Made available in DSpace on 2014-06-12T15:51:42Z (GMT). No. of bitstreams: 1 license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2008 / Processamento de Imagem Digital tem por objetivo maior fornecer ferramentas para facilitar a identificação e extração de informações contidas em imagens digitais. Esta característica proporciona um aumento significativo no desenvolvimento tecnológico, devido à sua aplicabilidade em diversas áreas, por exemplo: processamento de cheques bancários, imagens de satélite, reconhecimento facial e outras. No contexto de processamento de cheques bancários, a correta localização e obtenção dos campos de interesse são fatores que influenciam fortemente e positivamente o alto índice de sucesso no reconhecimento. A obtenção dos campos de interesse é realizada na etapa segmentação, sendo esta complexa e crítica, devido a ruídos existentes nas imagens. Este trabalho tem por finalidade a investigação de uma arquitetura para o reconhecimento automatizado dos campos presentes no cabeçalho dos cheques bancários brasileiros. A definição da arquitetura foi baseada no estudo das principais características, técnicas e arquiteturas aplicadas no reconhecimento de imagens digitais de cheques. Para a etapa de segmentação foi utilizada a técnica Análise por Projeção com objetivo de localizar e segmentar os campos presentes no cabeçalho dos cheques bancários. Como resultado foi obtido 97,50 % de acertos na etapa de segmentação dos campos do cabeçalho e uma média de 87,71% de cheques completamente reconhecidos

[pt] Esta dissertação apresenta aplicações de Redes Neurais Artificiais ao processo de diagnóstico por imagem. São apresentados alguns conceitos de Redes Neurais com fundamentos, algoritmos de aprendizado e topologia de redes utilizados. Devido à necessidade de pré-processamento dos dados de entrada, são abordadas questões relativas à análise de imagens médicas do ponto de vista de um especialista. Dentre os aspectos analisados estão a densidade, a forma, o tamanho e a localização destes aspectos característicos da imagem. É dado ligeiro enfoque ao conceito de espaço amostral bem como ao processo de digitalização de imagens adotado. Foi também elaborada uma rotina que tem por objetivo facilitar o manuseio e a preparação das imagens para uso pela ferramenta de redes neurais. Dados sintéticos foram elaborados e experimentos numéricos são apresentados utilizando-se estes dados. Experimentos numéricos são apresentados com dados reais provindos de imagens neurológicas de Tomografia Computadorizada, de imagens da saturação de fluidos em um meio poroso geradas num Tomógrafo Computadorizado adaptado para estas análises de propriedade do CENPES - Petrobrás e também imagens odontológicas de raio-X simples que apresentavam abcessos dentoalveolares crônicos, granulomas e cistos periapicais. Tanto os testes com dados sintéticos como com dados apresentaram resultados satisfatórios e, por fim, algumas considerações são feitas sobre as perspectivas de evolução do método. / [en] This dissertation presents applications of Artificial Neural Networks to the image diagnosis process. Some concepts of Neural Networks are presented with foundations, learning algorithms and topologies used. Due to the need of pre-processing the input data, subjects related to the analysis of medical images from an expert point of view are considered. Among the analyzed aspects are the density, the form, the size and the location of these characteristic aspects of the image. Slight focus is given to the concept of space as well as to the process of digitalizing images adopted here. It was also prepared a routine that has the objective to facilitate handling and preparation of the images for the use with neural networks techniques. Synthetic data was elaborated and numeric experiments are presented using these data. Numeric experiments are presented with real data extracted from neurological images of Computerized Tomography, from images of the saturation of fluids in a porous environment generated in a CT Scanner, adapted for these analyses, property of CENPES - Petrobrás and also adontological images of simple x-rays showing abscesses, cists and granulated tissues. Both the tests with synthetic data and the tests with real data showed satisfactory results and, finally, some considerations are made on the perspectives of evolution of the method.

[pt] A área de reconhecimento de imagens é essencial em Sistemas de Automáticos Industriais para a manipulação de peças sem a interferência humana. São apresentadas, neste trabalho, diversas características para reconhecimento de perfis bidimensionais, e selecionadas aquelas que são variantes com a posição. Esta seleção evita o alto custo computacional devido à variação do posicionamento das peças numa esteira rolante. As características selecionadas das imagens digitais de objetos são os monumentos invariantes. A partir destes momentos usa-se uma árvore binária de decisão para classificar os objetos, permitindo, deste modo, a identificação dos mesmos. / [en] Image recognition is essential in Industrial Automatic Systems for manipulation of parts without human interference. In this work several features for 2D profile recognition are presented and those independent of position are selected. The selection avoid the high computational cost related to the variable position of the objects on a conveyor belt. The selected characteristics from the digital images of the objects are the invariant moments. On the basis of the extracted features, a binary decision tree is used to classify the objects, allowing the identification of the profiles.

[pt] Esta dissertação propõe um exemplo prático de desenvolvimento e integração de um sistema robotizado que dispensa um operador com conhecimentos mais profundos em robótica. A interface com o usuário é amigável, tanto quanto possível. O objetivo ao final do trabalho é ter um sistema que seja capaz de manipular peças mecânicas com um simples comando dado, pela voz do operador do sistema. Para tanto, realiza-se uma integração de diversos sistemas independentes que, colocados para trabalhar em conjunto, irão proporcionar um certo grau de Inteligência ao sistema como um todo. O trabalho utiliza: um sistema de reconhecimento de voz, para permitir que a voz do operador interaja com o controle central; um sistema de reconhecimento de imagens, para possibilitar a identificação de objetos; e um robô, para manipular pequenas peças. / [en] This dissertation discusses a practical example development and integration of a robotics system that does not require an expert operator. The interface is as much as possible user friendly. For that purpose, it will be shown how the integration of diverse independent systems, working together, make possible to the whole system to acquire some degree of intelligence. Techniques of voice recognition were used to give the system the ability of recognize voice commands. The system was completed using a computer vision system and a servo robot.

[pt] Esta dissertação investiga a aplicação de Redes Neurais Artificiais no reconhecimento de imagens bi-dimensionais. O trabalho de tese foi dividido em quatro partes principais: um estudo sobre a importância da Visão Computacional e sobre os benefícios da aplicação das técnicas da Inteligência Computacional na área; um estudo da estrutura dos sistemas de reconhecimento de imagens encontrados na literatura; o desenvolvimento de dois sistemas de reconhecimento de imagens baseados em redes neurais; e o estudo de caso e a análise de desempenho dos sistemas desenvolvidos. A Visão Computacional tem se beneficiado das principais técnicas de Inteligência Computacional (redes neurais, algoritmos genéticos e lógica nebulosa) na implementação de sistemas de reconhecimento de imagens. Neste trabalho estudou-se a aplicação de diversos tipos de redes neurais na classificação de imagens Back-Propagation, Competitivas, RBF e Hierárquicas. Além disso, foi realizado um estudo das áreas de aplicação da Visão Computacional. A estrutura básica utilizada por diversos sistemas de Visão Computacional encontrada na literatura foi analisada. Esta estrutura é tipicamente composta por três módulos principais: um pré-processador, um extrator de características e um classificador. Dois sistemas de reconhecimento de imagens, denominados de XVision e SimpleNet, foram desenvolvidos neste trabalho. O sistema XVision segue a estrutura descrita acima, enquanto que o sistema SimpleNet utiliza a informação da imagem bruta para realizar a classificação. O módulo de pré-processamento do sistema XVision executa uma série de transformações na imagem, extraindo suas características intrínsecas para que seja obtida uma representação da imagem invariante a aspectos como rotação, translação e escalonamento. Este Pré- Processador é baseado em um trabalho previamente realizado no campo de Processamento de Sinais. A etapa de extração de características visa detectar as informações mais relevantes contidas na representação da imagem intrínseca obtida na etapa anterior. Foram investigados extratores baseados em técnicas estatísticas (utilizando o discriminante de Fisher) e em técnicas inteligentes (utilizando algoritmos genéticos). Para o módulo de classificação das imagens foram utilizados diversos tipos de redes neurais artificiais: Back-Propagation, Competitivas, RBFs e Hierárquicas. No sistema SimpleNet, o pré-processamento limita-se à redução das dimensões da imagem a ser classificada. Como os próprios pixels da imagem são utilizados para a classificação, não foi implementado um módulo de extração de características. Na etapa de classificação foram empregadas redes neurais Back- Propagation e Competitivas. O sistema XVision apresentou resultados promissores para dois conjuntos distintos de objetos bi-dimensionais: o primeiro composto por peças mecânicas e o segundo por objetos triviais. As amostras utilizadas nos testes apresentavam características diferentes daquelas com as quais as redes neurais foram treinadas - não apenas com rotações, translações e escalonamentos, mas com diferenças estruturais. O classificador conseguiu taxas de acerto superiores a 83% em ambos os conjuntos de objetos. O sistema SimpleNet também mostrou-se eficiente na diferenciação de imagens semelhantes (cartões telefônicos e radiografias de pulmões), obtendo taxas de acerto superiores a 80%. O desenvolvimento destes sistemas demonstrou a viabilidade da aplicação de redes neurais na classificação de objetos bi- dimensionais. Devido ao grande interesse na utilização de sistemas de Visão em aplicações de tempo real, mediu-se o tempo gasto nos processos de reconhecimento. Desta forma foram detectados os garagalos dos sistemas, facilitando assim sua otimização. / [en] This work investigates the use of Artificial Neural Networks in the recognition of bi-dimensional images. The work was divided in four main parts: a survey on the importance of Computational Vision and on the benefits of the application of intelligent techniques in the fiels; a survey on the structure of image recognition systems found in the literature; the development of two image recognition systems based on neural networks; and an analysis of the performance of the developed systems. Computational Vision has benefited from the main Computational Intelligence techniques (neural networks, genetic algoritms and fuzzy logic) to implement image recognition systems. In this work, the usage of different Kinds of neural networks in image classification was studied: Back-Propagation, Competitive, RBF and Hierarchical. Besiades that, a survey on the fields of application of Computational Vision was made. The basic structure is typically composed of three modules: a pre-processor, a characteristics extractor and a classifier. In this work, two image recognition systems, called Xvision and SimpleNet, were developed. The XVision system follows the structure described above, while the SimpleNet system performs the classification using the information present in the raw picture. The pre-processing module of the Xvision system executes a series of transforms over the image, extracting its essential characteristics so that an invariant representation of the image can be obtained. This pre- processor is based on a previous work in the fiels of Signal Processing. The characteristcs extractor aims to detect the most relevant information present in the image representation obtained after the previous step. Two kinds of extractors were investigated: one based on statistical tecniques (applyng the Fisher`s discriminant) and another based on intelligent techniques (applyng genetic algorithms). The classification module was implementede through several Kinds of neural networks: Back-Propagation, Competitive, RBF and Hierarchical. The pre-processing of the SimpleNet system simply reduces the image`s dimensions. Since the image`s pixels are used for the classification process, no characteristics extractor module was implemented. In the classification module, Back-Propagation and Competitive neural networks were employed. The Xvision system yielded promising results for two sets of objects: the first one composed of mechanical parts and the second one composed of trivial objects. The samples used during the tests presented different characteristics from those samples used during the training process - not only rotated, translated and scaled, but also with structural differences. The classifier obtained a hit ratio above 83% with both sets. The SimpleNet system also showed a good performance in the differentiation of similar objects (telephone cards and X-rays of lungs), achieving hit ratios of more than 80%. The development of both systems demonstrated the viability of the use of neural networks in the classification of bi- dimensional objects. Due to the interest of applying Vision systems in real-time, the time spent in the recognition process was measured. This allowed the detection of the systems` bottlenecks, making their optimization easier.

Submitted by Marlucy Farias Medeiros (marlucy.farias@unipampa.edu.br) on 2017-10-31T17:44:17Z No. of bitstreams: 1 Carlos_Alexandre Silva_dos Santos - 2017.pdf: 27850839 bytes, checksum: c4399fa8396d3b558becbfa67b7dd777 (MD5) / Approved for entry into archive by Marlucy Farias Medeiros (marlucy.farias@unipampa.edu.br) on 2017-10-31T18:24:21Z (GMT) No. of bitstreams: 1 Carlos_Alexandre Silva_dos Santos - 2017.pdf: 27850839 bytes, checksum: c4399fa8396d3b558becbfa67b7dd777 (MD5) / Made available in DSpace on 2017-10-31T18:24:21Z (GMT). No. of bitstreams: 1 Carlos_Alexandre Silva_dos Santos - 2017.pdf: 27850839 bytes, checksum: c4399fa8396d3b558becbfa67b7dd777 (MD5) Previous issue date: 2017-09-26 / O reconhecimento automático de imagens de marca de gado é uma necessidade para os órgãos governamentais responsáveis por esta atividade. Para auxiliar neste processo, este trabalho propõe uma arquitetura que seja capaz de realizar o reconhecimento automático dessas marcas. Nesse sentido, uma arquitetura foi implementada e experimentos foram realizados com dois métodos: Bag-of-Features e Redes Neurais Convolucionais (CNN). No método Bag-of-Features foi utilizado o algoritmo SURF para extração de pontos de interesse das imagens e para criação do agrupa mento de palavras visuais foi utilizado o clustering K-means. O método Bag-of-Features apresentou acurácia geral de 86,02% e tempo de processamento de 56,705 segundos para um conjunto de 12 marcas e 540 imagens. No método CNN foi criada uma rede completa com 5 camadas convolucionais e 3 camadas totalmente conectadas. A 1 ª camada convolucional teve como entrada imagens transformadas para o formato de cores RGB. Para ativação da CNN foi utilizada a função ReLU, e a técnica de maxpooling para redução. O método CNN apresentou acurácia geral de 93,28% e tempo de processamento de 12,716 segundos para um conjunto de 12 marcas e 540 imagens. O método CNN consiste de seis etapas: a) selecionar o banco de imagens; b) selecionar o modelo de CNN pré-treinado; c) pré-processar as imagens e aplicar a CNN; d) extrair as características das imagens; e) treinar e classificar as imagens utilizando SVM; f) avaliar os resultados da classificação. Os experimentos foram realizados utilizando o conjunto de imagens de marcas de gado de uma prefeitura municipal. Para avaliação do desempenho da arquitetura proposta foram utilizadas as métricas de acurácia geral, recall, precisão, coeficiente Kappa e tempo de processamento. Os resultados obtidos foram satisfatórios, nos quais o método CNN apresentou os melhores resultados em comparação ao método Bag-of-Features, sendo 7,26% mais preciso e 43,989 segundos mais rápido. Também foram realizados experimentos com o método CNN em conjuntos de marcas com número maior de amostras, o qual obteve taxas de acurácia geral de 94,90% para 12 marcas e 840 imagens, e 80,57% para 500 marcas e 22.500 imagens, respectivamente. / The automatic recognition of cattle branding is a necessity for government agencies responsible for this activity. In order to improve this process, this work proposes an architecture which is able of performing the automatic recognition of these brandings. The proposed software implements two methods, namely: Bag-of-Features and CNN. For the Bag-of-Features method, the SURF algorithm was used in order to extract points of interest from the images. We also used K-means clustering to create the visual word cluster. The Bag-of-Features method presented a overall accuracy of 86.02% and a processing time of 56.705 seconds in a set containing 12 brandings and 540 images. For the CNN method, we created a complete network with five convolutional layers, and three layers fully connected. For the 1st convolutional layer we converted the input images into the RGB color for mat. In order to activate the CNN, we performed an application of the ReLU, and used the maxpooling technique for the reduction. The CNN method presented 93.28% of overall accuracy and a processing time of 12.716 seconds for a set containing 12 brandings and 540 images. The CNN method includes six steps: a) selecting the image database; b) selecting the pre-trained CNN model; c) pre-processing the images and applying the CNN; d) extracting the features from the images; e) training and classifying the images using SVM; f) assessing the classification results. The experiments were performed using the cattle branding image set of a City Hall. Metrics of overall accuracy, recall, precision, Kappa coefficient, and processing time were used in order to assess the performance of the proposed architecture. Results were satisfactory. The CNN method showed the best results when compared to Bag-of-Features method, considering that it was 7.26% more accurate and 43.989 seconds faster. Also, some experiments were conducted with the CNN method for sets of brandings with a greater number of samples. These larger sets presented a overall accuracy rate of 94.90% for 12 brandings and 840 images, and 80.57% for 500 brandings and 22,500 images, respectively.

[pt] Jogos pervasivos móveis são um tipo novo de jogo que mistura aparelhos móveis (como telefones celulares), mundos virtuais e atividades que acontecem no mundo real. Nessa àrea recente, a literatura sobre projeto conceitual e requisitos de qualidade sobre pervasividade são escassas. A pervasividade é a qualidade (difícil de ser definida objetivamente) que difere os jogos pervasivos móveis dos jogos digitais tradicionais. Neste trabalho, nós discutimos o desenvolvimento de um jogo pervasivo móvel usando requisitos de qualidade relacionados à pervasividade. Nós consideramos esses requisitos durante todo o processo de desenvolvimento (i.e., as etapas de projeto, produção e pós-produção), focando na análise, implementação e gameplay. Nós esperamos que os nossos resultados possam ajudar a melhorar guias de desenvolvimento relacionadas a jogos pervasivos móveis. / [en] Pervasive games is an emerging game genre that mixes up mobile devices (such as smartphones), virtual worlds, and gameplay based on the real world, creating a mixed-reality game. This recent area lacks literature about conceptual design and quality requirements related to pervasiveness – the ultimate and elusive quality that differentiate pervasive mobile games from traditional digital games. In the present work, we discuss the development of a pervasive mobile game using quality requirements related to pervasiveness. Also, we consider those requirements in the entire game project (e.g., design, production, and post-production stages), focusing on the analysis, implementation, and gameplay. We expect that our results could help in improving the current state of design guidelines to develop pervasive mobile games.

Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-10-01T15:06:04Z No. of bitstreams: 1 MATHEUS BEZERRA ESTRELA RODRIGUES - DISSERTAÇÃO PPGCC 2012..pdf: 7068761 bytes, checksum: 4b1283a1da5ca466fcf0357c33091a30 (MD5) / Made available in DSpace on 2018-10-01T15:06:04Z (GMT). No. of bitstreams: 1 MATHEUS BEZERRA ESTRELA RODRIGUES - DISSERTAÇÃO PPGCC 2012..pdf: 7068761 bytes, checksum: 4b1283a1da5ca466fcf0357c33091a30 (MD5) Previous issue date: 2012-02-29 / Impulsionado pelo crescimento no uso de vigilância eletrônica, essa pesquisa introduz o uso de uma técnica que demonstra eficiência no reconhecimento de faces em imagens, alterando o objeto de busca para pneus de veículos, visando o reconhecimento da presença do veículo na cena. A técnica aplicada para o reconhecimento é o algoritmo Viola-Jones. Essa técnica é dividida em dois momentos: o treinamento e a detecção. Na primeira etapa, vários treinamentos são executados, usando aproximadamente 7000 imagens diferentes. Para a etapa final, um detector de faces foi adaptado para reconhecer pneus, utilizando o treinamento da etapa anterior, e sua eficiência em reconhecer os pneus foi comparável à eficiência do detector de faces que usa treinamento de referência da biblioteca em software que é referência nesta área, OpenCV. O detector desenvolvido apresentou taxa de reconhecimento de 77%, quando o reconhecimento de faces obteve 80%. A taxa de falsos negativos também foi próxima, apresentando o detector de pneus 2% e o de faces 1%. / Motivated by the growing use of electronic surveillance, this research introduces the use of the Viola-Jones algorithm, which is known to be efficient in recognition of human faces in images, changing the object to be recognized to vehicle tires, aiming to detect vehicles in a scene. This approach divides the process in two steps: training and detection. Training was done using around 7000 different images of vehicles. For the detection step, work was done to adapt a face detector to detect vehicles tires. The tire detector was compared to a face detector that used a reference training for faces from OpenCV library. The tire detector showed 77% efficiency, whereas the face detector showed 80%. False negative numbers also showed similar closeness, as 2% for the tire detector and 1% for the reference face detector.