Professional Documents
Culture Documents
Prudente
1. Introduo
Com uma preocupao recorrente em relao ao meio ambiente e com o m das fontes de energia no renovveis, como o petrleo, a procura por fontes alternativas de energia tornou o etanol um produto bastante requisitado. O Brasil encontrou nesse setor uma importante fonte de desenvolvimento e crescimento nanceiro sem se descuidar das questes ambientais [6]. Para a produo do etanol, a cana-de-acar passa pelo processo de moagem, quando o caldo extrado. Aps outras operaes, ocorre a fermentao desse caldo com adio de fermento biolgico de leveduras da espcie Saccharomyces cerevisae. A eccia da fermentao depende
90
trao de atributos pixel a pixel e os resultados foram usados como treinamento para algoritmos de aprendizagem de mquina, que foram testados em um conjunto de imagens independente. Nas prximas duas sees so apresentadas as tcnicas de reconhecimento de padres e extrao de atributos usadas nesse trabalho. A quarta seo apresenta os experimentos realizados, resultados e anlise. Por m, a ltima seo apresenta as consideraes nais.
2. Reconhecimento de padres
O reconhecimento de padres refere-se etapa de identicao de objetos citados anteriormente. Por exemplo, neste trabalho, estima-se realizar o reconhecimento de duas classes: leveduras viveis e inviveis. Por isso, necessrio aplicar algoritmos que realizam a tarefa de reconhecer as classes desses objetos [4]. Dentre as tcnicas de reconhecimento de padres, encontra-se o casamento de modelos, que foi utilizado neste trabalho. De forma geral, no casamento de modelos realizada uma busca na imagem por ocorrncias de um determinado objeto representado por um modelo qualquer. Diversos tipos de modelos e medidas de similaridade para comparao entre trechos da imagem e estes modelos podem ser utilizados. Na sua forma mais simples, testada neste trabalho, o modelo formado por um conjunto xo de exemplos de imagens do objeto a ser buscado, em diferentes escalas e rotaes. Uma janela de varredura, nos tamanhos dos exemplos de objetos que formam o modelo, percorre toda a imagem e para cada posio calculado um valor de similaridade entre a janela e os exemplos. Um limiar de similaridade, denido empiricamente, utilizado para determinar em que posies da imagem os objetos de interesse ocorrem. A medida de similaridade utilizada neste trabalho foi a distncia euclidiana [2].
91
e B. Por exemplo, o componente R(red) do modelo de cor RGB do modelo original foi comparado com o componente R do novo modelo criado da imagem a ser analisada. Experimentalmente a porcentagem escolhida para denir o limiar de leveduras foi de 60%.
que os mtodos de segmentao usando os componentes RGB e HSB apresentaram dados semelhantes em relao matriz de confuso. Como mencionado anteriormente, as amostras foram classicadas pelos dois algoritmos mencionados. Na etapa de classicao, as amostras tinham que ser classicadas nas classes corretas, porm foram detectados alguns erros na classicao dessas amostras. Por exemplo, na Tabela 1 a segunda coluna refere-se classe das leveduras inviveis e a terceira classe das leveduras viveis. Na segunda coluna e na segunda linha esto as classicaes corretas para a classe inviveis e na terceira coluna e segunda linha esto o nmero de leveduras classicadas incorretamente, ou seja, classicadas como viveis. O mesmo raciocnio realizado para as outras Tabelas. As Tabelas 1, 2 e 3 apresentam os resultados obtidos com o algoritmo C4.5 e K2. Nos experimentos utilizando informaes sobre o tom de cinza dos pixels, foi detectado uma maior confuso em relao classicao dos atributos, como mostra a Tabela 3. Como apenas uma informao sobre o pixel das imagens analisada, esse tipo de confuso torna-se ainda maior, visto que nesse modelo o nmero de variaes de tonalidades inferior quando comparados aos outros modelos propostos neste trabalho. Mtodo de Aprendizagem C4.5 C4.5 K2 K2 a 50314 2026 34952 5138 b 184 73711 15546 70599 classe a=invivel b=vivel a=invivel b=vivel
Tabela 1. Matriz de confuso resultante da segmentao por componente RGB com o algoritmo C4.5 e K2
Tabela 2. Matriz de confuso resultante da segmentao por componente HSB com o algoritmo C4.5 e K2
A porcentagem de acerto foi fornecida pelo Weka assim como a matriz de confuso. Essa porcentagem refere-se ao
92
Tabela 3. Matriz de confuso resultante da segmentao por tons de cinza com o algoritmo C4.5
( a)
(b))
Figura 1. (a) Imagem original, (b) Classicao de leveduras viveis. Mtodo de segmentao TDC RGB HSB C4.5 82,30% 98,25% 98,32% K2 82,14% 83,61% 90,56%
nmero de amostras classicadas corretamente pelos dois algoritmos usados nesse experimento para os modelos de cor HSB, RGB e tons de cinza (TDC). A Tabela 4 apresenta a porcentagem de acerto obtida atravs dos algoritmos de aprendizagem de mquina resultante dos experimento de cada componentes HSB, RGB e tons de cinza. Com esses resultados, foi observado que o algoritmo C4.5 apresentou uma melhor porcentagem de acerto. Ao realizar a comparao dos resultados dos mtodos RGB e HSB, observa-se que, nos diferentes tipos de dados apresentados, os componentes HSB apresentam melhor resultado. Esses experimentos foram realizados utilizando validao cruzada com dez dobras. Nos experimentos, estavam contidos dados obtidos das amostras das classes presentes nas imagens de treinamento. O resultado do casamento de padres com a extrao de atributos de cor apresenta a classicao de algumas leveduras e a presena de alguns falsos/positivos e falsos/negativos, as Figuras 1 e 2 (b) ilustram as imagens aps a classicao. A Figura 1 (b) mostra uma imagem com o reconhecimento de leveduras viveis. Os crculos vermelhos so leveduras que no foram classicadas e os quadrados pretos so das clulas marcadas corretamente. A Figura 2 (b) mostra o reconhecimento de leveduras inviveis, seguindo a mesma legenda usada para as leveduras viveis.
( a)
( b)
imentos, obteve-se melhor resultado com o modelo de cor HSB e algoritmo de aprendizagem de mquina C4.5, com a porcentagem de acerto de 98, 32%. J com os modelos encontrados no primeiro experimento foram aplicadaa as tcnicas de extrao de atributos de cor. A classicao baseada em cores apresentou resultado superior a 80% de acerto. Com esses experimentos observouse que a unio das tcnicas de casamento de modelos e extrao de atributos de cor foram consideradas satisfatrias na distino de leveduras. Como trabalhos futuros pretende-se expandir o nmero de tcnicas qua trabalham com o algoritmo de casamento de modelos, j que uma simples tcnica aplicada trouxe uma boa distino de classes, outra meta futura ser a classicao de bactrias.
Referncias
[1] S. R. C. Antonini. Mtodos de anlises e monitoramento microbiolgico em laboratrio de destilaria. Apostila para o curso de treinamento ministrado nas unidades de IguatemiPR, no perodo de 19 a 21 de fevereiro de 2004, e de IvatPR, no perodo de 16 a 18 de fevereiro de 2004, pertencentes Usina de Acar Santa Terezinha Ltda., 2004.
5. Concluso
O algoritmos de casamento de modelos apresentou uma taxa de acerto de 75%. Com os modelos de cores e os algoritmos de aprendizagem de mquina utilizados nos exper-
93
[2] R. O. Borges, R. A. A. Silva, and S. S. Castro. Utilizao da classicao por distncia euclidiana no mapeamento dos focos de arenizao no setor sul da alta bacia do rio araguaia. In XIII Simpsio Brasileiro de Sensoriamento Remoto, 2007. [3] G. F. Cooper and T. Dietterich. A bayesian method for the induction of probabilistic networks from data. In Machine Learning, pages 309347, 1992. [4] L. L. e S. K. Mitra. Color image segmentation: A state-of-theart survey, 2001. [5] R. C. Gonzalez and R. E. Woods. Processamento de Imagens Digitais. primeira edition, 2000. [6] M. A. Guadagnini and M. S. S. Almeida. Fontes alternativas de energia uma viso geral. Ps Graduao Executiva em Meio Ambiente, 09 agosto de 2005 / 01 agosto de 2006, 14a Turma, COPPE/UFRJ., 2006. [7] J. R. Quinlan. Improved use of continuous attributes in C4.5. Journal of Articial Intelligence Research, 4:7790, 1996. [8] R. C. B. Rodrigues and R. H. R. Viana. Mquinas de vetores de suporte aplicadas classicao de defeitos em couro bovino. Qualicao de Bacharel em Engenharia de Computao na Universidade Catlica Dom Bosco Campo Grande - MS - Brasil, 2007. [9] J. A. Silva and W. N. Gonalves. Modelos ocultos de markov aplicados na identicao de comportamento de animais. Qualicao de Bacharel em Engenharia de Computao na Universidade Catlica Dom Bosco Campo Grande - MS Brasil, 2007.
94