Identificação de defeitos em imagens de tecido utilizando visão computacional e aprendizado de máquina

• Ano de defesa: 2019
• Autor(a) principal: Freitas Neto, Raimundo Mendes de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual do Ceará
• Palavras-chave em Português: Classificação; Computação aplicada; Reconhecimento de padrões
• Link de acesso: https://siduece.uece.br/siduece/trabalhoAcademicoPublico.jsf?id=85602

Este trabalho apresenta uma análise comparativa que combina técnicas de Visão Computacional com Aprendizado de Máquina para identificar defeitos em imagens de tecido. Foi construída, para isso, uma base de imagens separadas e rotuladas manualmente, compreendendo cinco classes: quatro com defeitos e uma quinta com imagens sem defeitos. Para a etapa de visão computacional, mais especificamente na extração de características, foram considerados dois métodos baseados em análise de textura: LBP – Local Binary Pattern e GLCM – Gay-level Co-OCurrence Matrix, além de um histograma a partir da imagem bruta representada através do espaço de cores HSV. Os métodos LBP e GLCM utilizaram, por sua vez, algumas técnicas de pré-processamento das imagens, como redução de tamanho e transformação para tons de cinza. Na etapa de aprendizado de máquina, utilizando as características como entradas, os classificadores considerados foram: K-NN – KNearest Neighbors, SVM – Support Vetor Machine e uma rede neural do tipo MLP – Multi Layer Perceptron. O algoritmo considerado pela rede neural foi L-BFGS. De acordo com os experimentos realizados, os resultados de acurácia encontrados para os métodos de extração baseados em análise de textura são compatíveis aos encontrados em trabalhos relacionados. Já quando foi considerada a imagem bruta no espaço de cores HSV, a acurácia encontrada foi bem próxima da encontrada nos trabalhos relacionados, especialmente quando o classificador adotado foi a rede neural. Palavras-chave: Visão Computacional. Aprendizagem de Máquina. Reconhecimento de Padrões. Extração de Características. Classificação.