Conselho Nacional de Desenvolvimento CientÃfico e TecnolÃgico / A morfologia matemÃtica à uma abordagem utilizada em problemas de processamento e anÃlise de imagens em que sÃo realizadas transformaÃÃes de um objeto (imagem) por padrÃes de formas prÃ-definidas. Tais transformaÃÃes sÃo efetuadas por operadores morfolÃgicos, sendo a erosÃo e a dilataÃÃo os operadores morfolÃgicos elementares. Neste trabalho à apresentado um mecanismo de aprendizagem destinado à geraÃÃo automÃtica de templates, a serem utilizados em operadores morfolÃgicos de casamento inexato de padrÃes (em que o casamento nÃo precisa ser perfeito). Esse modelo de operador à aqui denominado de Operador MorfolÃgico Adaptativo de Casamento de PadrÃes (OMACP), e combina o formalismo da morfologia matemÃtica atravÃs de ELUTs (Elementary Look-Up Tables) com tÃcnicas de aprendizagem de mÃquina. Os operadores morfolÃgicos para casamento de padrÃes via ELUTs jà descritos na literatura permitem o casamento inexato de padrÃes, ou detecÃÃo com folga, em imagens digitais atravÃs da definiÃÃo de um intervalo em torno de um padrÃo de referÃncia. Esse intervalo aplicado em todos os pixels do padrÃo de referÃncia possui um valor constante e sua escolha depende de parÃmetros cujo ajuste normalmente à realizado tendo como base resultados empÃricos, alÃm de ser fortemente sensÃvel a idiossincrasia do usuÃrio. Este trabalho propÃe um mecanismo, baseado em parÃmetros estatÃsticos, que automatiza a escolha desse intervalo. AlÃm de nÃo considerÃ-lo mais um valor constante para todos os pixels do padrÃo de referÃncia. Tal mecanismo reduz assim a interferÃncia de um usuÃrio na definiÃÃo dos parÃmetros do operador morfolÃgico. Para comprovar a eficÃcia obtida com a inclusÃo tanto das tÃcnicas de aprendizagem quanto do mecanismo de escolha do intervalo em torno do padrÃo de referÃncia, foram realizados experimentos comparativos entre o OMACP proposto (com a inclusÃo das novas funcionalidades) com os operadores jà descritos na literatura sem essas alteraÃÃes. / Mathematical morphology is an approach applied in processing and image analysis problems that performs transformations in an object (image) by patterns of predefined forms. Such transformations are called morphological operators, with erosion and dilation being the elementary morphological operators. This work presents a machine learning mechanism applied for the automatic generation of templates, to be used by inexact template matching morphological operators. This model of operator is called Template Matching Adaptive Morphological Operator (OMACP), and combines the formalism of mathematical morphology through ELUTs (Elementary Look-Up Tables) with machine learning techniques. The ELUTs based template matching morphological operators already described in the literature allow inexact pattern recognition in digital images by defining a range around a reference pattern. This range has a constant value that is applied to all pixels of reference patterns, and its choice depends on parameters whose adjustments is usually performed based on empirical results, besides being highly sensitive to user idiosyncrasies. This work also proposes a mechanism, based on statistical parameters, which automates the choice of these range. Besides not consider it a constant value for all pixels of reference pattern. Such mechanism reduces the interference of a user to define the parameters of the morphological operator. To prove the effectiveness achieved with the inclusion of learning techniques and the choices mechanism of the range around the pattern reference, were performed comparative experiments between the proposed OMACP (with the inclusion of new features) with operators already studied without these features.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2018-05-25T13:02:54Z No. of bitstreams: 1 guilhermedesouzaferreira.pdf: 1163831 bytes, checksum: ec0bec904b2e6110d9b9e4934727f35d (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-06-14T11:52:03Z (GMT) No. of bitstreams: 1 guilhermedesouzaferreira.pdf: 1163831 bytes, checksum: ec0bec904b2e6110d9b9e4934727f35d (MD5) / Made available in DSpace on 2018-06-14T11:52:03Z (GMT). No. of bitstreams: 1 guilhermedesouzaferreira.pdf: 1163831 bytes, checksum: ec0bec904b2e6110d9b9e4934727f35d (MD5) Previous issue date: 2018-02-22 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O escalonamento de tarefas é um problema de otimização combinatória no qual tenta-se sequenciar da melhor maneira os trabalhos a serem realizados em processos de produção. O intuito neste caso é atingir os objetivos de desempenho estipulados pelo tomador de decisão, tais como, minimizar o makespan e minimizar o atraso total. O Problema de Sequencia-mento do tipo Job-Shop Flexível (FJSP) pertence a essa categoria, e caracteriza-se pela possibilidade de haver rotas tecnológicas diferentes para as tarefas e cada estágio poder ser composto por mais de uma máquina. Esse é o núcleo da tecnologia do gerenciamento de produção, pois sequenciamentos melhores podem encurtar o tempo de manufatura, reduzir os níveis de estoque, possibilitar a entrega de encomendas no tempo correto e aumentar a credibilidade dos processos e da empresa. Métodos exatos, que são computacionalmente custosos, são geralmente aplicados nos problemas de sequenciamento menores, portanto quando os problemas aumentam em tamanho, os métodos heurísticos e metaheurísticos começaram a ser aplicados. As metaheurísticas são importantes para solucionar FJSPs porque são mais rápidas do que os métodos exatos. Dentre elas, os Algoritmos Genéti-cos (AGs) estão entre as técnicas mais utilizadas para solucionar FJSPs e, atualmente, modelos híbridos vem sendo explorados, combinando AGs com técnicas de busca local e heurísticas para inicializar a população. No entanto, a escolha adequada dos parâmetros dos AGs é um trabalho difícil, recaindo num outro problema de otimização. Os Algoritmos Genéticos Adaptativos (AGAs) foram introduzidos para lidar com essa adversidade, uma vez que podem ajustar os parâmetros dos AGs durante o processo de busca. Portanto, o objetivo da presente dissertação é analisar diferentes técnicas adaptativas desenvolvidas para AGAs, com o intuito de reduzir o tempo de configuração dos AGs quando aplicados a FJSPs. Além disso, serão propostas alterações para as técnicas de atribuição de crédito e de seleção de operadores. Os estudos foram realizados em instâncias de diferentes tamanhos e os AGAs são comparados com AGs tradicionais. Duas diferentes análises foram realizadas baseadas em cenários no qual o tomador de decisão tem pouco tempo para configurar os algoritmos. Na Análise I, os AGAs tiveram desempenho semelhante aos AGs tradicionais, mas são interessantes por possuírem um menor número de parâmetros e, consequentemente, um menor tempo de configuração. Na Análise II, os AGAs geraram melhores resultados do que aqueles obtidos pelos AGs, o que os tornam apropriados para o caso em que há incerteza no processo produtivo e menor tempo de configuração. / Scheduling is a combinatorial optimization problem, in which one tries ordering the tasks to be performed in the processing units. The objective is to achieve the best values with respect to the performance indicators chosen by the decision-maker, such as, minimize the makespan and minimize the total lateness. The Flexible Job-Shop Scheduling Problem (FJSP) belongs to this category, and its characteristics are the different technological routes for the tasks and that each stage may consist of more than one machine. This is the technological core of the production management, as better schedules may reduce the manufacturing time, reduce the inventory, deliver the order in the right time, and raise the reliability of the process and the company. Exact methods, as they are computationally expensive, are usually employed for small scheduling problems, then heuristic and metaheuristic methods become interesting techniques for this type of problem. Metaheuristics are important to solve FJSPs as they are faster than the exact methods, and among then, Genetic Algorithms (GAs) are one of the most used techniques to solve FJSPs and, currently, they have been hybridized with local search and heuristics to initialize their population. However, to set up GAs is a hard-work and often generates another optimization problem. Adaptive Genetic Algorithms (AGAs) were introduced to work around this problem as they adapt the parameters of the GAs during the search process. Therefore, the objective of this dissertation is to analyze different adaptive techniques developed for AGAs with the purpose of reducing the setup time of GAs when they are applied to FJSPs. In addition, modifications will be proposed for the operator selection techniques and for credit assignment schemes. The studies were performed in instances of different sizes, and the AGAs are compared with traditional GAs. Two different analyzes were performed based on scenarios in which the decision maker does not has to much time to configure the algorithms. In Analysis I, some AGAs performed similarly to the traditional GAs, but they are more interesting as they have a smaller number of parameters, thus a shorter configuration time. In Analysis II, some AGAsgeneratedbetterresultsthanthoseobtainedbyGAs, whichmakesthemappropriate for the case when there is uncertainty in the production process and the decision maker does not have too much time to configure the algorithm.