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