Professional Documents
Culture Documents
Juazeiro - BA
2015
Juazeiro BA
2015
AGRADECIMENTOS
A Deus e Nossa Senhora por me dar fora e determinao para a realizao desse
trabalho.
Aos meus pais, Expedito Alves e Eva Pires, pelo amor incondicional, apoio, carinho,
pacincia, incentivo e compreenso em todos os meus momentos de estresse e
angstia, sempre me motivando a chegar mais longe.
Aos meus irmos, Natanael Pires e Natlia Pires, por me darem o incentivo necessrio
para alcanar meus objetivos.
Aos meus avs, tios e primos pela confiana que sempre depositaram em mim e por
comemorarem comigo cada vitria.
Aos meus amigos pelo companheirismo e apoio em tudo, por sempre torcerem por
meu sucesso, me ajudarem e estarem do meu lado.
A minha famlia F-Carranca por toda amizade, apoio, motivao, carinho e por
acreditarem no meu potencial. Em especial ao meu amigo Carlos Alberto, que foi muito
importante na realizao desse trabalho, dando um grande auxlio na construo da
mesa aqui utilizada.
Ao meu orientador, Eduard Montgomery, por toda motivao, confiana e auxlio dado
ao longo desse trabalho.
Ao meu co-orientador, Jos Bismark de Medeiros, por toda amizade, pacincia,
dedicao e apoio imensurvel dado ao longo desses anos de orientao.
RESUMO
ABSTRACT
LISTA DE FIGURAS
Figura 31: Primeiro passo para conexo da Webcam com o MATLAB. ................... 61
Figura 32: Segundo passo........................................................................................ 62
Figura 33: Lista de cmeras.....................................................................62
LISTA DE TABELAS
SUMRIO
INTRODUO
14
1.1
1.2
Objetivo Geral
Objetivos Especficos
15
15
FUNDAMENTAO TERICA
17
2.1
2.2
2.2.1
2.2.2
2.2.3
2.2.4
2.2.5
2.3
2.4
Automao
Reconhecimento de padres
Aquisio de imagem
Pr-processamento
Segmentao
Representao e Descrio
Reconhecimento
BIC (Border/Interior Classification)
Redes Neurais
17
20
20
21
22
23
24
25
28
CONSTRUO DO PROTTIPO
38
3.1
3.2
Materiais Utilizados
Procedimentos
38
39
43
RESULTADOS E DISCUSSO
50
CONCLUSO
55
6.1
56
REFERNCIAS
57
ANEXOS
60
14
1 Introduo
15
Os dados, antes de serem enviados rede neural, passam por um mtodo de
extrao de caractersticas. Os escolhidos para esse projeto foram o BIC
(Border/Interior Classification) e o mais comum, o histograma. O BIC um mtodo
que recebe como entrada uma matriz de pixels de elevada dimenso e d com sada
um vetor constitudo de histogramas que mostram a relao de cores apresentadas
na imagem. Antes de se fazer o uso desses mtodos, deve-se fazer a escolha da
quantidade de cores que ser utilizada e reduzir o nmero total de cores da imagem
para essa determinada quantidade, atravs do mtodo chamado quantizao.
1.1
Objetivo Geral
1.2
Objetivos Especficos
Implementar e treinar a rede neural para que ela realize a funo para a qual
foi designada e, em seguida, efetuar testes de reconhecimento de resistores;
16
Fazer o controle dos atuadores pelo MATLAB de modo que eles atuem aps
o reconhecimento, depositando os resistores em seus devidos lugares;
17
2 Fundamentao Terica
2.1
Automao
No mundo cada vez mais competitivo em que se vive hoje, a automao se faz
ainda mais necessria, j que ela traz consigo otimizao na produo, fazendo,
desse modo, com que seus produtos sejam concebidos a um menor custo e com
melhor qualidade. Assim, ela atende s exigentes especificaes do mercado, e,
proporciona, ainda, um maior controle e melhor planejamento da produo. Alm
disso, ela propicia uma certa comodidade ao homem, j que a automao o substitui
em atividades desconfortveis, de risco, repetitivas, entre outras.
Define-se a automao como sendo qualquer sistema auxiliado por computador
que realize um trabalho antes feito pelo homem (MORAES; CASTRUCCI, 2007).
Os sistemas podem ser classificados de acordo com seu acionamento: pelo
tempo ou por eventos ou, ainda, por ambos.
De modo a estabelecer o comportamento esttico e dinmico dos sistemas,
implementado o controle dinmico nos mesmos. Para isso so utilizadas variveis de
sada em uma realimentao negativa, de modo que se tenha uma medida do erro do
processo em relao ao seu valor ideal e, a partir disso, realiza-se o controle. Outro
objetivo do controle fazer com que qualquer perturbao que atinja o sistema seja
minimizada (SIGHIERI; NISHINARI, 1973).
Outro tipo deste, mais recente, tambm utilizado nesses sistemas o controle
lgico que tem o objetivo de complement-los de forma que eles respondam a eventos
de acordo com as regras impostas.
Para a automao, so utilizados os dois tipos de controle em propores
variveis dependendo da necessidade e do tipo de sistema.
Os sistemas de automao so constitudos como mostrado na figura 1.
Conforme observado na mesma, o sistema mecnico passa por diversas medies
18
de modo que se obtenha informaes sobre o processo a controlar. Essas medidas
so tomadas por elementos denominados sensores.
Figura 1 - O sistema de automao.
19
Aps o processamento, so definidas aes a serem realizadas de modo que
o sistema mecnico atinja o estado desejado, para esse fim so utilizados atuadores.
Eles convertem o comando dado por um controlador em uma atuao mecnica no
processo, melhor dizendo, eles convertem algum outro tipo de energia em energia
mecnica (PESSA; SPINOLA, 2014).
Podem-se classificar os atuadores em trs tipos: eltricos, hidrulicos e
pneumticos. A diferena entre os dois ltimos que os hidrulicos utilizam um lquido
sob presso para fazer o movimento enquanto o pneumtico utiliza gs. Eles,
tambm, podem ser ditos como lineares ou rotativos. Os lineares fazem movimento
de puxar e empurrar e os rotativos um movimento giratrio. Estes ainda so divididos
em: angulares ou contnuos. Os angulares possuem um ngulo limitado de giro e nos
contnuos o nmero de rotaes indeterminado.
Neste trabalho, sero usados os seguintes atuadores rotativos: motor de passo
e servomotor, como pode ser visto a figura 2. O primeiro ser utilizado para girar a
esptula que contm o resistor at a caixa de despacho correta para esse tipo de
resistor e, para fazer o despejo do mesmo, ser utilizado um servomotor.
Figura 2 - Atuadores utilizados no presente trabalho (a) motor de passo; (b) servomotor.
20
de passo (BONACORSO; NOLL, 2006). Este motor no adequado em aplicaes
em que seja necessria uma alta velocidade de rotao, pois, devido inercia, pode
ocorrer uma perda nos passos e ele pode no parar na posio correta, causando,
assim, um dano preciso (DUNN, 2013).
2.2
Reconhecimento de Padres
utilizando
exemplo
acima,
pode-se
perceber
que
existem
21
O homem inicialmente observa o objeto, assim como o computador adquire a
imagem e faz o seu pr-processamento que tem como intuito eliminar problemas
existentes nos dados recm-adquiridos (CALHEIROS, 2012). Logo em seguida, feita
a segmentao, que separa o objeto em estudo. Depois, chega-se a representao a
qual tem como objetivo transformar os dados brutos numa forma mais apropriada para
o posterior tratamento computacional. Nessa etapa tambm feita a descrio, que
o processo no qual se extraem caractersticas a serem realadas para poder
classificar o objeto como algo especfico. Isso o que foi feito ao descrever a cadeira,
podendo encaix-la nesse padro. Feita a separao dos objetos em classes, o
computador faz o reconhecimento utilizando as redes neurais e, ento, d um
significado quela imagem.
Assim, pode-se definir o reconhecimento de padres como sendo um
procedimento que extrai dados de uma entrada e os compara com estruturas j
conhecidas, posteriormente, classificando-as.
Segundo Peter (2005), o reconhecimento de padres envolve trs nveis de
processamento: filtragem da entrada, extrao de caractersticas e classificao. A
filtragem engloba os seguintes estgios: aquisio da imagem, pr-processamento e
segmentao. A seguir sero mostrados com mais detalhes cada uma dessas etapas.
22
Figura 3 - Representao numrica de uma imagem pela intensidade.
Para imagens coloridas, cada ponto da imagem composto por a tripla de cores
RGB R como Red (vermelho), G representando Green (verde) e o B a cor Blue (azul)
e cada intensidade de cor equivale a um nmero, que de 0 a 255. Essas cores se
combinam formando todas as outras mudando somente as propores.
2.2.2 Pr-processamento
(01)
23
Podem ser usadas tcnicas de aumento de contraste, remoo de rudos,
transformao de uma imagem colorida em tons de cinza, deteco de bordas, etc.
2.2.3 Segmentao
24
2.2.5 Reconhecimento
25
conjunto de entrada pertence, de modo que a rede neural possa ajustar seus pesos e
nveis de bias. Assim, quando apresentado um novo conjunto de dados, ela,
automaticamente, j o coloca na categoria a que ele pertence e, assim, d-se o
reconhecimento de padres.
Figura 5 - Rede Neural.
2.3
26
O mtodo de extrao de atributos deve ser escolhido de acordo com o
problema apresentado. Um erro na escolha do mtodo causar impreciso na
classificao.
Caso as caractersticas importantes sejam de forma do objeto, descritores
desse tipo sero utilizados, como, por exemplo, Momentos Invariantes. Se forem de
cor, so usados os descritores de cor, os quais extraem caractersticas relacionadas
a cores.
Os descritores de cores so classificados em trs tipos de acordo com Almeida
et al (2008). A primeira classe comporta os Global based que trata a imagem como
um todo, observando cada pixel de uma s vez. A segunda, Partition based, separa a
imagem em uma quantidade fixa de regies a as analisa separadamente. E, por
ltimo, a Region based decompe a imagem em regies que contenham grupos
similares de pixels (PICON; ROSSI; PONTI, 2011).
O descritor escolhido foi desenvolvido por Stehling, Nascimento e Falco (2002)
e chamado de BIC (Border/Interior Classification). Ele um algoritmo baseado em
histogramas e bastante eficiente, mesmo para imagens com baixas resolues
como mostrado em Picon, Rossi e Ponti (2011).
O histograma nada mais do que um conjunto de nmeros que mostram a
quantidade percentual de pixels da imagem que possuem um determinado tom de
cinza, como pode-se ver na figura 6 (MARQUES; VIEIRA, 1999).
Figura 6 Exemplo de histograma.
(02)
27
Em que:
n: nmero total de pixels da imagem
nk: nmero de pixels cujo nvel de cinza corresponde a k
k: nvel de cinza (de 0 a L, L sendo o nmero de nveis de cinza possveis).
28
2.4
Redes Neurais
29
matemtica, neurocincia (onde se estuda todo sistema nervoso e, em especial, o
crebro humano), engenharia de computadores, entre outras.
Conhecimentos da neurocincia foram utilizados com o intuito de entender de
que forma o ser humano adquire conhecimento e, ento, formalizar essa atividade
atravs de procedimentos matemticos, de modo a se fazer com que uma mquina
consiga tambm aprender.
A estrutura individual do neurnio biolgico, apresentada na figura 7,
composta por trs principais partes: os dendritos, o corpo do neurnio e o axnio. Os
dendritos recebem informaes em forma de impulsos nervosos oriundos de outros
neurnios e as levam ao corpo celular. Este, por sua vez, realiza uma mesclagem das
informaes que so, posteriormente, levadas ao axnio, o qual, geralmente, as envia
aos dentritos da prxima clula nervosa, de modo que elas sejam passada frente.
Figura 7 - Estrutura do neurnio biolgico.
30
Figura 8 - Potencial de ao.
31
combinador linear. Diferentemente das sinapses encontradas no cerbro, os pesos
sinpticos podem ter valores tanto positivos quanto negativos (HAYKIN, 2001).
funo u adicionada ao bias de entrada, letra b, resultando no campo local
induzido, tambm conhecido como potencial de ativao, equao 03.
(03)
32
Figura 11 - Arquitetura de redes neurais (a) rede no recorrente; (b) rede no recorrente.
33
Em que:
(04)
(05)
Com isso, dvidas a respeito da capacidade das redes neurais foram geradas,
causando um grande impacto nas pesquisas e desinteresse pela rea. Desse modo,
o estudo a respeito das redes neurais ficou paralisado at o nicio da dcada de 1980.
No captulo final do seu livro, Minsky e Papert atribuem as limitaes do
perceptron de uma nica camada tambm para as redes neurais de mltiplas
camadas. Hoje, com a eficincia comprovada do perceptron de mltiplas camadas,
pode-se ver o quanto essa atribuio foi equivocadamente colocada.
34
O perceptron de mltiplas camadas (MLP, multilayer perceptron) possui trs
caractersticas marcantes. A primeira que cada neurnio possui uma funo de
ativao no-linear, como, por exemplo, a sigmide. importante destacar que essa
funo deve ser derivvel em todo intervalo de tempo, no ocorrendo mudana
abruptas, como no perceptron de uma s camada. Outra caracterstica importante
que ela possui uma ou mais camadas intermedirias, o que aumenta o potencial da
rede na realizao de atividade mais complexas. Alm disso, a rede altamente
conectada, possuindo, assim, muitas regies sinpticas. Com a unio dessas
caractersticas ao seu aprendizado, o MLP se destaca por possuir um alto potencial
computacional.
Na figura 11(a), mostrada a arquitetura de um perceptron de mltiplas
camadas (MLP), onde, inicialmente, os sinais de entrada (estmulos) passam pela
camada de entrada que no so formadas por neurnios e sua nica funo
representar a distribuio dos dados de entrada para a prxima camada. Em seguida,
pode conter uma ou mais camadas ocultas (camadas intermedirias), formadas por
neurnios ocultos, que tem como funo principal capacitar a rede a extrair
estatsticas de elevada ordem. E, por fim, uma camada de sada que d a resposta da
rede ao vetor de entrada. Com o ajuste dos pesos sinpticos e nveis de bias, a rede
neural realiza a tarefa de aprendizado.
De acordo com Braga, Ludemir e Carvalho (2011, p. 12) o aprendizado
consistem em:
[] um processo iterativo de ajuste de parmetros da rede, os pesos das
conexes, que guardam, ao final do processo, o conhecimento que a rede adquiriu do
ambiente externo.
O processo de aprendizado de uma rede neural pode ser supervisionado ou
no-supervisionado. No primeiro, tambm conhecido como aprendizado com
professor, apresentado a rede neural as sadas desejadas para as respectivas
entradas. O treinamento feito at a taxa de acerto ser satisfatria. No outro, ela
recebe apenas os valores de entrada e os classifica em grupos.
35
A rede neural recebe um treinamento de modo que seus pesos sinpticos e
nveis de bias sejam ajustados. Para isso, utilizam-se algoritmos de aprendizagem,
por exemplo, aprendizagem por correo de erros, aprendizagem competitiva,
aprendizagem hebbiana, etc.
Elas so utilizadas em reas de classificao, aproximao, otimizao,
categorizao e previso. Na classificao, o objetivo colocar um padro
desconhecido em uma das classes pr-definidas. Nela, utiliza-se o aprendizado
supervisionado, ou seja, so dadas entradas (dados do objeto) e sadas (classes) para
o treinamento da rede.
Um algoritmo eficiente e lagarmente utilizado o de retropropagao de erro
(back-propagation) para redes multicamadas, apresentado na figura 14. A sua
popularizao se deu pelo fato dele ser um relativamente poderoso algoritmo e ser
muito simples, sendo implementado em poucas linhas de cdigo (CHAUVIN;
RUMELHART, 1995).
36
propagao e outra de retropropagao. Na primeira, a entrada aplicada rede e
seu efeito propagado, resultando na obteno de uma sada. Na segunda etapa,
essa sada adquirida comparada sada ideal (j que se trata de um aprendizado
supervisionado) gerando um sinal de erro, o qual retropropagado pela rede, fazendo
ajuste nos pesos sinpticos, de modo a corrigir o erro obtido na sada, gerando uma
resposta mais prxima da ideal (HAYKIN, 2001).
Este mtodo consiste em obter uma sada (yk(n)) no neurnio k a partir de um
vetor de entradas (x(n)) e compar-la a sada desejada (dk(n)), j que este se trata de
um aprendizado supervisonado. Assim, obtem-se um valor de erro (ek(n)) e, com esse
valor, percorre-se o sentido inverso, ajustando os pesos sinpticos de modo a
minimizar esse erro e obter a resposta mais prxima possvel da ideal.
O objetivo desse algoritmo alcanado quando o ndice de desempenho
(conhecida tambm como funo de custo),
(06)
Onde ej(n)= dj(n) yj(n), representando o erro para o neurnio j da camada
de sada.
Considerando N o nmero total de padres existentes no conjunto de
treinamento, a energia mdia do erro quadrado dada por:
(07)
O algoritmo back-propagation apresenta problemas de lentido em diversas
aplicaes. Mesmo em problemas simples, ele solicita que se apresente os padres
de treinamento milhares de vezes.
Assim, vrias mudanas foram propostas com o intuito de melhorar o seu
desempenho e reduzir o tempo de treinamento. Um delas, bastante usada, chama-se
37
algoritmo Levenberg-Marquardt, que uma tcnica de otimizao numrica baseada
no mtodo de Newton. Ela exige uma grande complexidade computacional e
quantidade de memria.
38
3 Construo do Prottipo
3.1
Materiais Utilizados
1 fita crepe;
4 parafusos de 3 mm;
5 parafusos de 4 mm;
Arduino UNO;
Cola epoxy;
Divinycell;
Webcam;
39
3.2
Alicate;
Chave de fenda;
Esquadro;
Furadeira;
Guilhotina;
Morsa;
Mini retfica;
Martelo;
Puno de marcao;
Rgua 30cm;
Riscador;
Tesoura comum;
Procedimentos
40
Figura 15 - Primeiro passo para construo da mesa (a) colagem do molde na chapa
galvanizada de 1mm; (b) delimitando o espao para corte; (c) chapa riscada, pronta para corte;
(d) corte na guilhotina.
Logo depois, a mesa foi cortada com uma tesoura para chapa e foi utilizada a
furadeira com as brocas de 4 mm e 10 mm nos locais indicados no molde, figura 16.
Figura 16 - Segundo passo (a) mesa j cortada na guilhotina; (b) mesa com todos os cortes e
furos necessrios.
41
Para fixao do motor de passo, foi utilizada uma cola epoxy e parafusos, como
mostrado na figura 17.
Figura 17 - Fixao do motor de passo.
42
servo estrutura, fez-se uso de divinycell e cola epoxy. E, ainda, foi construda uma
caixa com folha branca dupla face e papel carto com dois LEDs brancos de alto brilho
em sua estrutura para iluminao do resistor dentro da caixa, figura 19.
Figura 19 - Esptula da mesa.
E, por fim, foi construdo um suporte para a webcam na mesa. A mesa completa
est apresentada na figura abaixo.
Figura 20 - Mesa automtica.
43
4 Desenvolvimento do Sistema Automtico
44
Ao receber o resistor, ele deixa a esptula em sua posio original, horizontal. Ento,
a rede neural reconhece o resistor e manda o comando para o motor de passo girar o
ngulo correspondente ao tipo de resistor, tabela 1, de modo que ele seja depositado
no local correto.
Tabela 1 - ngulo de giro do motor de passo correspondente para cada tipo de resistor.
Resistores
Sada
passo ir girar
33,8
72 para direita
1000
12
0100
47,8
72 para esquerda
0010
47
0001
Desse modo, quando o motor de passo chegar a sua posio final o servo
acionado para mover 30 para baixo de modo a despejar o resistor e depois voltar a
sua posio inicial juntamente com o motor de passo.
Posteriormente, a tarefa realizada foi a de escolher os parmetros e mtodos
utilizados no sistema de reconhecimento. Foi selecionada, para hardware de
45
aquisio da imagem, uma cmera webcam, com as caractersticas apresentadas na
tabela 2, obtidas na sua conexo com o software MATLAB. A escolha se deu devido
a disponibilidade e baixo custo.
Tabela 2 Dados da webcam utilizada.
Nome
Resoluo mxima
640x480
Balano de branco
6500
Ganho
34
Saturao
Brilho
Contraste
10
46
Figura 22 - Caixa para colocar o resistor a ser analisado.
47
A quantizao escolhida foi a de 64 cores, pela facilidade de implementao,
mesmo sabendo que ela no to mais eficiente do que a de 16 cores e que os dados
aumentam de quantidade, como j mencionado. Porm, a quantidade de dados que
sa desse mtodo, para esse nmero de cores, que so 128, bem inferior ao nmero
de dados apresentados inicialmente, ou seja, ele bastante eficiente na extrao de
caracterstica e cumpre o requisito da reduo dos dados iniciais.
Outro recurso utilizado para obteno das cores apresentadas no resistor foi o
histograma. Os dois mtodos foram comparados em termos de eficincia.
No treinamento, utilizou-se a funo do MATLAB newff(). So 128
elementos de entrada da rede para o algoritmo BIC e 64 para o Histograma e foram
escolhidos 20 neurnios nas duas camadas intermedirias e quatro na ltima camada
intermediria para a arquitetura de rede mais sofisticada, como mostrado na figura 24.
Em seguida, foi feita outra rede com apenas duas camadas intermedirias com dez
neurnios cada e outra com 24 cada, com o intuito de comparar a resposta.
Figura 24 - Estrutura de uma das redes utilizadas.
48
Figura 25 - Imagens utilizadas no treinamento da rede neural.
49
Assim, o sistema de automao construdo segue os passos apresentados na
figura 26.
50
5 Resultados e Discusso
51
No treinamento da rede, os dados so divididos em trs conjuntos (BEALE;
HAGAN; DEMUTH, 2015):
Desse modo, 70% das amostras foram para o conjunto de treinamento, 15%
para o de validao e os outros 15% para o de teste, com os dados escolhidos de
forma aleatria.
Nos treinamentos, o critrio de parada baseado no nmero de iteraes
sucessivas, onde a performace de validao, dada nesse caso pelo erro mdio
quadrtico, no decresce. Quando esse valor chega a seis, o treinamento para. Esse
critrio pode ser alterado, ajustando o parmetro net.trainParam.max_fail.
Os trs tipos de rede foram comparados, como apresentado na tabela 3, de
modo a escolher a melhor arquitetura para a resoluo desse problema e o melhor
descritor de cores entre os apresentados.
Tabela 3 Comparao entre as diferentes redes neurais utilizando cada um dos descritores
de cor.
Parmetros
Rede 01
Rede 02
Rede 03
BIC
Histograma
BIC
Histograma
BIC
Histograma
10
30700x10-7
0,4x10-7
2088x10-7
4,9x10-7
9,17x10-7
4,8x10-7
0,99669
0,99989
0,99999
Nmero de
20
13
17
28
32
Tempo de
treinamento
(s)
Erro mdio
quadrtico
pocas
52
Pode-se ver que quanto maior o nmero de pocas (iteraes), maior o
aprendizado da rede e menor o erro mdio quadrtico apresentado por ela, na sua
melhor performace, que quando os erros e bias so salvos.
O valor de R representa a relao entre a sada dada pela rede e a sada
desejada. Para o valor de R igual a um, tem-se o resultado perfeito, que quando
obtm-se, atravs da rede, a sada desejada, que o caso de todas as redes
apresentadas quando utilizado o Histograma como descritor.
Quanto maior o nmero de neurnios, maior o tempo gasto no treinamento
devido aos clculos feitos ao longo da rede para adaptao dos pesos de modo a
obter a sada desejada. Isso comprovado pela tabela 3, onde observa-se que a rede
com mais neurnios, possui um maior tempo de treinamento.
Assim, pode-se perceber que a rede com melhor desempenho foi a primeira
rede utilizando o Histograma, pois apresentou o menor tempo de treinamento e o
menor erro mdio quadrtico.
Em seguida, foram preparadas 60 amostras contendo 15 de cada tipo de
resistor para simular a rede j treinada e avaliar sua eficincia. Assim, foram
construdos grficos comparando a sada desejada que um para cada tipo de resistor
com a sada obtida.
Para a rede com trs camadas contendo 10 neurnios cada camada
intermediria, obteve os grficos da figura 27, considerando a sada ideal como um.
53
No grfico da figura 27 (a), pode-se observar o grande erro mostrado
anteriormente na tabela 3, refletindo no valor da sada. Na figura 27 (b), encontra-se
o mesmo erro nos sete primeiros valores e no outro, a sada praticamente ideal.
Para a rede 02, os mesmos grficos foram feitos, figura 28. Pode-se ver que o
histograma continua mais preciso que o descritor BIC, mas que nessa arquitetura,
mesmo para esse descritor, ele eficaz no reconhecimento.
Figura 28 - Sada da rede 02 para (a) descritor BIC; (b) histograma.
54
Para o descritor BIC, pode-se ver que uma rede com mais camadas possui uma
melhor resposta e, para o histograma, uma rede mais simples to eficiente quanto
uma mais sofisticada.
Vale ressaltar que em cada treinamento realizado na rede neural, os
parmetros so diferentes e podem produzir diferentes solues. Porm, mesmo
passando por diferentes treinamentos, a rede escolhida continua sendo a melhor.
55
6 Concluso
56
Alm disso, mudando-se o mtodo de extrao de caracterstica para um
descritor de forma, pode-se separar objetos por tamanho, detectar falhas na produo
de determinado produto e, tambm, criar sistemas de segurana com reconhecimento
de digital (utilizado em caixas eletrnicos), de faces, entre outros.
6.1
57
7 Referncias
ALMEIDA, J.; ROCHA, A.; TORRES, R.; GOLDENSTEIN, S. Making colors worth
more than a thousand words. ACM Symposium on Applied Computing (SAC
2008), 1180-1186, 2008.
58
CYBENKO, G. Continuous valued neural networks with two hidden layers are
sufficient. Technical report, Departament of Computer Science, Tufts University,
1988.
DUNN, W. C. Fundamentos de instrumentao industrial e controle de
processos. Porto Alegre: Bookman, 2013.
59
60
ANEXOS
arquivo
ArduinoIO
pelo
site
http://www.mathworks.com/matlabcentral/fileexchange/32374-matlab-supportpackage-for-arduino-aka-arduinoio-package?download=true,
com
as
61
4) Ir na plataforma de programao do arduino e, com o arduino conectado ao
computador, abrir o programa adioes em pde e compil-lo.
5) Por ltimo, ver em que porta o arduino est conectado (X = porta) e escrever
no prompt de comando do MATLAB: >> a = arduino(COMX);.
Das prximas vezes, a conexo ser feita apenas com o ltimo passo. E se o
arduino estiver com outro programa gravado, repetir o passo 4.
62
Figura 32 - Segundo passo.
Assim, ser observado qual das cmeras ser usada, nesse caso a segunda
cmera e digitar no prompt de comando do MATLAB cam = webcam(nmero da
camera) ou, nesse caso, cam = webcam(2). Assim, a webcam ser chamada de
cam.
Para alterar a resoluo da cmera, deve-se usar o comando cam.Resolution
atribuindo a ele o valor de resoluo desejado.