Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

Luiz E. S. Oliveira1 Paulo R. Cavalin2 Alceu S. Britto Jr1,3 Alessandro L. Koerich1

Resumo: Este artigo apresenta um mtodo completo para a deteco de defeitos em tbuas de madeira de Pinus atravs de tcnicas de Viso Computacional. As imagens dos lados da tbua de madeira so adquiridas com cmeras tipo line scan e processadas para extrao de caractersticas baseadas na informao cor e em propriedades de textura: suavidade, aspereza e regularidade. Um subconjunto destas caractersticas, extrado a partir de imagens em nveis de cinza e selecionado com base em algoritmos genticos multi-objetivos proposto como alternativa para reduo de custos no processo de aquisio de imagens. Dois paradigmas de aprendizagem de mquina diferentes foram utilizados: redes neurais e mquinas de vetor de suporte. Resultados experimentais demonstram que o conjunto de caractersticas selecionado a partir de imagens em nveis de cinza atingiu desempenho competitivo para o problema de deteco de defeitos em madeira, quando comparado com conjunto de caractersticas que depende de sensor de aquisio de maior custo (line scan colorida) para extrao de caractersticas baseadas na informao cor.
Palavras Chaves: inspeo de madeira, deteco de defeitos em madeira, seleo de caractersticas, SVM, MLP.

Pontifcia Universidade Catlica do Paran, Programa de Ps-Graduao em Informtica Aplicada (PPGIa), Curitiba (PR), Brasil, {alceu, alekoe, soares@ppgia.pucpr.br} 2 cole de Technologie Suprieure (TS), Montreal, Canad, cavalin@livia.etsmtl.ca 3 Universidade Estadual de Ponta Grossa (UEPG), Ponta Grossa (PR), Brasil.

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

Abstract: This paper addresses the issue of detecting defects in Pine wood using features extracted from grayscale images. The feature set proposed here is based on the concept of texture and it is computed from the co-occurrence matrices. The features provide measures of properties such as smoothness, coarseness, and regularity. Comparative experiments using a color image based feature set extracted from percentile histograms are carried to demonstrate the efficiency of the proposed feature set. Two different learning paradigms, neural networks and support vector machines, and a feature selection algorithm based on multi-objective genetic algorithms were considered in our experiments. The experimental results show that after feature selection, the grayscale image based feature set achieves very competitive performance for the problem of wood defect detection relative to the color image based features.

Keywords: wood inspection, detection of wood defects, feature selection,

SVM, MLP.

204

RITA Volume XV Nmero 2 2008

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

Introduo

A eliminao de desperdcios e a maximizao do valor da matria-prima tm sido os grandes desafios da indstria madeireira nos ltimos anos. Nesta direo, a introduo de novas tecnologias, incluindo-se os Sistemas de Viso Computacional, confere indstria e seus produtos a qualidade, confiabilidade e competitividade exigidas pelo mercado mundial. Alm disso, a adoo de tecnologias que garantam a maximizao do aproveitamento deste recurso natural evidencia a preocupao da indstria com a reduo de passivos ambientais. O processo de beneficiamento tem como objetivo maximizar o valor da madeira, podendo ser dividido basicamente em trs etapas. Inicialmente a tora conduzida para a serraria, onde se decide se a mesma ser mais valiosa se transformada em tbuas, compensados ou ainda pequenos blocos. Uma vez decidido que seu destino a transformao em tbuas, retiram-se as placas a partir do tronco, as quais devem ser posteriormente trabalhadas. Este processo requer que algum decida como realizar o corte maximizando qualidade e quantidade. Cada tbua deve ser examinada e classificada segundo critrios pr-estabelecidos no mercado madeireiro, com base na qualidade da madeira e na presena de defeitos. Em uma etapa final, ainda possvel acrescentar valor ao produto cortando-se as tbuas com o objetivo de se produzir segmentos livres de defeito. Neste ponto, merece destaque especial o processo de otimizao do corte, onde modernos equipamentos efetuam o reconhecimento de defeitos com auxlio de um scanner e marcao manual (giz fluorescente). A eliminao dos defeitos das tbuas controlada automaticamente, classificando os diversos segmentos obtidos, alm de quantificar a produo e perdas. A capacidade de produo de tais otimizadoras de corte varia de acordo com a qualidade da madeira sendo processada, podendo atingir 1.200 m/h (Figura 1).

Figura 1. Exemplo de uma mquina de otimizao de corte. Operador alimenta a mquina e normalmente delimita com giz fluorescente as regies com defeitos.

RITA Volume XV Nmero 2 2008

205

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

Contudo, para a grande maioria destas mquinas necessrio um alto nvel de interao humana, uma vez que o operador deve identificar e marcar (assinalar) com giz fluorescente os defeitos encontrados na tbua. sabido que raramente os operadores seguem regras bem definidas, e normalmente baseiam sua deciso na aparncia visual da tbua. Um dos problemas claros est na falta de padro para essa tomada de deciso, pois alguns operadores so menos eficientes que outros na deteco de pequenos defeitos, tais como: pequenas rachaduras e manchas. A aparncia visual de uma tbua , em geral, descrita por atributos como cor e forma [1]. Com base nesta hiptese, alguns autores tm mostrado, experimentalmente, que a cor uma informao muito importante dado o seu poder de discriminao em sistemas de inspeo de madeira, especialmente quando o objetivo a deteco de defeitos [2]-[4]. O foco deste artigo est no principal problema relacionado construo de uma mquina de otimizao de corte de madeira: a deteco de defeitos. O objetivo propor um mtodo para detectar defeitos em madeira de Pinus, que seja robusto e de baixo custo. Uma vez que uma das restries o custo, opta-se por sensores de captura monocromticos, os quais so consideravelmente mais baratos que sensores coloridos, principalmente quando se necessita de sensores de linha (line scan sensors). Desta forma, um dos desafios deste trabalho est na seleo de um conjunto de caractersticas para deteco de defeitos em madeira que seja extrado de imagens em escala de cinza. Na concepo do mtodo proposto foram avaliados dois diferentes paradigmas de aprendizagem de mquina: Mquinas de Vetor de Suporte (MVS) e Redes Neurais (RN). A seleo de caractersticas conduzida por algoritmos genticos a fim de se evitar qualquer possibilidade de influncia de caractersticas redundantes e/ou irrelevantes. Um protocolo experimental robusto mostra que as caractersticas extradas a partir de imagens em escala de cinza, quando comparadas quelas calculadas a partir de imagens coloridas, apresentam desempenho similar para o problema de deteco de defeitos em madeira. Os resultados so comparados ao obtidos por [3], cujo mtodo se baseia em histogramas cumulativos calculados a partir dos canais R, G e B de imagens coloridas. Este artigo est organizado como segue: A Seo 2 apresenta uma viso geral do mtodo proposto. A Seo 3 descreve os dois conjuntos de caractersticas utilizados neste trabalho. A Seo 4 apresenta a metodologia utilizada na seleo de caractersticas, e na Seo 5 descreve-se a base de dados utilizada nos experimentos. A Seo 6 relata os experimentos, enquanto a Seo 7 apresenta as concluses e trabalhos futuros.

Viso Geral do Mtodo

O mtodo para inspeo automtica de defeitos em madeiras composto por elementos de hardware e software. A Figura 2 apresenta os principais elementos deste mtodo.

206

RITA Volume XV Nmero 2 2008

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

Figura 2. Principais componentes do mtodo proposto: 2 cmeras line scan, computador, iluminao baseada em LEDs e transportador

O processo de inspeo inicia-se com a passagem de uma tbua de madeira por um transportador. Duas cmeras tipo line scan e sistema de iluminao baseado em LEDS permitem a captura de imagens de ambas as faces da madeira de forma sincronizada com a velocidade do transportador. Uma vez adquiridas as imagens completas de ambas as faces da madeira, estas so processadas por um mdulo de extrao de caractersticas baseadas em cor, ou em textura conforme proposto neste artigo. Um processo de seleo de caractersticas permite a eliminao de caractersticas redundantes ou irrelevantes. As caractersticas selecionadas so utilizadas como entrada de um classificador de padres previamente treinado. O objetivo do classificador localizar e quantificar defeitos em tbuas de madeira, sem a interao humana, visando reduzir custos relacionados aos processos de otimizao de corte e/ou classificao da madeira de acordo com padres pr-estabelecidos. Alm das informaes sobre os possveis defeitos presentes na madeira so calculadas informaes sobre a dimenso das tbuas processadas, no reportadas neste artigo por considerarmos no relevantes. O corao do mtodo proposto est na seleo e extrao de caractersticas, bem como no treinamento do classificador utilizado para deteco dos defeitos em madeira. Nas prximas sees d-se nfase a estes mdulos.

Conjuntos de Caractersticas

Esta seo descreve os dois conjuntos distintos de caractersticas usados neste trabalho. O conjunto de caractersticas baseadas em cor leva em considerao histogramas de percentis calculados a partir dos canais de cor Red, Green e Blue do sistema de cor RGB, enquanto o conjunto de caractersticas em escala de cinza extrado a partir de matrizes de co-ocorrncia [5].

RITA Volume XV Nmero 2 2008

207

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

3.1 Caractersticas baseadas em cor Os histogramas cumulativos extrados a partir dos canais de cor R, G e B so simples, mas muito discriminativos, conforme foi comprovado experimentalmente neste trabalho. Alguns percentis so selecionados e os valores de intensidade relacionados so utilizados
i C k (i ) = j =1 H k ( j ) como o histograma cumulativo da intensidade i no canal k , sendo H k ( j ) o histograma para o valor de intensidade j no canal k , e N k o nmero de canais do sistema de cor em questo (RGB), o valor da caracterstica para o percentil y :

como primitivas. Considere

F k ( y ) = i,

na qual

C k (i ) y,

1 i

Nk

(1)

Devido a mudanas de intensidade de caractersticas baseadas em percentil puro, um esquema de calibrao de intensidade utilizado. Caractersticas invariantes ao deslocamento e largura do histograma podem ser obtidas calculando-se a diferena de dois valores consecutivos de percentil, normalizada pela diferena entre o percentil mximo e mnimo do histograma:
f =

F k ( y1) F k (y 2 ) F k (100% ) F k (0% )

(2)

Uma maneira de selecionar as caractersticas a partir do percentil considerar pores iguais em uma faixa entre os valores de mximo e mnimo. Como imagens de madeira podem apresentar algum rudo, razovel selecionar o valor de mximo e mnimo como 95% e 5%, respectivamente, bem como dividir a faixa de interesse (90%) em pedaos iguais. Para os experimentos realizados o vetor de caractersticas obtido a partir de 10 caractersticas de percentis para cada canal do sistema de cor. Logo, o nmero de caractersticas neste primeiro vetor de 30 (10 x 3).
3.2 Caractersticas baseadas em escala de cinza

Uma abordagem interessante para descrever uma regio consiste na quantificao de informaes oriundas de sua textura. A anlise da textura fornece, intuitivamente, medidas que representam propriedades como suavidade, aspereza e regularidade. As caractersticas em escala de cinza propostas para a deteco de defeitos em madeira tm como base a textura e so calculadas a partir da matriz de co-ocorrncia. Tais propriedades so medidas estatsticas extradas a partir da matriz que representa a relao entre pixels dentro de uma regio. A matriz de co-ocorrncia ( MC ) a probabilidade conjunta da ocorrncia do nvel de cinza i e j dentro de uma relao espacial definida na imagem. A relao espacial

208

RITA Volume XV Nmero 2 2008

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

definida em termos de uma distncia

d e de um ngulo . Assumindo que N g a profundidade da escala de cinza e p(i, j ) a probabilidade da co-ocorrncia dos nveis de cinza i e j observando-se pixels consecutivos a uma distncia d e ngulo , as seguintes medidas derivadas de MC foram escolhidas:

Ng Ng 2 f 1 = Contraste = (i j ) p (i, j )
i =1 j =1

(3)

Ng Ng 2 f 2 = Energia = ( p (i, j ) )
i =1 j =1

(4)

Ng Ng f 3 = Entropia = p (i, j ) log( p (i, j ) )

i =1 j =1

(5)

Ng i =1

Ng j =1

f 4 = Correlao =
nas quais

p(i, j ) x y

(6)

Ng
i =1

2 x

2 y

x = i p x (i ),
i =1

Ng

p x (i ) = p (i, j ), 2 = i x p x(i ) e x
j =1

Ng

)2

y = i p y (i ),
i =1

Ng

p y (i ) = p (i, j ), 2 = i y p y (i ) . y
j =1 i =1

Ng

Ng

As medidas acima foram extradas usando-se diferentes distncias d e ngulos para clculo de MC . Para cada MC , 4 medidas so adicionadas ao vetor de caractersticas f . Uma medida adicional diz respeito ao nvel de cinza mdio da imagem. Portanto, o tamanho do vetor f 4 N d + 1 , sendo N d o nmero de combinaes entre d e . Nos experimentos foram avaliados diferentes valores para d e . A melhor combinao encontrada foi d = 1 e = [0, 90,180, 270] , o que define um vetor com 17 caractersticas.

Seleo de Caractersticas

Um fator importante na construo de um classificador a seleo das caractersticas mais discriminativas. Em muitas aplicaes comum encontrar problemas envolvendo centenas de caractersticas. Contudo, observa-se que a incluso de novas caractersticas nem sempre se traduz em melhores resultados, e em alguns casos, pode at representar prejuzo ao

RITA Volume XV Nmero 2 2008

209

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

desempenho de um classificador [6]. Alm disso, a escolha das caractersticas a serem utilizadas na representao de um padro de interesse afeta vrios fatores relacionados ao problema de reconhecimento, tais como: preciso, tempo requerido para o aprendizado, e nmero de amostras necessrias. Este aparente paradoxo se apresenta como um problema de seleo de caractersticas para projeto automtico de um classificador. Tal problema se refere tarefa de identificar e selecionar em subconjunto efetivo de caractersticas para representar padres a partir de um conjunto maior de caractersticas, freqentemente redundantes ou mesmo irrelevantes. A seleo de caractersticas no um problema trivial, pois raramente estas so totalmente independentes. Podem existir redundncias, ou seja, caractersticas correlacionadas, caso em que no devem ser consideras juntas na modelagem, e interdependncias, quando duas ou mais caractersticas contm informao importante entre si que pode se tornar obscura se alguma dessas caractersticas no for considerada na modelagem. Na prtica, a seleo de caractersticas consiste em uma funo de otimizao multicritrios, na qual busca-se minimizar o nmero de caractersticas e maximizar desempenho do classificador. possvel observar na literatura que algoritmos genticos multi-objetivo tm se mostrado uma abordagem atrativa para este tipo de problema, uma vez que estes so em geral muito eficientes para buscas globais em grandes espaos no-lineares, do qual se tem pouco entendimento. Alm de poderem trabalhar com vrios objetivos de maneira inteligente. Com base nestas premissas, utilizou-se a estratgia proposta em [7] para realizar a seleo de caractersticas, com base em um poderoso algoritmo gentico multi-objetivo chamado NSGA (acrnimo em ingls para Non-Dominated Sorting Algorithm) [8]. Diferentemente de um algoritmo gentico simples, o NSGA produz um conjunto de solues potenciais conhecido como soluo Pareto-optimal. Isto permite ao usurio avaliar diferentes cenrios para os objetivos que esto sendo otimizados. Uma maneira muito interessante de se definir uma soluo considerar uma base de validao independente para evitar uma soluo tendenciosa ou superestimada. Para maiores detalhes favor consultar [7]. No NSGA, um mtodo de seleo baseado em ranqueamento utilizado para enfatizar pontos bons e uma estratgia usada para manter subpopulaes estveis de pontos bons, denominadas nichos. O NSGA difere de algoritmos genticos simples somente na maneira que o operador de seleo trabalha. O cruzamento e a mutao permanecem como usual. Antes de a seleo ser realizada, a populao ranqueada com base na no-dominao de cada indivduo. Os indivduos no-dominados, presentes na populao, so inicialmente identificados na populao corrente. Ento, assume-se que todos estes indivduos constituem o primeiro fronte no-dominado na populao e recebem um alto valor-objetivo (fitness). O mesmo valor-objetivo atribudo para dar um potencial reprodutivo igual para todos estes indivduos no-dominados. Para manter a diversidade da populao, estes indivduos classificados so ento compartilhados com seus valores-objetivo. O compartilhamento realizado atravs da

210

RITA Volume XV Nmero 2 2008

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

operao de seleo usando valores-objetivo degradados, os quais foram obtidos dividindose o valor-objetivo original de um individuo por uma quantidade proporcional ao nmero de indivduos ao seu redor. Em seguida, a populao reproduzida de acordo com os valoresobjetivo. Uma vez que indivduos no primeiro fronte tm valor-objetivo mximo, eles so mais copiados que o resto da populao. A eficincia do NSGA est na maneira com que mltiplos objetivos so reduzidos a uma funo objetivo usando procedimento de ordenao no-dominada (ver Figura 3).

Figura 3. Exemplo da evoluo no plano objetivo

No final, o algoritmo produz um conjunto de solues potenciais que podem ser escolhidas por um mecanismo de deciso. Como mencionado anteriormente, um mecanismo eficiente consiste na avaliao das solues potencias com base em um conjunto de validao independente, evitando assim solues tendenciosas ou superestimadas. A Figura 4 apresenta um fronte clssico, tipo Pareto-optimal, para o problema de seleo de caractersticas abordado neste trabalho. Analisando somente o fronte Pareto, o melhor compromisso entre o nmero de caractersticas e a taxa de erro representada pela soluo S 1 . Contudo, analisando a curva de validao, observa-se que tal soluo no representa uma boa generalizao quando se utiliza uma base de amostras desconhecidas. possvel observar ainda, que o compromisso entre desempenho e complexidade que apresenta a melhor generalizao na base de validao a soluo S 2 .

RITA Volume XV Nmero 2 2008

211

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

Figura 4. Pareto-optimal produzido pelo NSGA

Treinamento das Caractersticas Selecionadas

A abordagem utilizada toma por base uma segmentao implcita, que significa o particionamento da imagem sem considerar o seu contedo, utilizando-se um gride previamente definido. Desta maneira, o particionamento feito em regies no-sobrepostas de 32 x 32 pixels conforme proposto em [9]. As caractersticas so calculadas para cada regio e ento classificadas nas classes relevantes. No caso de deteco de defeitos, consideram-se duas classes: regio boa e regio com defeito. Uma interface grfica foi construda especialmente para rotulao da base de treinamento. Esta interface segmenta a imagem em janelas de 32 x 32 pixels e aquelas contendo algum defeito so manualmente classificadas, por um especialista, como classe 2 (regio com defeito). As regies no marcadas so automaticamente rotuladas como classe 1 (regio boa). A base de imagens considerada neste trabalho composta por 500 imagens extradas de tbuas de Pinus. Foram utilizadas 300 imagens para treinamento, 100 para validao e 100 para testes. A base contm vrios tipos de defeitos, os quais so apresentados nas Figuras 5 e 6. A maioria dos defeitos est relacionada presena de ns nas tbuas, os quais podem ser inicialmente classificados conforme sua consistncia em firmes, secos (ou soltos), encaixados, deteriorados ou buracos de ns. Em uma segunda classificao, os ns ainda podem ser classificados conforme sua forma e localizao na tbua em: normal, borda, folha e chifre.

212

RITA Volume XV Nmero 2 2008

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

A Figura 7 mostra exemplo de uma imagem segmentada em regies de 32 x 32 pixels. Os blocos considerados com defeito esto em destaque.

Figura 5. Tipos diferentes de ns encontrados na base: (a-d) ns firmes (normal, borda, folha e chifre), (e-h) ns secos ou soltos (normal, borda, folha e chifre), (i-l) ns encaixados (normal, borda, folha e chifre), (m) n deteriorado, (n) buraco de n.

Figura 6. Outros defeitos: (a) bolsa de resina, (b) mancha marrom, (c) racha e (d) lascada nas bordas.

RITA Volume XV Nmero 2 2008

213

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

As imagens foram coletadas usando uma cmera CCD Samsung com preciso de 8bits para cada canal de cor. Isto permite uma comparao entre as caractersticas baseadas em cor e em escala de cinza. Para criar a imagem em escala de cinza, foi utilizada a equao (7) para determinao da luminncia.
GRAY = [0,299; 0,587; 0,114] [R, G, B]T

(7)

Resultados Experimentais

Durante os experimentos foram avaliados dois diferentes paradigmas de aprendizagem de mquina: Redes Neurais (RN) e Mquinas de Vetor de Suporte (SVM, do ingls Support Vector Machines). A rede neural utilizada uma MLP (do ingls, Multi-Layer Perceptron) treinada com o gradiente descendente aplicado a uma funo de soma dos erros quadrticos. A funo de transferncia empregada a funo sigmoid padro. O desempenho em termos de generalizao monitorado atravs da validao e os parmetros das redes foram determinados empiricamente. O outro algoritmo de aprendizado considerado uma Mquina de Vetor de Suporte [10]. Esta abordagem tem recebido ateno especial da comunidade de reconhecimento de padres e aprendizagem de mquina devido a sua habilidade em generalizar mesmo quando aplicadas em espaos de alta dimensionalidade em situaes onde existam poucos exemplares para treinamento. Nos experimentos realizados utilizou-se o pacote LIBSVM [11]. Os parmetros do classificador SVM foram selecionados utilizando-se uma ferramenta de pesquisa em gride disponvel no LIBSVM.

Figura 7. Exemplo do janelamento (32 x 32 pixels) para um segmento de tbua de Pinus, onde as regies com defeito esto em destaque.

214

RITA Volume XV Nmero 2 2008

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

O NSGA utilizado para seleo de caractersticas baseia-se em representao em bit, cruzamento uni-ponto, mutao bit-flip, e seleo via mtodo roleta (com elitismo). Os seguintes parmetros de configurao foram utilizados: tamanho da populao = 128, nmero de geraes = 1000, probabilidade de cruzamento = 0,8, probabilidade de mutao = 0,007, e distncia de nichos ( share ) = 0,5 . No primeiro experimento foram considerados os vetores de caractersticas originais, i.e., sem seleo de caractersticas. As duas primeiras colunas da Tabela I apresentam estes resultados. Observa-se que a abordagem baseada em SVM detectou corretamente os defeitos em 98.7% dos casos.
Tabela I Deteco de defeitos: desempenho dos classificadores para o conjunto de teste, antes e depois da seleo de caractersticas (SC)
Caractersticas Taxas de Acerto em % Antes SC Depois SC MLP SVM MLP SVM 98.0 98.7 98.1 98.7 95.5 95.8 97.5 98.0

Cor Escala de cinza

Ainda possvel observar que as caractersticas baseadas em cor apresentam resultados melhores que as caractersticas baseadas em escala de cinza para ambos os modelos. Por outro lado, ainda possvel observar que depois da seleo de caractersticas, ambos os classificadores SVM e MLP treinados com caractersticas baseadas em escala de cinza alcanaram desempenho similar queles treinados com caractersticas baseadas em cor. Em termos de nmero de caractersticas, em ambos os casos, houve uma reduo significativa. Os conjuntos de caractersticas baseadas em cor e em escala de cinza tiveram 21 e 8 caractersticas removidas, respectivamente. Isto confirma a importncia da seleo de caractersticas em qualquer tipo de sistema de reconhecimento de padres e deixa claro que em ambos os conjuntos iniciais de caractersticas existem caractersticas mutuamente redundantes ou mesmo irrelevantes. A anlise dos resultados demonstra que o mtodo capaz de detectar pequenos defeitos tais como rachaduras e manchas. A Fig. 8 mostra um exemplo da classificao de tbua de Pinus. possvel observar que o defeito foi detectado, mas algumas regies de madeira boa foram classificadas erroneamente como defeito. Este tipo de erro se deve ao contraste dentro da regio classificada. Contudo, este tipo de confuso pode ser eliminada atravs de um estgio de ps-processamento baseado em binarizao conforme proposto em [3].

RITA Volume XV Nmero 2 2008

215

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

Figura 8. Exemplo de regies classificadas erroneamente.

Concluses e Trabalhos Futuros

Este artigo abordou a deteco de defeitos em madeira atravs do uso de tcnicas de Viso Computacional e Reconhecimento de Padres. O objetivo foi construir um algoritmo robusto e de baixo custo a fim de aplicar em uma mquina para otimizao de corte de madeiras. Conforme descrito anteriormente, a reduo de custo pode ser obtida no sensor de aquisio, com a escolha de caractersticas em escala de cinza ao invs de coloridas. Demonstrou-se, experimentalmente, que possvel atingir resultados similares aos obtidos com caractersticas coloridas usando apenas informaes de textura obtidas de imagens em escala de cinza. importante ressaltar a contribuio da seleo de caractersticas em todo o processo. Em ambos os espaos (cor e escala de cinza) observou-se a reduo de caractersticas redundantes e/ou irrelevantes. Ainda, no caso do conjunto de caractersticas baseado em escala de cinza, observou-se um ganho de desempenho com a reduo das caractersticas. Como trabalho futuro, planeja-se avaliar o desempenho destas caractersticas para a categorizao de madeiras.

Referncias

[1] Kauppinen H. Development of a Color Machine Vision Method for Wood Surface Inspection. PhD thesis, Oulu University Library, 1999. [2] Radovan S.; George P.; Panagiotis M.; Manos G.; Robert A., and Igor D.. An approach for automated inspection of wood boards. In Procs of the International Conference on Image Processing, pp. 798801, 2001.

216

RITA Volume XV Nmero 2 2008

Inspeo Automtica de Defeitos em Madeiras de Pinus usando Viso Computacional

[3] Kauppinen H.. A two stage defect recognition method for parquet slab grading. In Procs of the International Conference on Pattern Recognition, pp. 803806, 2000. [4] Brunner C.C.; Maristany A. G.; Butler D. A.; Vanleeuwen D., and Funck J.. W. An evaluation of color spaces for detecting defects in Douglas-fir veener. Industrial Metrology, pp. 169184, 1992. [5] Aria E. H.; Saradjian M. R.; Amini J. and Lucas C. Generalized cooccurrence matrix to classify irs-1d images using neural network. In Proceedings of XXth ISPRS Congress, Instanbul, Turkey, July, 2004. [6] Trunk G. V. A problem of dimensionality: A simple example. IEEE Trans.on Pattern Analysis and Machine Intelligence, 1(3):306307, 1979. [7] Oliveira L. S.; Sabourin R.; Bortolozzi F., and Suen C. Y. A methodology for feature selection using multi-objective genetic algorithms for handwritten digit string recognition. International Journal of Pattern Recognition and Artificial Intelligence, 17(6):903930, 2003. [8] Deb K. Multi-Objective Optimization using Evolutionary Algorithms. John Wiley and Sons Ltd, 2nd edition, April, 2002. [9] Sobey P. J. and Semple E. C. Detection and sizing visual features in wood using tonal measures and a classification algorithm. Pattern Recogntion, 22:367380, 1989. [10] Vapnik V. Statistical Learning Theory. John Wiley and Sons, 1998. [11] Chang C. C. and Lin C-J. LIBSVM: a library for support vector machines. Software available at http://www.csie.ntu.edu.tw/cjlin/libsvm, 2001.

RITA Volume XV Nmero 2 2008

217