Processamento de imagem para posicionamento de dispositivos mecânico com algoritmo de retropropagação e manipulação em separado de componentes RGB
DOI:
https://doi.org/10.33448/rsd-v11i2.25768Palavras-chave:
Redes neurais artificiais; Automação; Imagens digitais; Algoritmo Backpropagation.Resumo
Diferentes abordagens para o uso de Redes Neurais Artificiais - RNAs, no reconhecimento de padrões de imagem, têm sido utilizadas com variações que vão desde o processamento dos dados da imagem até a própria arquitetura da RNA. Este artigo descreve o desenvolvimento de um sistema que visa reconhecer padrões de imagens com RNAs de três entradas que recebem imagens decompostas em seus componentes RGB. As RNAs possuem uma arquitetura com duas camadas ocultas de seis neurônios cada, e utilizam o algoritmo Backpropagation. O modelo construído normaliza os componentes RGB com valores entre zero e um. O algoritmo Backpropagation é utilizado para fins de aproximação funcional desses componentes e, após o treinamento, os arranjos numéricos obtidos nas três saídas correspondentes às entradas são desnormalizados para formar a imagem de treinamento resultante. Seis padrões de imagem foram treinados em diferentes RNAs, formando um sistema para reconhecer cada padrão. A viabilidade de utilização do modelo foi verificada com os testes de sua capacidade de generalização. Imagens utilizadas para posicionar um dispositivo mecânico, que não participou do treinamento, foram inseridas no sistema e a partir delas foi realizado o posicionamento do dispositivo, com alto grau de precisão.
Referências
Baranauskas, J. A. & Monard, M. C. (2000). “Reviewing some Machine Learning Concepts and Methods”. Relatório Técnico 102, Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. ftp://ftp.icmc.usp.br/pub/BIBLIOTECA/rel_tec/RT_102.ps.zip.
Braga, A. P., de Carvalho, A. P. de Leon, Ludermir & T. B. (2012). “Redes Neurais Artificiais – Teoria e Aplicações”. 2ª edição. ISBN 978-85-216-1564-4, 181 – 182, 198. Rio de Janeiro – Brasil. Editora gen LTC.
Capelli, A. (2008). “Automação Industrial – Controle do movimento e processos contínuos”. 2ª edição. ISBN 978-85-365-0117-8, 210. São Paulo – Brasil. Editora Érica.
Faceli, K., Lorena, A. C., Gama, J. & De Carvalho, A. C. P. L. F. (2019). “Inteligência Artificial – Uma Abordagem de Aprendizado de Máquina”. 2ª edição. ISBN 978-85-216-1880-5, 117. Rio de Janeiro, Brasil, Editora gen LTC.
Gonzalez, R. C. & Woods, R. E. (2010). “Processamento Digital de Imagens”. 3ª edição, ISBN 978-85-7605-401-6, 265. São Paulo – Brasil. Editora Pearson.
Haykin, S. (2001). “Redes Neurais – Princípios e Prática”, 2ª edição, ISBN 0-13-273350-1, 183 - 259. Porto Alegre – Brasil. Editora Bookman.
Newby, J. M., Schaefer, A. M., Lee, P. T., Forest, M. G. & Lai, S. K. (2018). “Convolutional neural networks automate detection for tracking of submicron-scale particles in 2D and 3D”. National Academy of Sciences. ISSN: 0027-8424. https://doi.org/10.1073/pnas.1804420115. 115 no. 36 9026-9031.
Lakhili, Z., El Alami, A., Mesbah, A., Berrabou, A. & Qjidaa, H. (2018). “Deformable 3D Shape Classification Using 3D Racah Moments and Deep Neural Networks”. Second International Conference on Intelligent Computing in Data Sciences. Procedia Computer Science. 148, 12 – 20.
Luger, G. F. (2013). “Inteligência Artificial”. 6ª edição. ISBN 978-85-8143-550-3, 386. São Paulo - Brasil, Editora Pearson.
Mario, M. C., Da Silva Filho, J. I., Garcia, D. V., Fernandes, L.A. & Fernandes, C.L.M. (2018). “Artificial Neural Network with Backpropagation algorithm applied to pattern recognition of digital images“. 50, year 13. ISSN 1809-0648. Santos – Brasil. Editora Paralogike.
Pedrini, H. & Schartz, W. R. (2008). “Digital image analysis: principles, algorithms and applications “. Publisher Thomson Learning. ISBN 978-85-221-0595-3. São Paulo – Brasil. 22, 471.
Regmi, K. & Ali Borji, A. (2019). “Cross-view image synthesis using geometry-guided conditional GANs”. Computer Vision and Image Understanding, 187,
ISSN 1077-3142. https://doi.org/10.1016/j.cviu.2019.07.008.
Russel, S., Norvig, P. (2004). “Inteligência Artificial”, 2ª edição, ISBN 85-352-1177-2, 872. Rio de Janeiro – Brasil. Editora Campus - Elsevier.
Sharma, N., Jain, V. & Mishra A. (2018). “An Analysis Of Convolutional Neural Networks For Image Classification “. Proceeded by Computer Science 132. International Conference on Computational Intelligence and Data Science. 377 – 384.
Solomon, C. & Breckon, T. (2013). “Fundamentals of digital image processing – a practical approach with examples in MATLAB”. Translated by José Rodolfo Souza, 1st edition, publisher LTC. Rio de Janeiro – RJ. 5, 8 - 10.
Soloman, S. (2012). “Sensores e sistemas de controle na indústria”. 2ª edição. ISBN 978-85-216-1096-0, 248 - 251. Rio de Janeiro – Brasil. Editora gen LTC.
Wang, S., Hu, L., Li, L., Zhang, W., Huang, Q. (2020). “Two-stream deep sparse network for accurate and efficient image restoration”. Computer Vision and Image Understanding. 200, 103029. ISSN 1077-3142. https://doi.org/10.1016/j.cviu.2020.103029.
Wei, L., Jin, C., Ping, W., Cheng, J., Yongheng, M. & Keshiting. C. (2021). “Dynamic Characteristics and Anti-slip Grasping of Two-Finger Translational Manipulator”. Frontiers in Neurorobotics. 15, https://www.frontiersin.org/article/10.3389/fnbot.2021.684317. 10.3389/fnbot.2021.684317. ISSN=1662-5218.
Talon, T. & Pellegrino, S. (2022). “Inextensible Surface Reconstruction Under Small Relative Deformations from Distributed Angle Measurements”. Int J Comput Vis. https://doi.org/10.1007/s11263-021-01552-x.
Tuncer, T., Dogan, S. & Ertam F. (2019). “A novel neural network based image descriptor for texture classification”. Physica A: Statistical Mechanics and its Applications.Vol. 526, 120955.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Mauricio Conceição Mario; Alzira Marques de Oliveira; João Inácio da Silva Filho; Dorotéa Vilanova Garcia; Heraldo Silveira Barbuy
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
