Técnicas de visão computacional para classificação de peças

dc.contributor.advisorLasthaus, Alexandre
dc.contributor.authorRodrigues, Pedro Henrique Benigno
dc.date.accessioned2022-04-20T14:16:53Z
dc.date.available2022-04-20T14:16:53Z
dc.date.issued2021-06-16
dc.description.abstractVisão 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.pt_BR
dc.description.abstractComputer 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.pt_BR
dc.identifier.urihttps://dspace.mackenzie.br/handle/10899/29062
dc.languagept_BRpt_BR
dc.publisherUniversidade Presbiteriana Mackenziept_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectvisão computacionalpt_BR
dc.subjectKNNpt_BR
dc.subjectpeçaspt_BR
dc.subjectcomputer visionpt_BR
dc.subjectpartspt_BR
dc.titleTécnicas de visão computacional para classificação de peçaspt_BR
dc.typeTCCpt_BR
local.publisher.departmentEscola de Engenharia (EE)pt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
Pedro Henrique Benigno Rodrigues - protegido.pdf
Tamanho:
304.9 KB
Formato:
Adobe Portable Document Format
Descrição:
PEDRO HENRIQUE BENIGNO RODRIGUES
Licença do Pacote
Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.95 KB
Formato:
Item-specific license agreed upon to submission
Descrição: