Image Processing through Automated Visual Inspections for Wood
Transcrição
Image Processing through Automated Visual Inspections for Wood
Projeto NeuroWood • • • • • • Motivação Processamento de imagem Deep Learning Redes neurais convolutivas Destritores de textura Técnicas de classificação • Redes neurais • Método KNN • Árvore de descisão • Materiais e métodos • Resultados Motivação Inspeção visual automática Inspeção vicual automática Qualidades da madeira Processamento de imagem Aprendizagem profunda “Deep learning” unsupervised supervised Deep Learning Gostaríamos que a imagem de entrada em fosse gradualmente transformada em alto nível de representação Para aprender algumas abstrações de alto nível como a visão, linguagem e outras tarefas, é necessária arquitetura profunda Convolutional Neural Network CNN Convolutional Neural Network • Caracteristicas da CNN • Conectividade local • Compartilhamento de pesos • Agrupamento Descritores de textura Textura Textura Textura 2 XXVI Congresso de Iniciação Científica Matriz de co-ocorrência 5 XXVI Congresso de Iniciação Científica 5 Métodos de classificação Classification CNN image KNN Texture descriptor A C SVM B DT NN Acquisition Feature extraction Classification Clustered data Materiais e métodos Resultados Base de dados Quantização da imagem Image 27 x 94 pixel matrix dos pixels [[194 196 196 ..., 184 146 150] [185 186 186 ..., 181 173 165] [179 178 181 ..., 194 192 184] ..., [187 190 192 ..., 188 187 187] [176 176 176 ..., 197 196 195] [193 193 193 ..., 193 193 191]] Resultados Descritores de textura Resultados Classificadores – rede neural Resultados Classificadores – KNN Resultados Classificadores – Geral Resultados Conclusões • Para aplicações de classificação de imagens onde a se tem um número restrito de classes, e imagens bem segmentadas as técnicas tradicionais tem melhor resultado. Obrigado