| Resumo: | Lidar com reconhecimento de padrões requer a construção de métodos robustos e flexíveis de modo a propiciar alta performance na identificação de diferentes amostras para os mais variados problemas. O sistema de visão computacional é utilizado na análise de vários processos em que, associa-se algoritmos, para predizer um conjunto de imagens, simulando a visão humana. Na indústria alimentícia, o controle de qualidade requer técnicas precisas que proporcionem maior confiabilidade no processo. Considerando o processo industrial de presunto crú, a presença de veias no pernil suíno está diretamente relacionada com a qualidade do produto final, consequentemente, em seu valor de mercado. Alguns defeitos relacionados a presença de veia são detectados através de inspeção visual. No entanto, uma avaliação automática da qualidade de presunto crú através da análise de imagens permeia desafios para tradicionais técnicas de visão computacional devido ao padrão complexo relacionado a cada nível de defeito. Sendo assim, estratégias para distinção entre diferentes classes são necessárias visto que a extração de características torna-se ineficiente para se obter um bom desempenho. Dentro deste contexto, esta dissertação objetiva propor o Dual Stage Image Analysis (DSIA), uma técnica baseada em visão computacional para propiciar melhor performance na identificação de classes baseadas na quantificação de características determinantes presentes nas amostras. Por meio do princípio de "dividir para conquistar?, o DSIA propõe a divisão do problema em subconjuntos para resolução de subtarefas de modo a propiciar uma melhora significativa no entendimento entre as classes a serem preditas. Para avaliar a performance da abordagem proposta, foram realizados comparativos entre o método Tradicional de sistema de visão computacional com o DSIA. Após observar diversas análises, nota-se que a técnica proposta é capaz de aumentar, significativamente, a capacidade preditiva, obtendo acurácia 25% maior quando comparada ao método tradicional.
|
|---|