Treffer: TÉCNICAS DE VISÃO COMPUTACIONAL PARA CLASSIFICAÇÃO DE PEÇAS.

Computer vision is an area of artificial intelligence that has a 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 very important 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 arise. The objective of this work is to analyze the responsiveness of a specific classifier, the K-nearest neighbors (KNN), for a group classification problem and analyze its performance through hit rate and accuracy parameters. First, four groups of parts were created in a three-dimension (3D) design software and cut on a laser cutting machine, then pictures were taken of each of the parts individually. Later, using the OpenCV libraries, we could carry out the image processing, such as changing the redgreen-blue (RGB) pattern to grayscale, binarization, noise correction, and obtaining invariant moments; and in the Scikit-Learn library, the classifier was trained and tested. It was possible to conclude that the classifier, in tests 1 and 2, was able to classify properly the parts groups having recall and precision above 65 and 80%, while, in test 3, it had a recall of 42% and a precision of 55%, showing that, with more analyzed classes, the classifier decreases its efficiency. [ABSTRACT FROM AUTHOR]

Visão computacional é uma área da inteligência artificial que tem grande impacto em vários setores da sociedade. A capacidade da máquina de 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, por meio 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 K-nearest neighbors (KNN), para um problema de classificação de um grupo e analisar seu desempenho por meio de parâmetros de taxa de acerto e precisão. Primeiramente, foram criados quatro grupos de peças em um software de desenho em três dimensões (3D) e cortadas numa máquina de corte a laser, depois foram tiradas fotos de cada uma das peças individualmente. Posteriormente, fazendo uso das bibliotecas Open Source Computer Vision Library (OpenCV), pudemos realizar o processamento das imagens como mudança do padrão red-green-blue (RGB) para tons de cinza, binarização, correção de ruídos e obtenção de momentos invariantes; já utilizando a biblioteca Scikit-Learn, pudemos realizar 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 há um recall de 42% e precisão de 55%, mostrando que, com mais classes analisadas, o classificador diminui sua eficiência. [ABSTRACT FROM AUTHOR]