CoordenaÃÃo de AperfeÃoamento de Pessoal de NÃvel Superior / Neste trabalho, à discutido o problema de reconhecimento de objetos utilizando imagens extraÃdas de um sensor industrial 3D. NÃs nos concentramos em 9 extratores de caracterÃsticas, dos quais 7 sÃo baseados nos momentos invariantes (Hu, Zernike, Legendre, Fourier-Mellin, Tchebichef, Bessel-Fourier e Gaussian-Hermite), um outro à baseado na Transformada de Hough e o Ãltimo na anÃlise de componentes independentes, e, 4 classificadores, Naive Bayes, k-Vizinhos mais PrÃximos, MÃquina de Vetor de Suporte e Rede Neural Artificial-Perceptron Multi-Camadas. Para a escolha do melhor extrator de caracterÃsticas, foram comparados os seus desempenhos de classificaÃÃo em termos de taxa de acerto e de tempo de extraÃÃo, atravÃs do classificador k-Vizinhos mais PrÃximos utilizando distÃncia euclidiana. O extrator de caracterÃsticas baseado nos momentos de Zernike obteve as melhores taxas de acerto, 98.00%, e tempo relativamente baixo de extraÃÃo de caracterÃsticas, 0.3910 segundos. Os dados gerados a partir deste, foram apresentados a diferentes heurÃsticas de classificaÃÃo. Dentre os classificadores testados, o classificador k-Vizinhos mais PrÃximos, obteve a melhor taxa mÃdia de acerto, 98.00% e, tempo mÃdio de classificaÃÃo relativamente baixo, 0.0040 segundos, tornando-se o classificador mais adequado para a aplicaÃÃo deste estudo. / In this work, the problem of recognition of objects using images extracted from a 3D industrial sensor is discussed. We focus in 9 feature extractors (where seven are based on invariant moments -Hu, Zernike, Legendre, Fourier-Mellin, Tchebichef, BesselâFourier and Gaussian-Hermite-, another is based on the Hough transform and the last one on independent component analysis), and 4 classifiers (Naive Bayes, k-Nearest Neighbor, Support Vector machines and Artificial Neural Network-Multi-Layer Perceptron). To choose the best feature extractor, their performance was compared in terms of classification accuracy rate and extraction time by the k-nearest neighbors classifier using euclidean distance. The feature extractor based on Zernike moments, got the best hit rates, 98.00 %, and relatively low time feature extraction, 0.3910 seconds. The data generated from this, were presented to different heuristic classification. Among the tested classifiers, the k-nearest neighbors classifier achieved the highest average hit rate, 98.00%, and average time of relatively low rank, 0.0040 seconds, thus making it the most suitable classifier for the implementation of this study.

Made available in DSpace on 2016-06-02T19:06:07Z (GMT). No. of bitstreams: 1 5414.pdf: 4869959 bytes, checksum: f5d64a08bee81d350c64d71299ae404a (MD5) Previous issue date: 2013-08-02 / Financiadora de Estudos e Projetos / This Dissertation presents a method development based on image processing techniques, which enables the verification and quality analysis of organic fibers mixture in thermoplastic starch (TPS). In order to do this analysis, we implemented a Python programming language module, which is able to compute invariant moments of Hu and other statistical calculations to quantify homogeneity, we applied this calculations to a set of high resolution tomography images of materials resulting from the mixture of thermoplastic starch and fibers. TPS based compositions, have recently received much attention, from industry and academia, for being one of the most economical options to produce biodegradable plastics. Although promising, there are two major limitations to the use of TPS: their mechanical fragility and sensibility to water. A solution to this problem is to mix TPS with vegetable fibers materials, maintaining its biodegradability, thus offering greater mechanic and humidity resistance. Nowadays there are methods techniques and equipment used to check mechanical resistance, water absorption and crystallinity of biodegradable samples. However, there is a lack of methods used specifically for the measurement of organic fibers homogeneity distribution in TPS, therefore assisting the production quality verification of those samples. As a result of this work, we obtained a method which infers the manufacturing process quality of new biodegradable materials, produced from the mixture of vegetable fibers and TPS, based on the homogeneity and the roughness degree of the samples produced. / Este trabalho apresenta o desenvolvimento de um método baseado em processamento de imagem que viabiliza a verificação e análise da qualidade da mistura das fibras vegetais em amido termoplástico (TPS). Para a realização das análises foi implementado um modulo na linguagem de programação Python, capaz de realizar o cálculo dos momentos invariantes de Hu e cálculos estatísticos, para quantificar a homogeneidade, aplicado à imagens tomográficas de alta resolução dos materiais resultantes da mistura de amido termoplástico e das fibras. Composições TPS têm recebido recentemente muita atenção tanto do meio acadêmico como da indústria, como uma das opções mais econômicas para a produção de plásticos biodegradáveis. Embora promissor, o uso do TPS esbarra em duas limitações principais, sua fragilidade mecânica e elevada sensibilidade à água. Uma solução para este problema é a mistura do TPS com outros materiais fibrosos e de origem vegetal, mantendo dessa forma sua biodegradabilidade, e oferecendo maior resistência as intempéries. Atualmente existem métodos, técnicas e equipamentos utilizados para se determinar a resistência mecânica, a absorção de água e a cristalinidade de uma amostra de compósitos biodegradáveis, porém há uma carência de métodos utilizados especificamente para a medição da homogeneidade da distribuição das fibras vegetais em TPS, que possa auxiliar dessa forma, a verificação da qualidade da produção da amostra. Como Resultado deste trabalho foi obtido um método que infere a qualidade do processo de fabricação de novos materiais biodegradáveis, produzidas a partir da mistura de fibras vegetais em TPS, tomando por base a homogeneidade e o grau de rugosidade das amostras produzidas.