PCS - 5689 - lnteligência Artificial

Seminário sobre o artigo:“Beans quality inspection using correlation-

based granulometry”

Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim

Aluno: Joaquín Barreyro

Introdução

● Atualmente a classificação de feijão é um processo manual

● Análise de amostras

● Demanda muito tempo

● Representa um custo alto

● Análise subjetiva

Fig 1- Variedades de feijão

Introdução

● Agrupação por espécie botânica: ● Grupo 1: Phaseolusvulgaris (Feijão carioca)

● Grupo 2: Vignaunguiculata (Feijão de corda)

● Classes de acordo com a cor:● Branco, Preto, Cores, misturado.●

● Subclasses:● Mulato, Canapu, Sempre-verde, Vinagre, Corujinha,Azulão, Manteiga, Carioca.

●

Introdução

● Sistema de computação visual para classificação de amostras de feijão em três tipos principais: Carioca, Mulato e Preto

Fig 2- Exemplos dos tipos de feijão mais consumidos no brasil a) Carioca, b) Mulato c) Preto

Sistema em blocos

Inicio

Aquisição de imagem colorida

Conversão de imagem colorida em níveis de cinza

Segmentação: (localização de cada feijão)

Classificação

Fim

Sistema de Captura

● Aprendizado supervisionado

● Dois conjuntos de dados:

● Conjunto B- pixeis do fundo (negative training data)

● Conjunto F- pixeis de feijão (positive training data)

●

Conversão de imagem colorida em níveis de cinza

Fig 4- Exemplos de cores a)Cor de fundo, b - e) cores de feijão

Conversão de imagem colorida em níveis de cinza

● Preto: feijão; Branco: fundo; Cinza: indefinido● Algoritmo baseado no K-Nearest Neighbor (K-NN)

● Pixel (intensidade, saturação, tom), isto é, (i, s, h) ● Distancia entre píxel (norma euclidiana)

● Cor do pixel resultante S

Conversão de imagem colorida em níveis de cinza

Fig 5. a) Imagem original. b) Resultado do mapeamento em níveis de cinza

Segmentação de grãos●

● Objetivo: Localizar cada feijão, determinar tamanho, excentricidade e ângulo de rotação.

● Segmentação usando correlação cruzada com um conjunto de imagens que representam os diferentes tamanhos, excentricidades e orientações dos grãos.

●

Segmentação de grãos

Definição de correlação cruzada

N imagens (matrizes)

Imagem final

Segmentação de grãos

● Buscando picos:● Um pixel é um pico se for maior que os 8

vizinhos.

● Problema: muitos falsos positivos. (Feijão detectado erroneamente)

Segmentação de grãos

● Filtragem de falsos picos com dois parâmetros:

● limiar de correlação:

● limiar de interseção:

Segmentação de grãos

Fig 7. a) Imagem adquirida. b) imagem em níveis de cinza. c) Localização de grãos

a)

b)

c)

Classificação

● Categorias: Carioca, Preto e Mulato● Determinar a cor predominante do grão.● K-means para agrupar segundo cor no espaço

RGB● Comparar a cor predominante do grão, com a

cor predominante de grãos escolhidos manualmente.

● K-NN para procurar a cor.

Classificação

● Determinar a cor predominante do grão.

● Eliminar bordas.● Criar um conjunto de todas cores.● Usando K-means com K=2 determinar dois conjuntos de cores:● Determinar o centro geométrico de cada conjunto c1 e c2.● Determinar a frequência relativa:●

Classificação

● Comparar a cor do grão, com a cor de um conjunto de grãos classificados manualmente.

● Novamente utiliza K-NN para achar o similar.

Fig 8. a) Feijão carioca b) Feijão carioca sem borda c) Feijão preto d) Feijão mulato e) Feijão carioca de duas cores. f) feijão mulato que se assemelha a um feijão Carioca

Fig 9. a-b) Identificação de tipos de feijão. c-d) Identificação de tipo, com impurezas

Experimento e resultados modo estático

● Foram avaliadas 100 imagens com 100 grãos cada uma.

Experimento e resultados modo estático

● O sistema encontrou 9996 de 10000 grãos. 99,96%● O sistema classificou corretamente 9995 de 9996 99,95%

● Desempenho computacional:● Desenvolvido em C/C++ utilizando Ceikekon e OpenCV. ● Core i7 2.5=2GHz● Tempo total 18 segundos.● 6 para RGB ==> Gray● 11 Para segmentação● 1 Para classificação

● Feijão carioca: 930● Feijão preto: 70

Experimento e resultados modo continuo

Trabalhos futuros

● Mais subclasses de feijão● Impurezas● Outras características como peso, e % de

objetos estranhos na amostra.● Umidade● Cheiro

Perguntas?

Seminário sobre o artigo:“Beans quality inspection using correlation-based

granulometry”

Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim

Apresentação: Joaquín Barreyro