Beruflich Dokumente
Kultur Dokumente
Objetivos
Introduzir os conceito bsicos de reconhecimento de padres atravs de um exemplo de um sistema de classificao clssico.
Introduo
Pense em aes simples que realizamos no nosso dia-a-dia, e na complexidade envolvida, como por exemplo:
Introduo
Introduo
Agora imagine como implementar essas simples aes em um sistema de computador! Complicado? O que seria necessrio?
Adquirir a imagem, ler, entender (classificar), tomar uma ao.
Introduo
Diferentes abordagem para Reconhecimento de Padres.
Estatstica Estrutural Sinttica
Um Exemplo
Para ilustrar a complexidade desse tipo de sistema, considere o seguinte exemplo:
Uma indstria recebe dois tipos de peixe: Salmo e Robalo. Os peixes so recebido em uma esteira, e o processo de classificao manual. A industria gostaria de automatizar esse processo, usando para isso uma cmera CCD.
Um Exemplo (cont)
Um Exemplo (cont)
Primeiramente devemos encontrar as caractersticas que distinguem um salmo de um robalo.
Altura, largura, colorao, posio da boca, etc...
Um Exemplo (cont)
Caractersticas podem ser:
Simblicas. Numricas (Continuas ou binrias).
Rudos (Erros):
Conceito originrio da teoria das comunicaes; Podem estar presente no objeto.
Uma mancha no peixe, por exemplo.
Um Exemplo (cont)
Dado as diferenas entre as populaes de Salmo e Robalo, podemos dizer que cada uma possui um modelo especfico. Modelo: Um descritor, geralmente representado atravs de uma funo matemtica.
Bom modelo capaz de absorver rudos.
Sistema Clssico
Aquisio Pr-Processamento Segmentao Extrao de Caractersticas Classificao
Salmo
Robalo
de tamanho, no podemos separar de maneira confivel nossas duas classes de peixes. Portanto, devemos tentar outras caractersticas.
10
Como podemos notar, essa caracterstica muito mais confivel, mas no perfeita.
Noo de CUSTO
11
Custo maior, uma vez que mais salmes sero classificados como robalos
x Erro Bayesiano
12
x x = 1 x2
Vetor de caractersticas bi-dimensional.
altura
13
altura
claridade
14
15
altura
claridade
16
altura
claridade
17
Taxas
Um sistema pode ser avaliado usando diferente taxas. A mais comuns so
Taxa de rec = (N_rec/Total_Img) * 100 Taxa de Erro = (N_err/Total_Img) * 100 Taxa de Rej = N_rej/Total_img) * 100 Confiabilidade = (Taxa de Rec / (Taxa Rec + Taxa de Erro)) * 100
Exerccio
Planeje um sistema que inspecione automaticamente uma linha de produo de biscoitos. Os seguintes aspectos devem ser observados:
1. Forma (redondo) e tamanho (2cm de raio). 2. Integridade (Quebrado, mordido, etc) 3. Quantidade de recheio (pelo menos 3 marcas de chocolate).
18
19