No description available.

No description available.

Robotic bin picking is the problem of emptying a bin of randomly distributedobjects through a robotic interface. This thesis examines an SVM approach to ex-tract grasping points for a vacuum-type gripper. The SVM is trained on syntheticdata and used to classify the points of a non-synthetic 3D-scanned point cloud aseither graspable or non-graspable. The classified points are then clustered intograspable regions from which the grasping points are extracted. The SVM models and the algorithm as a whole are trained and evaluated againstcubic and cylindrical objects. Separate SVM models are trained for each type ofobject in addition to one model being trained on a dataset containing both typesof objects. It is shown that the performance of the SVM in terms accuracy isdependent on the objects and their geometrical properties. Further, it is shownthat the algorithm is reasonably robust in terms of successfully picking objects,regardless of the scale of the objects.

No description available.

A possibilidade de armazenamento de imagens no formato digital favoreceu a evolução de diversos ramos de atividades, especialmente as áreas de pesquisa e clínica médica. Ao mesmo tempo, o volume crescente de imagens armazenadas deu origem a um problema de relevância e complexidade consideráveis: a Recuperação de Imagens Baseada em Conteúdo, que, em outras palavras, diz respeito à capacidade de um sistema de armazenamento processar operações de consulta de imagens a partir de características visuais, extraídas automaticamente por meio de métodos computacionais. Das principais questões que constituem este problema, amplamente conhecido pelo termo CBIR - Content-Based Image Retrieval, fazem parte as seguintes: Como interpretar ou representar matematicamente o conteúdo de uma imagem? Quais medidas que podem caracterizar adequadamente este conteúdo? Como recuperar imagens de um grande repositório utilizando o conteúdo extraído? Como estabelecer um critério matemático de similaridade entre estas imagens? O trabalho desenvolvido e apresentado nesta tese busca, exatamente, responder perguntas deste tipo, especialmente para os domínios de imagens médicas e da biologia genética, onde a demanda por sistemas computacionais que incorporam técnicas CBIR é consideravelmente alta por diversos motivos. Motivos que vão desde a necessidade de se buscar informação visual que estava até então inacessível pela falta de anotações textuais, até o interesse em poder contar com auxílio computacional confiável para a importante tarefa de diagnóstico clínico. Neste trabalho são propostos métodos e soluções inovadoras para o problema de segmentação e extração de características de imagens médicas e imagens de padrões espaciais de expressão genética. A segmentação é o processo de delimitação automático de regiões de interesse da imagem que possibilita uma caracterização bem mais coerente do conteúdo visual, comparado com as tradicionais técnicas de caracterização global e direta da imagem. Partindo desta idéia, as técnicas de extração de características desenvolvidas neste trabalho empregam métodos adaptativos de segmentação de imagens e alcançam resultados excelentes na tarefa de recuperação baseada em conteúdo / Storing images in digital format has supported the evolution of several branches of activities, specially the research area and medical clinic. At the same time, the increasing volume of stored images has originated a topic of considerable relevance and complexity: the Content- Based Imagem Retrieval, which, in other works, is related to the ability of a computational system in processing image queries based on visual features automatically extracted by computational methods. Among the main questions that constitute this issue, widely known as CBIR, are these: How to mathematically express image content? What measures can suitably characterize this content? How to retrieve images from a large dataset employing the extracted content? How to establish a mathematical criterion of similarity among the imagens? The work developed and presented in this thesis aims at answering questions like those, especially for the medical images domain and genetical biology, where the demand for computational systems that embody CBIR techniques is considerably high for several reasons. Reasons that range from the need for retrieving visual information that was until then inaccessible due to the lack of textual annotations, until the interest in having liable computational support for the important task of clinical diagnosis. In this work are proposed innovative methods and solutions for the problem of image segmentation and feature extraction of medical images and images of gene expression patterns. Segmentation is the process that enables a more coherent representation of image?s visual content than that provided by traditional methods of global and direct representation. Grounded in such idea, the feature extraction techniques developed in this work employ adaptive image segmentation methods, and achieve excellent results on the task of Content-Based Image Retrieval

A possibilidade de armazenamento de imagens no formato digital favoreceu a evolução de diversos ramos de atividades, especialmente as áreas de pesquisa e clínica médica. Ao mesmo tempo, o volume crescente de imagens armazenadas deu origem a um problema de relevância e complexidade consideráveis: a Recuperação de Imagens Baseada em Conteúdo, que, em outras palavras, diz respeito à capacidade de um sistema de armazenamento processar operações de consulta de imagens a partir de características visuais, extraídas automaticamente por meio de métodos computacionais. Das principais questões que constituem este problema, amplamente conhecido pelo termo CBIR - Content-Based Image Retrieval, fazem parte as seguintes: Como interpretar ou representar matematicamente o conteúdo de uma imagem? Quais medidas que podem caracterizar adequadamente este conteúdo? Como recuperar imagens de um grande repositório utilizando o conteúdo extraído? Como estabelecer um critério matemático de similaridade entre estas imagens? O trabalho desenvolvido e apresentado nesta tese busca, exatamente, responder perguntas deste tipo, especialmente para os domínios de imagens médicas e da biologia genética, onde a demanda por sistemas computacionais que incorporam técnicas CBIR é consideravelmente alta por diversos motivos. Motivos que vão desde a necessidade de se buscar informação visual que estava até então inacessível pela falta de anotações textuais, até o interesse em poder contar com auxílio computacional confiável para a importante tarefa de diagnóstico clínico. Neste trabalho são propostos métodos e soluções inovadoras para o problema de segmentação e extração de características de imagens médicas e imagens de padrões espaciais de expressão genética. A segmentação é o processo de delimitação automático de regiões de interesse da imagem que possibilita uma caracterização bem mais coerente do conteúdo visual, comparado com as tradicionais técnicas de caracterização global e direta da imagem. Partindo desta idéia, as técnicas de extração de características desenvolvidas neste trabalho empregam métodos adaptativos de segmentação de imagens e alcançam resultados excelentes na tarefa de recuperação baseada em conteúdo / Storing images in digital format has supported the evolution of several branches of activities, specially the research area and medical clinic. At the same time, the increasing volume of stored images has originated a topic of considerable relevance and complexity: the Content- Based Imagem Retrieval, which, in other works, is related to the ability of a computational system in processing image queries based on visual features automatically extracted by computational methods. Among the main questions that constitute this issue, widely known as CBIR, are these: How to mathematically express image content? What measures can suitably characterize this content? How to retrieve images from a large dataset employing the extracted content? How to establish a mathematical criterion of similarity among the imagens? The work developed and presented in this thesis aims at answering questions like those, especially for the medical images domain and genetical biology, where the demand for computational systems that embody CBIR techniques is considerably high for several reasons. Reasons that range from the need for retrieving visual information that was until then inaccessible due to the lack of textual annotations, until the interest in having liable computational support for the important task of clinical diagnosis. In this work are proposed innovative methods and solutions for the problem of image segmentation and feature extraction of medical images and images of gene expression patterns. Segmentation is the process that enables a more coherent representation of image?s visual content than that provided by traditional methods of global and direct representation. Grounded in such idea, the feature extraction techniques developed in this work employ adaptive image segmentation methods, and achieve excellent results on the task of Content-Based Image Retrieval

Offloading SLAM to the edge/cloud is now becoming an attractive option to greatly decrease device energy usage. The new SLAM solution involves compressing image data on the device before transmission, allowing a further decrease in the network bandwidth when performing SLAM at the edge/cloud. However, lossy compression affects the quality of images, making image features harder to detect and track during visual SLAM operation, impacting localization accuracy. Current visual SLAM implementations assume that images are non-compressed since SLAM is traditionally executed onboard the device to which a camera is directly connected. This thesis work explores the impact of image compression on the localization accuracy of ORBSLAM3, a representative visual SLAM system, and in what way the ORBSLAM3’s modules for feature detection and matching are affected. Methods are proposed that adapt the image bitrates based on the number of features detected and enhance the image brightness for low-light conditions, plus optimizing the internal parameters in SLAM, to improve the robustness of the overall system to image compression. The experiment results show the detailed influence of the impact brought by compression on ORB-SLAM3 and prove the effectiveness of our methods. Also, integrating these methods yields synergistic improvements. While this thesis work primarily addresses the SLAM system’s front-end, future work can target back-end modifications. / Att avlasta SLAM till kanten/molnet blir nu ett attraktivt alternativ för att markant minska enheters energiförbrukning. Den nya SLAM-lösningen innebär att bilddata komprimeras på enheten innan den överförs, vilket möjliggör ytterligare minskning av nätverksbandbredden vid genomförandet av SLAM vid kanten/molnet. Men förlustkomprimering påverkar bildernas kvalitet och gör det svårare att upptäcka och följa bildfunktioner under visuell SLAM-drift, vilket påverkar lokaliseringsnoggrannheten. Nuvarande implementationer av visuell SLAM förutsätter att bilderna inte är komprimerade eftersom SLAM traditionellt utförs ombord på den enhet till vilken en kamera är direkt ansluten. Denna avhandling utforskar effekten av bildkomprimering på lokaliseringsnoggrannheten hos ORB-SLAM3, en representativ visuell SLAM-system, och på vilket sätt ORB-SLAM3: s moduler för funktionssökning och matchning påverkas. Metoder föreslås som anpassar bildbitarna baserat på antalet detekterade funktioner och förbättrar bildens ljusstyrka för svagt ljusförhållanden, samt optimerar de interna parametrarna i SLAM för att öka hela systemets robusthet mot bildkomprimering. Experimentresultaten visar den detaljerade påverkan som kompression har på ORB-SLAM3 och bevisar effektiviteten hos våra metoder. Dessutom ger integration av dessa metoder synergi och förbättringar. Även om denna avhandling primärt fokuserar på SLAM-systemets framsida, kan framtida arbete rikta sig mot bakkantsmodifieringar.

Nos últimos anos o mundo tem vivenciado uma avalanche de novas tecnologias para auxílio ao diagnóstico médico. Esses esforços buscam um diagnóstico rápido e preciso através de exames e informações sobre a condição física do paciente. Através do uso de imagens médicas, a radiologia busca a visualização de órgãos ou estruturas internas do corpo humano para encontrar respostas às suspeitas de problemas físicos expressos por sinais e sintomas relatados pelo paciente. Nessa área, os Sistemas de Comunicação e Armazenamento de Imagens (PACS) têm ajudado no armazenamento e organização do crescente número de imagens geradas pelos exames realizados nos hospitais. Trabalhos de pesquisa médica têm evidenciado o potencial de uso dessas imagens como auxílio à prática da Medicina Baseada em Casos Similares (MBCS). Por esse motivo, há na literatura um esforço contínuo em desenvolver técnicas computacionais para recuperação de imagens baseada em conteúdos similares (CBIR) em grandes conjuntos de dados. As consultas por similaridade são essenciais para apoiar a prática da MBCS e a descoberta de comportamentos de lesões causadas por diversas doenças. A evolução e intensificação das pesquisas em CBIR têm encontrado vários desafios. Um desses é a divergência entre os resultados obtidos automaticamente e aqueles esperados pelos radiologistas (descontinuidade semântica). Outro desafio é a falta de estudos sobre a viabilidade clínica dessas ferramentas como forma de auxílio ao diagnóstico. Esses obstáculos são dois dos principais responsáveis pela não efetivação dessa tecnologia no ambiente médico-hospitalar. Mediante o exposto acima, este trabalho de pesquisa propõe um mecanismo para contornar essa descontinuidade semântica e ao mesmo tempo aproximar o CBIR do ambiente real de aplicação. A contribuição principal deste trabalho foi o desenvolvimento de uma metodologia baseada em parâmetros perceptuais que aproximam o sistema ao nível de percepção do usuário médico. Em seguida, foi realizado um estudo sobre a viabilidade clínica do sistema CBIR no Hospital das Clínicas de Ribeirão Preto. A metodologia proposta foi aplicada e os resultados comprovaram a aplicabilidade de Sistemas CBIR como ferramenta de auxílio ao diagnóstico em um ambiente clínico real / In recent years the world has experienced an avalanche of new technologies to aid medical diagnosis. These efforts seek a quick and accurate diagnosis through exams and information about the patient\'s physical condition. The radiology studies the visualization of the organs or structures through the use of images. In this area, the Picture Archiving and Communication Systems (PACS) have helped in the storage and organization of the growing number of images generated by exams performed in hospitals. Medical research papers have shown the potential use of these images as an aid to the Similar Case-Based Reasoning (SCBR) practice in Medicine. For this reason, there is an ongoing effort in the literature to develop computational techniques for Content-Based Image Retrieval (CBIR) in large data sets. Similarity queries are essential to support the practice of SCBR. The evolution and intensification of research in CBIR have encountered several challenges. One of these is the discrepancy between the results obtained automatically and those expected by radiologists (semantic gap). Another challenge is the lack of studies on the clinical viability of these tools as a way to assist in diagnosis. These obstacles are the two main responsible for reservation in using this technology in the medical hospital environment. Considering this scenario, this research proposes a mechanism to overcome this semantic gap and bring the real environment to the CBIR application. The main contribution for this research was the development of a methodology based on Perceptual Parameters to approximate the system to the level of user perception. Then we conducted a study on the clinical viability of a CBIR system at the Clinical Hospital of the University of São Paulo at Ribeirão Preto. The proposed methodology was applied and the results showed the applicability of CBIR systems as a computer aided diagnosis tool in a real clinical environment

Nos últimos anos o mundo tem vivenciado uma avalanche de novas tecnologias para auxílio ao diagnóstico médico. Esses esforços buscam um diagnóstico rápido e preciso através de exames e informações sobre a condição física do paciente. Através do uso de imagens médicas, a radiologia busca a visualização de órgãos ou estruturas internas do corpo humano para encontrar respostas às suspeitas de problemas físicos expressos por sinais e sintomas relatados pelo paciente. Nessa área, os Sistemas de Comunicação e Armazenamento de Imagens (PACS) têm ajudado no armazenamento e organização do crescente número de imagens geradas pelos exames realizados nos hospitais. Trabalhos de pesquisa médica têm evidenciado o potencial de uso dessas imagens como auxílio à prática da Medicina Baseada em Casos Similares (MBCS). Por esse motivo, há na literatura um esforço contínuo em desenvolver técnicas computacionais para recuperação de imagens baseada em conteúdos similares (CBIR) em grandes conjuntos de dados. As consultas por similaridade são essenciais para apoiar a prática da MBCS e a descoberta de comportamentos de lesões causadas por diversas doenças. A evolução e intensificação das pesquisas em CBIR têm encontrado vários desafios. Um desses é a divergência entre os resultados obtidos automaticamente e aqueles esperados pelos radiologistas (descontinuidade semântica). Outro desafio é a falta de estudos sobre a viabilidade clínica dessas ferramentas como forma de auxílio ao diagnóstico. Esses obstáculos são dois dos principais responsáveis pela não efetivação dessa tecnologia no ambiente médico-hospitalar. Mediante o exposto acima, este trabalho de pesquisa propõe um mecanismo para contornar essa descontinuidade semântica e ao mesmo tempo aproximar o CBIR do ambiente real de aplicação. A contribuição principal deste trabalho foi o desenvolvimento de uma metodologia baseada em parâmetros perceptuais que aproximam o sistema ao nível de percepção do usuário médico. Em seguida, foi realizado um estudo sobre a viabilidade clínica do sistema CBIR no Hospital das Clínicas de Ribeirão Preto. A metodologia proposta foi aplicada e os resultados comprovaram a aplicabilidade de Sistemas CBIR como ferramenta de auxílio ao diagnóstico em um ambiente clínico real / In recent years the world has experienced an avalanche of new technologies to aid medical diagnosis. These efforts seek a quick and accurate diagnosis through exams and information about the patient\'s physical condition. The radiology studies the visualization of the organs or structures through the use of images. In this area, the Picture Archiving and Communication Systems (PACS) have helped in the storage and organization of the growing number of images generated by exams performed in hospitals. Medical research papers have shown the potential use of these images as an aid to the Similar Case-Based Reasoning (SCBR) practice in Medicine. For this reason, there is an ongoing effort in the literature to develop computational techniques for Content-Based Image Retrieval (CBIR) in large data sets. Similarity queries are essential to support the practice of SCBR. The evolution and intensification of research in CBIR have encountered several challenges. One of these is the discrepancy between the results obtained automatically and those expected by radiologists (semantic gap). Another challenge is the lack of studies on the clinical viability of these tools as a way to assist in diagnosis. These obstacles are the two main responsible for reservation in using this technology in the medical hospital environment. Considering this scenario, this research proposes a mechanism to overcome this semantic gap and bring the real environment to the CBIR application. The main contribution for this research was the development of a methodology based on Perceptual Parameters to approximate the system to the level of user perception. Then we conducted a study on the clinical viability of a CBIR system at the Clinical Hospital of the University of São Paulo at Ribeirão Preto. The proposed methodology was applied and the results showed the applicability of CBIR systems as a computer aided diagnosis tool in a real clinical environment

Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-02-23T14:02:54Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese-completa-Sidney_Lima_v21.pdf: 4757211 bytes, checksum: 205170db8b002cc2ab72255ab77628a3 (MD5) / Made available in DSpace on 2017-02-23T14:02:54Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) tese-completa-Sidney_Lima_v21.pdf: 4757211 bytes, checksum: 205170db8b002cc2ab72255ab77628a3 (MD5) Previous issue date: 2016-02-25 / REUNI / O câncer de mama é a principal causa de morte de mulheres adultas por câncer no mundo. Do ponto de vista clínico, a mamografia é ainda a mais efetiva tecnologia de diagnóstico do câncer de mama, dada a grande difusão de uso e interpretações dessas imagens. De acordo com o estado da arte da classificação de lesões em mamogramas, as wavelets têm apresentado os melhores resultados do ponto de vista da taxa de classificação, quando utilizadas como etapa de préprocessamento que decompõe a imagem original em imagens de detalhes (verticais, horizontais e diagonais) e aproximações para, a partir dessas imagens componentes, serem extraídos atributos de textura. Neste trabalho, propõe-se a Decomposição baseada em Aproximações Morfológicas em regiões de interesse em mamogramas. O método proposto tem por base a decomposição inspirada em wavelets que emprega filtros não lineares passa-baixas e passa-altas, baseados em aberturas e fechamentos, que por sua vez são construídos a partir dos operadores morfológicos clássicos de erosão e dilatação. Neste trabalho, são propostas aproximações aritméticas para esses dois operadores morfológicos clássicos, substituindo os desvios condicionais, presentes na Morfologia Matemática, por operações aritméticas de somas, subtrações e multiplicações, computacionalmente mais rápidas. O trabalho proposto compara o tempo estimado de execução entre as aproximações aritméticas propostas e as operações morfológicas clássicas utilizando a notação Big-Oh e também faz uso de estimativas baseadas em arquitetura de hardware pipeline. Em todas as estimativas e cenários reais, as aproximações morfológicas propostas são mais rápidas do que a morfologia clássica. Além disso, por não empregar unidade de hardware em ambiente pipeline para tratamento de desvios condicionais, as aproximações morfológicas propostas se tornam uma solução mais barata, ocupa menos espaço, mais propícia à miniaturização, consome menos energia e reduz o número de codificações da UC (Unidade de Controle). Logo, as Aproximações Morfológicas criadas são superiores à morfologia clássica nos principais requisitos para o bom funcionamento do hardware. Quanto à classificação, a Decomposição baseada em Aproximações Morfológicas alcança um desempenho médio de 84,65% na distinção entre casos normais, benignos e malignos. Os classificadores empregados são redes neurais ELM e SVM, cujas classes são definidas de acordo com os critérios da American College of Radiology. Foram usadas 355 imagens de mama adiposa da base de dados IRMA, com 233 casos normais, 66 benignos e 56 malignos. Como método de tratamento da base de dados, foram estudados pesos ponderando a fronteira de decisão das redes neurais. / According to the World Health Organization, breast cancer is the main cause of death of women round the world. From the clinical point of view, mammography is still the most effective diagnostic technology, given the wide diffusion of the use and interpretation of these images. According the state-of-the-art lesions classification on mammograms, wavelets have produced the best results from the viewpoint of precision, when used as a preprocessing step that decomposes the original image into approximation and detail images (vertical, horizontal and diagonal) in order to, from these components images, extract shape or texture attributes. This work proposes the decomposition Morphological-based in regions of interest on mammograms. The proposed method is inspired on wavelets decomposition employing nonlinear low-pass and high-pass filters, based on openings and closings, which are constructed from classical morphological operators of erosion and dilation. In this work, we propose approaches of classical morphology, replacing the conditional branches, present in Mathematical Morphology, by arithmetic operations of addition, subtraction and multiplication, computationally faster. The proposed work compares the estimated run time of proposed arithmetic approximations and classical morphological operations using Big-Oh notation and also the thesis uses notation based on pipeline hardware architecture. In all real scenarios, our morphological operations are faster than classical morphology. Also, by not employing hardware unit in pipeline environment for treating conditional branches, the proposed morphology approximation becomes a cheaper solution, occupies less space, more propitious to miniaturization, consumes less power, and reduces the Control Unit coding number. Then, our approaches of classical morphology are superior to classical morphology in key requirements of hardware solution. Regarding the classification, the proposed decomposition reaches an average performance of 84.65% in distinguishing normal, benign, and malignant cases. Classifiers are neural networks ELM and SVM, classes are defined according American College of Radiology criteria. They are employed 355 adipose breast images with 233 normal cases, 66 benign and 56 malignant. As database processing method, weights were studied considering the decision boundary of neural networks.