networks and Fractal Geometry. The main problem was the recognition and classification of objects by an autonomous robot. This work focuses especifically on the artificial vision of the device. The Neural Networks were developed using the Multilayer Perceptron architecture and the Error Backpropagation algorithm. Inside the Digital Image Processing, the Fractal Dimension can be used like a measure of image’s complex characteristics, allowing its use on the pattern recognition and on the analysis of shapes and textures. In some papers, the usage of Neural Networks, Digital Image Processing and Fractal Geometry are like data classifiers, and in this thesis, they’re being used together for the recognition and classification of objects. This thesis’s objective was to develop a Neural Network capable of recognize objects and classify them according to their characteristics to the group that they belong. Initially, images were captured through electronic devices and internet, the targets were four different types of screws. In the formed groups, 30% of them were manipulated manually to present some kind of defect by manufacturing or on the acquisition. To the analysis, the Neural Network architecture was developed in three versions, which differ in the output quantity. For the data entry to the training stage, the acquired images were preprocessed and transformed into greyscale images. For the Fractal Dimension, the Box-Counting method was used, it uses the object’s edge to calculate the number of the dimension. Were made two simulations, the first one used the fractal dimension like one of the parameters for the Neural Network, and on the second, this number was discarded, for a further comparison. The obtained results were satisfactory, reaching an average of 79% of hit ratios for the first simulation and 67% for the second, and the fractal dimension was the responsable for this difference. The evaluation shows that the use of fractals is valid and the visual system developed is viable.