Técnicas de visão computacional para classificação de peças
Carregando...
Tipo
TCC
Data de publicação
2021-06-16
Periódico
Citações (Scopus)
Autores
Rodrigues, Pedro Henrique Benigno
Orientador
Lasthaus, Alexandre
Título da Revista
ISSN da Revista
Título de Volume
Membros da banca
Programa
Resumo
Visão Computacional é uma área dentro de inteligência artificial que possui grande impacto em vários
setores da sociedade. A capacidade da máquina enxergar objetos de interesse em uma imagem e
produzir uma resposta de classificação ou detecção de elementos é de suma importância no contexto
de automação. As técnicas de visão computacional permitem, através de etapas de tratamento de
imagem e do uso de classificadores, oferecer respostas a diversos problemas que se apresentam. O
objetivo deste trabalho é analisar a capacidade de resposta de um classificador em específico, o KNN,
para um problema de classificação de um grupo e analisar seu desempenho através de parâmetros de
taxa de acerto e precisão. Primeiramente, foram criadas 4 grupos de peças em um software de desenho
3D e cortadas numa máquina de corte a laser, depois foram tiradas fotos de cada uma das peças
individualmente. Posteriormente, fazendo uso das bibliotecas OpenCV, que permitiu realizar o
processamento das imagens como mudança do padrão RGB para tons de cinza, binarização, correção
de ruídos e obtenção de momentos invariantes, e da biblioteca Scikit-learn, onde se fez o treinamento
do classificador e os testes, pôde-se concluir que o classificador, nos testes 1 e 2, foi capaz de
classificar de forma adequada as classes das peças tendo recall e precisão acima de 65% e 80%, enquanto no teste 3 possui um recall de 42% e precisão de 55%, mostrando que com mais classes
analisadas o classificador diminui sua eficiência.
Computer Vision is an area within artificial intelligence that has great impact on various sectors of society. The ability of the machine to see objects of interest in an image and produce a classification or detection response is of paramount importance in the context of automation. The computer vision techniques allow, through image processing steps and the use of classifiers, to provide answers to several problems that present themselves. The objective of this work is to analyze the responsiveness of a specific classifier, the KNN, for a group classification problem and analyze its performance through hit rate and accuracy parameters. First, 4 groups of parts were created in a 3D design software and cut on a laser cutting machine, then pictures were taken of each of the parts individually. Later, making use of the OpenCV libraries, which allowed the image processing such as changing the RGB pattern to grayscale, binarization, noise correction and obtaining invariant moments, and the Scikitlearn library, where the classifier was trained and tested, It was possible to conclude that the classifier, in tests 1 and 2, was able to classify adequately the parts classes having recall and precision above 65% and 80%, while in test 3 it has a recall of 42% and precision of 55%, showing that with more analyzed classes the classifier decreases its efficiency.
Computer Vision is an area within artificial intelligence that has great impact on various sectors of society. The ability of the machine to see objects of interest in an image and produce a classification or detection response is of paramount importance in the context of automation. The computer vision techniques allow, through image processing steps and the use of classifiers, to provide answers to several problems that present themselves. The objective of this work is to analyze the responsiveness of a specific classifier, the KNN, for a group classification problem and analyze its performance through hit rate and accuracy parameters. First, 4 groups of parts were created in a 3D design software and cut on a laser cutting machine, then pictures were taken of each of the parts individually. Later, making use of the OpenCV libraries, which allowed the image processing such as changing the RGB pattern to grayscale, binarization, noise correction and obtaining invariant moments, and the Scikitlearn library, where the classifier was trained and tested, It was possible to conclude that the classifier, in tests 1 and 2, was able to classify adequately the parts classes having recall and precision above 65% and 80%, while in test 3 it has a recall of 42% and precision of 55%, showing that with more analyzed classes the classifier decreases its efficiency.
Descrição
Palavras-chave
visão computacional , KNN , peças , computer vision , parts