Sistemas de Viso Artificial Prof Francisco A C

Sistemas de Visão Artificial Prof. Francisco A C Pinto – DEA/UFV Pós-colheita e Qualidade de Frutas e Hortaliças

Sistema de Visão Artificial Utilização de imagens digitais para fins de automação de processos Cor Dimensões Forma Defeitos. . .

Por que imagens digitais ? n Bill Gates ? n É chique ? Ou Chico ? n Angústia moderna do homem ?

Visão Artificial n n Aquisição Processamento Análise Atuadores

Aquisição

Aquisição – Resposta Espectral do Sensor

Aquisição – Resposta Espectral do Produto

Aquisição – tipo de imagem n n n Binária Monocromática Colorida RGB Color-NIR Hyperspectral

Aquisição – tipo de imagem n n n Binária Monocromática Colorida RGB Color-NIR Hyperspectral

Aquisição – tipo de imagem n n n Binária Monocromática Colorida RGB Color-NIR Hyperspectral

Aquisição – tipo de imagem n n n Binária Monocromática Colorida RGB Color-NIR Hyperspectral

Aquisição – tipo de imagem n n n Binária Monocromática Colorida RGB Color-NIR Hyperspectral

Aquisição – tipo de imagem n n n Binária Monocromática Colorida RGB Color-NIR Hyperspectral

Aquisição – tipo de imagem n n n Binária Monocromática Colorida RGB Color-NIR Hyperspectral

Aquisição – tipo de imagem n n n Binária Monocromática Colorida RGB Color-NIR Hyperspectral

Aquisição – tipo de imagem n n n Binária Monocromática Colorida RGB Color-NIR Hyperspectral

Aquisição – tipo de imagem n n n Binária Monocromática Colorida RGB Color-NIR Hyperspectral

Processamento n n n Retirada de ruídos Melhoria da qualidade da imagem Segmentação do objeto de interesse

Análise n n n Retirada da informação desejada Técnicas de Inteligência Artificial Classificação de objetos na imagem 69% de flores 0, 03 – índice de distribuição

Análise – Redes Neurais

® MERLIN vision system University of Maryland Maçã, pêssego, pêra, tomate e laranja Maçã – 44 ton/h

Colour Vision System

Estudo de caso: n n Sistema de visão artificial para classificação de frutas e hortaliças http: //ss. jircas. affrc. go. jp/engpage/jarq /32 -4/nagata. htm

Etapa 1: Definir o problema Classificação quanto a forma: A, B e C Classificação quanto ao tamanho: 3 L, L, M e S

Etapa 2: definir os atributos Saída do processamento K 1 = W 1/ Wmax K 2 = W 2/ Wmax K 3 = W 3/ Wmax K 4 = W 4/ Wmax K 5 = H/ Wmax K 6 = L/H

Etapa 3: Definir o método de análise

Etapa 4: desenvolver e testar o sistema

Visão Artificial na Agricultura n n n Seleção e classificação de produtos agrícolas (principalmente frutas) Comportamento animal Robotização da colheita n n n Posicionamento de implementos agrícolas Direção automática Identificação de doenças, pragas, plantas invasoras, . . . (sensoriamento remoto)

Visão Artificial na UFV n n n ENG 634 – Engenharia de Sistemas Agrícolas ENG 639 – Processamento de Imagens Digitais Laboratório de Projeto de Máquinas e Visão Artificial n n n Engenharia Agrícola Fitopatologia Solos