Gizelle Kupac Vianna

DEMAT/ICE

TPICOS ESPECIAIS EM IA:

RECONHECIMENTO DE
PADRES
Profa Gizelle Kupac Vianna

Universidade Federal Rural do Rio de Janeiro

Curso de Sistemas de Informao

Gizelle Kupac Vianna DEMAT/ICE

ORGANIZAO DO
CURSO
Tpicos em IA: Reconhecimento de Padres

Gizelle Kupac Vianna DEMAT/ICE

Organizao do Curso
Sistemas Inteligentes (reviso)
Reconhecimento de Padres (conceituao)
Formas de Representao dos Dados
Mtodos de Anlise de Dados
Mtodos de Anlise de Relevncia
Algoritmos de Agrupamento
Algoritmos de Classificao
Estudo de Casos (com implementao)

Gizelle Kupac Vianna DEMAT/ICE

Avaliaes
Prova Terica
Projeto: Monografia
Projeto: Defesa Oral
NF =

+1+2
3

Optativa = Prova Terica

Gizelle Kupac Vianna DEMAT/ICE

SISTEMAS INTELIGENTES
Tpicos em IA: Reconhecimento de Padres

Gizelle Kupac Vianna DEMAT/ICE

Sistemas Inteligentes
Sistemas Inteligentes so modelos de

computao que reproduzem o tipo de

processamento de informaes realizado pelos
seres humanos.
Modelos inteligentes mais comuns:
Sistemas Baseados em Conhecimento
Sistemas Especialistas
Redes Neurais Artificiais
Lgica Nebulosa
Algoritmos Genticos.

Gizelle Kupac Vianna DEMAT/ICE

Sistemas Baseado em Conhecimento

Buscas em tabelas, rvores de deciso, busca heurstica,

sistemas baseados em regras:

Lidam com conhecimento explcito (representado simbolicamente)
Examinam o seu raciocnio
Podem justificar concluses
Atuam mesmo com conhecimento incompleto ou impreciso

Principais aplicaes:
Jogos, configurao de produtos, emisso de propostas,
concesso de crdito, gesto de carteira, planejamento
estratgico, diagnstico, sistemas tutoriais, psico-testes.

Gizelle Kupac Vianna DEMAT/ICE

Sistemas Especialistas
Utilizam regras de produo como uma outra forma de

representar o conhecimento:
SE <condio> ENTO <ao>

Sistemas baseados em regras j foram os mais

populares sistemas inteligentes, com aplicaes nas mais

diversas reas.
As regras so uma forma de representao do

conhecimento bastante prxima da forma humana de

express-lo.

Gizelle Kupac Vianna DEMAT/ICE

Redes Neurais Artificiais

Formadas por conjuntos de elementos de computao que

simulam o funcionamento dos neurnios.

Vantagens:
Processam a informao de forma paralela e distribuda.
Aprendem com treinamento.

Generalizam o conhecimento.

Desvantagem:
No justificam decises.
Funcionam como uma caixa-preta.
Algumas aplicaes:
reconhecimento de padres: fala, sinais de radar e sonar, imagens,
ICR, etc.
Previses: ndices do mercado financeiro, previso de sries
temporais, meteorologia, etc.

Gizelle Kupac Vianna DEMAT/ICE

10

Algoritmos Genticos
So algoritmos de otimizao global, baseados nos

mecanismos da seleo natural e da gentica

Empregam uma estratgia de busca paralela e
estruturada, voltada em direo ao reforo da busca de
pontos de "alta aptido".
Exploram informaes histricas para encontrar novos
pontos de busca, onde so esperados melhores
desempenhos, atravs de processos iterativos, onde
cada iterao chamada de gerao.
Algumas aplicaes:
Bioinformtica, controle de sistemas dinmicos, induo e

otimizao de bases de regras, evoluo interativa de imagens.

Gizelle Kupac Vianna DEMAT/ICE

11

Lgica Nebulosa (Fuzzy)

Procuram fornecer uma base matemtica para o

raciocnio humano, utilizando a teoria dos conjuntos

nebulosos.

Forma de processamento:
Nebulizao das variveis de entrada,
Processo de inferncia,
Desnebulizao das variveis de sada.

Algumas aplicaes:
controle de aeronaves, operao do metr, transmisso
automtica de veculos, controle de elevadores, anlise do
mercado de aes, ajuste da imagem de TV, autofocus para
cmera de vdeo, controle de temperatura em ar-condicionado.

Gizelle Kupac Vianna DEMAT/ICE

12

Sistemas Hbridos
Sistemas que combinam diferentes tcnicas e

modelos de implementao, sejam elas

inteligentes ou no, de forma a superar as
limitaes individuais de cada uma.
Possibilitam a criao de sistemas com mltiplas

capacidades de processamento, agregados em

uma nica arquitetura.

Gizelle Kupac Vianna DEMAT/ICE

Sistemas Hbridos
Sistemas Neuro-Difusos:
Redes neurais tentam
reproduzir o desempenho
do crebro humano.
Porm, o raciocnio
humano difuso por
natureza.
A teoria dos conjuntos
nebulosos capaz de
modelar a incerteza e
ambigidade dos dados do
mundo real.

13

Gizelle Kupac Vianna DEMAT/ICE

RECONHECIMENTO DE
PADRES
Tpicos em IA: Reconhecimento de Padres

14

Gizelle Kupac Vianna DEMAT/ICE

15

Reconhecimento de Padres
Um dos maiores desafios encontrados pela informtica

o de criar mquinas inteligentes, capazes de reproduzir a

forma de raciocnio humano.
A inteligncia consiste de um conjunto de habilidades,

prprias dos seres vivos.

A percepo vem a ser uma das mais complexas

habilidades humanas, que ainda hoje carece de uma

teoria completa, o que impossibilita a definio de todos
os passos que devem ser realizados durante o processo
de reconhecimento.

Gizelle Kupac Vianna DEMAT/ICE

16

Reconhecimento de Padres
Dentro dos muitos aspectos da percepo,

encontra-se uma rea vasta e bastante

complexa: a do Reconhecimento de Padres.
O modelo de reconhecimento normalmente

utilizado contm trs mdulos:

Codificador
Extrator de caractersticas
Classificador

Codificao
Questes relevantes:
Formato de representao dos dados.

Avaliao do poder de discriminao dos formatos

(funes discriminantes, anlise das estatsticas,

avaliao das distncias entre as classes).
Qualidade dos dados originais.

Gizelle Kupac Vianna DEMAT/ICE

18

Extrao de Caractersticas
Reconhecimento de padres em geral baseia-se na

extrao de caractersticas capazes de discriminar

objetos de diferentes classes.
Em alguns casos, porm, a extrao de caractersticas se

torna complicada
Desconhecimento do problema
Dificuldade em definir caractersticas

Gizelle Kupac Vianna DEMAT/ICE

19

Gizelle Kupac Vianna DEMAT/ICE

Caracterstica = Nmero de Vrtices

0 vrtices

4 vrtices

20

Gizelle Kupac Vianna DEMAT/ICE

Caracterstica = Cor (Comprimento de Onda)

= 470 nm

= 550 nm

21

Gizelle Kupac Vianna DEMAT/ICE

Caracterstica = rea

A > 3 cm2

A 3 cm2

22

Gizelle Kupac Vianna DEMAT/ICE

Classificao

0 vrtices

4 vrtices

23

Gizelle Kupac Vianna DEMAT/ICE

0 vrtices

4 vrtices

24

25

Gizelle Kupac Vianna DEMAT/ICE

14

12

10

x2

8
x1

10

12

14

26

Extrao de caractersticas
Quando extramos as caractersticas de um conjunto

de dados, o problema simplificado de forma a ser

possvel o seu tratamento computacional.

Na prtica, o volume de informaes associado a um

padro pode ser muito grande e resumir torna-se uma

questo essencial.

Utilizamos

clculos (mdias, desvios, etc) para

realizar a escolha das caractersticas mais relevantes.

Assim, podemos transformar a dimenso do padro

original (medida) para uma dimenso menor e tratvel

computacionalmente.

Gizelle Kupac Vianna DEMAT/ICE

27

Classificao
Extradas as caractersticas, obtm-se delas um conjunto,

que deve representar os padres do modelo.

Tendo-se

em mos um conjunto de padres j

classificados, esse pode ser utilizado para que o sistema
inteligente possa construir o modelo de reconhecimento
de padres.

Mtodos de classificao:
Supervisionados: classificador de mxima verossimilhana de
Bayes e a regra do Perceptron.
No-supervisionados: Algoritmos de clusterizao, como o vizinhomais-prximo (nearest-neighbor), k-means e o ISODATA.

Exemplo 1: Reconhecimento Digital de

Padres de Doenas em Tomateiros
Chave de classificao definida por Correa (2009),

baseada em imagens estilizadas de folhas de tomates

que quantificam o grau de infestao.

063.JPG
(1247 KB)

DNT_IMG063.JPG
(48 KB)

BWDNT_IMG063.JPG
(43 KB)

(2)

(1)

(4)

(3)

CORDNT_IMG063.JP
G
(1247 KB)
(5)

Extrao de Caractersticas
Variveis Disponveis

Variveis Selecionadas

Pretas (do filtro de tons de cinza)

Pretas (do filtro de tons de cinza)

Cinza Escuro

Cinza Escuro

Cinza Mdio

Cinza Mdio

Cinza Claro

Cinza Claro

Brancos

Vermelhas

Tom Mdio de Cinzas

Verdes

Vermelhas

Pretas (do filtro vermelho/verde)

Verdes

Blue Mdio

Pretas (do filtro vermelho/verde)

Red Mdio
Green Mdio
Blue Mdio

Exemplo 2: Diagnstico de Motores

Diagnstico de motores atravs da anlise de amostras

de leo.
O objetivo principal era a economia atravs da reduo
ou eliminao das panes mecnicas e o aumento do
perodo entre trocas de leo.
Interessante para empresas que possuam grande frotas
de veculos ou avies.

Descrio do Problema
Servio preventivo que compreende as fases:
Coleta peridica de amostras de leo.
Anlise qumica das amostras.
Identificao das amostras cujo exame laboratorial revele indcios
de problemas quanto ao desgaste, combusto ou contaminao.
Diagnstico do problema.
Emisso de laudo tcnico.

Sistema Automatizado
Objetivos:
Agilizar a fase de identificao das amostras.
Separar as amostras em dois conjuntos:
Motores em bom estado.
Motores que devem passar por um exame mais
detalhado.

Amostras de Dados
725 amostras, cada uma contendo 27 resultados de

anlises qumicas do leo (Vi).

Cada amostra recebe 3 diferentes diagnsticos, relativos
ao desgaste, combusto e contaminao (Di).
Cada diagnstico pode receber os valores 0 ou 1.

Distribuio das Variveis

Coluna
V1
V2
V3
V4
V5
V6
V7
V8

Mximo
542,00
31,00
127,00
74,00
27,00
43,00
43,00
5,00

Mnimo
11,00
0,00
0,00
1,00
0,00
1,00
1,00
0,00

97,24
3,63
11,58
6,88
4,18
8,50
8,50
0,75

48,82
3,13
9,18
6,50
2,11
4,05
4,05
0,88

Gizelle Kupac Vianna - DCC/IM e

NCE/UFRJ

39

O Modelo Neural
Foram utilizadas 3 redes neurais feedforward, treinadas

pelo mtodo de Backpropagation, uma para cada

diagnstico.
Cada rede possui duas camadas escondidas, porm a
quantidade de neurnios em cada camada varia em cada
rede.
Os parmetros de treinamento foram os mesmos, para as
3 redes.

Gizelle Kupac Vianna - DCC/IM e

NCE/UFRJ

40

Exemplo 3: ICR
O reconhecimento de caracteres cursivos uma tarefa

bastante complexa e difcil de ser realizada.

O desempenho de um sistema automtico de
reconhecimento depende fortemente da qualidade dos
documentos originais, antes e aps sua digitalizao .
Este trabalho se concentrou na extrao de
caractersticas e gerao de padres para o
reconhecimento de dgitos cursivos do CEP (Cdigo de
Endereamento Postal), utilizado pelo correio brasileiro.

Gizelle Kupac Vianna - DCC/IM e

NCE/UFRJ

41

Redes Neurais
Para avaliar o desempenho no reconhecimento dos

dgitos, foram utilizados dois tipos de sistemas de redes

neurais, denominados tipo I e tipo II.
O sistema de tipo I consiste de uma rede neural com 256

neurnios de entrada e 10 neurnios de sada.

Gizelle Kupac Vianna - DCC/IM e

NCE/UFRJ

42

Redes Neurais
CARACTERE

SADA

0000000001

0000000010

1000000000

Gizelle Kupac Vianna - DCC/IM e

NCE/UFRJ

43

Redes Neurais
O tipo II composto por dez redes neurais, cada uma

treinada de forma a reconhecer apenas um dentre todos

os dgitos existentes.
Todas as dez redes possuem 256 neurnios de entrada e

um neurnio de sada, que assumir os valores 0 ou 1.

Gizelle Kupac Vianna - DCC/IM e NCE/UFRJ

ICR
Segmentao

Aquisio e
digitalizao

Extrao de
caractersticas

Codificao

Reconhecimento

Validao e
gerao de cdigo
de barras

44

Gizelle Kupac Vianna - DCC/IM e

NCE/UFRJ

45

Anlise, Seleo e Representao dos

Dados
Mtodo do Quadrado:

Gizelle Kupac Vianna - DCC/IM e

NCE/UFRJ

46

Anlise, Seleo e Representao dos

Dados
Mtodo do Octgono:

Gizelle Kupac Vianna - DCC/IM e

NCE/UFRJ

47

Anlise, Seleo e Representao dos

Dados
Mtodo do Raio:

Mtodo do Dimetro:

Gizelle Kupac Vianna DEMAT/ICE

ESTUDO DE CASOS
Tpicos em IA: Reconhecimento de Padres

48

Gizelle Kupac Vianna DEMAT/ICE

49

Exemplos de Aplicaes
Anlise inteligente de dados:
Satlite, sonar, psicologia, medicina, BI, Data Mining, Big Data, etc.

Processamento de sinal e imagem:

Digitais, fala, ICR, assinaturas, solos, etc.
Aprendizado de Mquina:
Jogos, robtica, sistemas adaptativos, etc.

Estudo de Casos
Entregar POR ESCRITO, at 28/08:
Especificao e seleo de temas.
Constituio dos grupos de trabalho (1 ou 2

alunos).

Projeto:
Escolha do tema e pesquisa de base de dados.
Tratamento dos dados / Extrao de

caractersticas.
Anlise de Relevncia dos Dados.
Classificao das amostras (RNA).
Construo de um prottipo.
Elaborao de um relatrio (formato de projeto de
pesquisa).
Apresentao e defesa oral do projeto.

Excel/MySQL
SciLab/Matlab

Gizelle Kupac Vianna DEMAT/ICE

Ferramentas de apoio
MySQL:
http://dev.mysql.com/downloads/workbench/

Netbeans:
www.netbeans.org
Neuroph (Java Neural Network Framework ):
http://sourceforge.net/projects/neuroph/

SciLab:
www.scilab.org

51