A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Center of Excellence ITSAPT and Textile Faculty TU, Liberec, CZ CITEVE, V.N.Famalicão, Portugal University of Minho, Portugal Belino, N.J.R; Nunes, M.F.;

Apresentações semelhantes


Apresentação em tema: "Center of Excellence ITSAPT and Textile Faculty TU, Liberec, CZ CITEVE, V.N.Famalicão, Portugal University of Minho, Portugal Belino, N.J.R; Nunes, M.F.;"— Transcrição da apresentação:

1 Center of Excellence ITSAPT and Textile Faculty TU, Liberec, CZ CITEVE, V.N.Famalicão, Portugal University of Minho, Portugal Belino, N.J.R; Nunes, M.F.; Geraldes, M.J.; University of Beira Interior, Covilhã, Portugal University of Beira Interior, Covilhã, Portugal And Silva, M.E.C. University of Minho, Guimarães, Portugal INTERNATIONAL WORKSHOPS Caracterização de Mantos Agulhados por Recuperação de Conteúdo de Imagem Caracterização de Mantos Agulhados por Recuperação de Conteúdo de Imagem November 15 th – 16 th - Portugal November 15 th – 16 th - Portugal

2 UNIVERSIDADE DA BEIRA INTERIOR - COVILHÃ - PORTUGAL O PAÍS A CIDADE A UNIVERSIDADE

3 OBJECTIVO Este trabalho constitui um estudo laboratorial preliminar para a estruturação de um processo de controlo de qualidade baseado num método de classificação e comparação de imagens digitais de mantos pré agulhados (características texturais de imagem) submetidos a uma operação de estiragem Este trabalho constitui um estudo laboratorial preliminar para a estruturação de um processo de controlo de qualidade baseado num método de classificação e comparação de imagens digitais de mantos pré agulhados (características texturais de imagem) submetidos a uma operação de estiragem. Este trabalho, vem contribuir para o desenvolvimento de uma ferramenta gráfica computacional que está a ser desenvolvida no DCTT, visando a supervisão do processo de produção de feltros não tecidos agulhados com propriedades quasi istrópicas, através do recurso à análise de textura.

4 INTRODUÇÃO análise de imagem, é uma ciência em expansão multiplicidade de técnicas que cobrem uma vasta gama de campos de aplicação A análise de imagem, é uma ciência em expansão, que trata de imagens e de dados sobre imagens. Fundamenta-se numa multiplicidade de técnicas que cobrem uma vasta gama de campos de aplicação salientando-se a inspecção industrial, robótica, física, aplicações médicas, condução de veículos e sistemas autónomos, meteorologia, medição e mapeamento de superfícies, etc. processo de extracção quantitativa de dados de imagens O termo análise de imagem é normalmente utilizado para designar o processo de extracção quantitativa de dados de imagens. ficheiros em bases de dados Estes dados são posteriormente armazenados sobre a forma de ficheiros em bases de dados.

5 INTRODUÇÃO ficheiros de bases de dados, em que cada registo contem os valores extraídos das imagens Assim sendo, pode-se sinteticamente referir análise de imagem como o processo de criação de ficheiros de bases de dados, em que cada registo contem os valores extraídos das imagens durante o processo de medição. primeiro é necessário proceder à sua aquisição: digitalização Para se efectuar a análise de imagem, primeiro é necessário proceder à sua aquisição: digitalização. geração do sinal analógico, este é convertido numa matriz digital em que cada ponto está associado a um valor numérico inteiro Após a geração do sinal analógico, este é convertido numa matriz digital através da placa de captura de imagem ou framegrabber, a qual divide a imagem num reticulado, em que cada ponto está associado a um valor numérico inteiro.

6 Em sistemas monocromáticos, cada pixel é convertido a um dos 256 níveis de cinzentos possíveis, uma imagem corresponde a um conjunto de pontos conhecidos (pixels), organizados numa forma matricial, possuindo N x colunas e N y linhas cada ponto um nível de cinzento Assim, uma imagem corresponde a um conjunto de pontos conhecidos (pixels), organizados numa forma matricial, possuindo N x colunas e N y linhas, tendo associado a cada ponto um nível de cinzento. INTRODUÇÃO matematicamente descrita através da seguinte equação: Genericamente, uma imagem digital, pode ser matematicamente descrita através da seguinte equação:

7 INTRODUÇÃO ELEMENTOS FUNDAMENTAIS NO PROCESSAMENTO DIGITAL DE IMAGEM

8 TEXTURA DE IMAGEM não haver uma definição estrita do conceito de textura de imagem fonte de informaçãonatureza e estrutura tridimensional dos objectos físicos. Apesar de não haver uma definição estrita do conceito de textura de imagem, ela é facilmente perceptível pela visão humana e representa uma fonte de informação visual muito rica acerca da natureza e estrutura tridimensional dos objectos físicos. que texturas, são padrões visuais complexos compostos por entidades ou sub-padrões que apresentam propriedades características De uma forma genérica, podemos considerar que texturas, são padrões visuais complexos compostos por entidades ou sub-padrões que apresentam propriedades características brilho, a uniformidade, densidade, regularidade, dureza, linearidade, frequência, fase, direcionalidade, suavidade, finura, granulação, aleatoriedade, grossura, etc, da textura como um todo (Levine – 1985).

9 TEXTURA DE IMAGEM Um atributo de textura é um valor, calculado a partir da imagem de um objecto, que quantifica algumas características da variação dos níveis de cinzento desse objecto Um atributo de textura é um valor, calculado a partir da imagem de um objecto, que quantifica algumas características da variação dos níveis de cinzento desse objecto. Normalmente, um atributo de textura é independente da posição, orientação, tamanho, forma e brilho do objecto como refere Castelman K.N. (1996). Do ponto de vista estatístico, a textura modelos estatísticos por forma a caracterizar esses mesmos padrões Do ponto de vista estatístico, a textura de imagem corresponde a complicados padrões pictoriais, sobre os quais podem ser definidos modelos estatísticos por forma a caracterizar esses mesmos padrões.

10 MÉTODOS DE ANÁLISE DE TEXTURA MÉTODOS DE ANÁLISE DE TEXTURA oito aproximações estatísticas para medir e caracterizar a textura Segundo Haralick, existem oito aproximações estatísticas para medir e caracterizar a textura de imagem: - Funções de auto-correlação; - Funções de auto-correlação; - Transformadas ópticas; - Transformadas ópticas; - Transformadas numéricas; - Transformadas numéricas; - Análise por detecção de contorno; - Análise por detecção de contorno; - Análise de elementos estruturais; - Análise de elementos estruturais; - Probabilidade de co-ocorrência espacial de níveis de cinzento; - Probabilidade de co-ocorrência espacial de níveis de cinzento; - Comprimento de sequências do mesmo nível de cinzento; - Comprimento de sequências do mesmo nível de cinzento; - Modelo autoregressivo - Modelo autoregressivo

11 MÉTODOS DE ANÁLISE DE TEXTURA MÉTODOS DE ANÁLISE DE TEXTURA As primeiras quatro aproximações, são uma medida de frequência espacial As primeiras quatro aproximações, são uma medida de frequência espacial. Uma textura fina, possui altas frequências espaciais enquanto que uma textura grossa é rica em baixas frequências espaciais. textura como um certo número de contornos ou fronteiras por unidade de superfície A análise por detecção de contorno, consiste em considerar uma textura como um certo número de contornos ou fronteiras por unidade de superfície. Assim, quanto mais fina for uma textura, maior será o número de fronteiras definidas. aproximação por elementos estruturais primitivas. A aproximação por elementos estruturais, consiste na colocação em evidência de formas designadas por elementos estruturais numa imagem binária. Esta abordagem insiste na forma das primitivas.

12 MÉTODOS DE ANÁLISE DE TEXTURA MÉTODOS DE ANÁLISE DE TEXTURA A aproximação por co-ocorrência de níveis de cinzento, dá relações espaciais entre este níveis A aproximação por co-ocorrência de níveis de cinzento, dá relações espaciais entre este níveis. comprimento de sequências de níveis de cinzento A análise do comprimento de sequências de níveis de cinzento define uma textura fina como tendo poucos pixels dentro de uma sequência de níveis de cinzento, e uma textura grossa, como a situação contrária, com sequências largas. O modelo autoregressivo, estima linearmente o nível de cinzento de um pixel relativamente aos níveis de cinzento de uma vizinhança que o contem O modelo autoregressivo, estima linearmente o nível de cinzento de um pixel relativamente aos níveis de cinzento de uma vizinhança que o contem. Para uma textura fina, os coeficientes calculados são elevados, enquanto que para uma textura grossa são baixos. Este modelo é conveniente para a análise das microtexturas.

13 ESTATÍSTICAS DE 1ª ORDEM partir do histograma propriedades estatísticas de primeira ordem da imagem A partir do histograma dos níveis de cinzento da imagem, podemos inferir diferentes parâmetros para descrever quantitativamente as propriedades estatísticas de primeira ordem da imagem:

14 ESTATÍSTICAS DE 2ª ORDEM três métodos diferentes que aplicam respectivamente algoritmos de estatísticas de 2ª ordem Existem basicamente três métodos diferentes que aplicam respectivamente algoritmos de estatísticas de 2ª ordem 1.SGLDM – Spatial Grey Level Dependence Level- Método da Dependência Espacial dos Níveis de Cinzento 1.SGLDM – Spatial Grey Level Dependence Level - Método da Dependência Espacial dos Níveis de Cinzento Calcula a probabilidade de ocorrer uma transição de nível de cinzento entre dois pixels da imagem separados por uma dada orientação espacial. 2.GLDM – Grey Level Difference Method – Método da Divergência dos Níveis de Cinzento 2.GLDM – Grey Level Difference Method – Método da Divergência dos Níveis de Cinzento Calcula a probabilidade de existência de uma dada diferença de nível de cinzento entre dois pixels, separados por uma dada orientação espacial. 3.RLM – Run Length Method – Método de comprimento de sequências de níveis de cinzento 3.RLM – Run Length Method – Método de comprimento de sequências de níveis de cinzento Calcula a probabilidade de exitência de sequências de pixels idênticos, para um dado comprimento e, ao longo de uma dada orientação.

15 ESTATÍSTICAS DE 2ª ORDEM compararam a eficiência dos diferentes algoritmos com o objectivo de discriminar e classificar um determinado conjunto de texturas Cornners, R. e Harlow, C. (1980), compararam a eficiência dos diferentes algoritmos com o objectivo de discriminar e classificar um determinado conjunto de texturas. método SGLDM era aquele que melhor caracterizava as texturas. Estes trabalhos permitiram observar que o método SGLDM era aquele que melhor caracterizava as texturas. Este método é normalmente referido como método das matrizes de Co-ocorrência, ou também GLCM – Grey Level Co-Ocurrence Matrix Este método estuda a probabilidade de ocorrer uma transição de nível de cinzento entre dois pixels da imagem separados por uma dada orientação espacial e uma certa distância, é normalmente referido como método das matrizes de Co-ocorrência, ou também GLCM – Grey Level Co-Ocurrence Matrix.

16 ESTATÍSTICAS DE 2ª ORDEM O desenvolvimento do método SGLDM passa por três estádios bem definidos: 1.Aquisição e digitalização da imagem. 2.Cálculo das matrizes de co-ocorrência. 3.Determinação das características ou atributos de imagem 3.Determinação das características ou atributos de imagem. uma densidade de probabilidade de 2ª ordem expressa por f(i,j,d, ir do nível de cinzento i para o nível de cinzento j, separados entre si pela distância d segundo a direcção A probabilidade de co-ocorrência espacial de nível de cinzento é uma densidade de probabilidade de 2ª ordem expressa por f(i,j,d, ),que significa a probabilidade de ir do nível de cinzento i para o nível de cinzento j, separados entre si pela distância d segundo a direcção.

17 ESTATÍSTICAS DE 2ª ORDEM a forma de quatro matrizes N G X N G paras as direcções 0º,45º,90º e 135º. Assim, para uma imagem com N G níveis de cinzento as funções de densidadade de probabilidade podem ser escritas sobre a forma de quatro matrizes N G X N G paras as direcções 0º,45º,90º e 135º. RESUMO DO PROCESSO

18 ESTATÍSTICAS DE 2ª ORDEM RESUMO DO DO PROCESSO PROCESSO

19 ESTATÍSTICAS DE 2ª ORDEM Para este trabalho, os descritores texturais seleccionados foram:A partir das matrizes de co-ocorrência 14 parâmetros podem ser calculados, Para este trabalho, os descritores texturais seleccionados foram:

20 ENTROPIA grau de desordem numa imagem ENTROPIA A entropia mede o grau de desordem numa imagem. ENERGIA uniformidade da textura ENERGIA É a medida da dispersão das entradas da matriz, e consequentemente da uniformidade da textura. CONTRASTE É um parâmetro que mede a dispersão dos valores. CONTRASTE O contraste é o momento de inércia da matriz em torno da sua diagonal principal. É um parâmetro que mede a dispersão dos valores. HOMOGENEIDADE é a medida da uniformidade da textura. HOMOGENEIDADE A homogeneidade é a medida da uniformidade da textura. CORRELAÇÃO conteúdo estrutural de uma textura CORRELAÇÃO A correlação é a medida da linearidade e do conteúdo estrutural de uma textura ESTATÍSTICAS DE 2ª ORDEM

21 Como observação final, interessa salientar que a maioria das aplicações que recorrem a este método, efectuam a determinação das características para as quatro direcções angulares definidas de modo a não se trabalhar com apenas uma direcção específica, sendo por fim calculada a média dos quatro direccionamentos.

22 CRIAÇÃO DE UMA BASE DE DADOS DE IMAGENS tomada de imagens em modo dinâmico, por uma câmara VHS feltro pré-agulhado padrão, submetido a um ensaio de resistência mecânica de alongamento constante Para a realização desta componente experimental, procedeu-se à tomada de imagens em modo dinâmico, por uma câmara VHS, de provetes de um feltro pré-agulhado padrão, submetido a um ensaio de resistência mecânica de alongamento constante até à rotura. força de rotura, alongamento de rotura, da energia de rotura e dos descritores texturais seleccionados A variação ao longo dos valores da força de rotura, alongamento de rotura, da energia de rotura e dos descritores texturais seleccionados, foram registados para cada teste efectuado. 30 ensaios no sentido longitudinal e outros 30 ensaios no sentido transversal O protocolo experimental envolveu 30 ensaios no sentido longitudinal e outros 30 ensaios no sentido transversal.

23 CRIAÇÃO DE UMA BASE DE DADOS DE IMAGENS Para cada imagem adquirida, é determinado um vector de características Para cada imagem adquirida, é determinado um vector de características. A comparação por similaridade é efectuada através da cálculo da menor distância euclidiana entre o vector de características da imagem de teste e o vector determinado para cada uma das imagens constantes na base de dados A comparação por similaridade é efectuada através da cálculo da menor distância euclidiana entre o vector de características da imagem de teste e o vector determinado para cada uma das imagens constantes na base de dados, após uma normalização dos atributos alvo e de uma redução dos casos aberrantes. a distância métrica padrão ou distância Euclidiana.Assim, para o caso concreto deste trabalho de estudo o processo métrico utilizado será a distância métrica padrão ou distância Euclidiana.

24 CRIAÇÃO DE UMA BASE DE DADOS DE IMAGENS DISTÂNCIA EUCLIDIANA S 1X = Entropia de 1ª ordem da imagem a comparar; S 1Y = Entropia de 1ª ordem das imagens comparadas; S 2X = Entropia de 2ª ordem da imagem a comparar; S 2Y = Entropia de 2ª ordem das imagens comparadas; E X = Energia de 2ª ordem da imagem a comparar; E Y = Energia de 2ª ordem das imagens comparadas; C X = Contraste da imagem a comparar; C Y = Contraste das imagens comparadas; Co X = Correlação da imagem a comparar; Co Y = Correlação das imagens comparadas; H X = Homogeneidadeda imagem a comparar; H Y = Homogeneidade das imagens comparadas; F X = Força de rotura da imagem a comparar; F Y = Força de rotura das imagens comparadas.

25 CRIAÇÃO DE UMA BASE DE DADOS DE IMAGENS Um sistema que possibilite a pesquisa de imagens a partir de informações sobre o seu conteúdo pictórico é denominadoSistema de Consulta de Imagem Baseado em Conteúdo – C.B.I.R.

26 DESCRIÇÃO DA TÉCNICA EXPERIMENTAL 1 - MODO OPERATÓRIO: Acondicionamento dos rolos de não tecido pré agulhado segundo atmosfera normalizada. Acondicionamento dos rolos de não tecido pré agulhado segundo atmosfera normalizada. Selecção e corte dos diferentes provetes a ensaiar de acordo com as regras de amostragem e dimensões especificadas nas normas ISO 186 e NP EN ISO 9073 Selecção e corte dos diferentes provetes a ensaiar de acordo com as regras de amostragem e dimensões especificadas nas normas ISO 186 e NP EN ISO 9073

27 DESCRIÇÃO DA TÉCNICA EXPERIMENTAL 2 - PREPARAÇÃO E ACONDICIONAMENTO DOS PROVETES Preparação e calibração do dinamómetro Preparação e calibração do dinamómetro Adamel Lomarghi para a execução de ensaios de resistência mecânica. Cortaram-se cinco amostras no sentido da direcção da máquina, (MD) e outras cinco no sentido transversal (CD). largura de 50 mm 0,5 mm afastamento das garras de 200 mm Cortaram-se cinco amostras no sentido da direcção da máquina, (MD) e outras cinco no sentido transversal (CD). As amostras têm uma largura de 50 mm 0,5 mm e um comprimento que garante um afastamento das garras de 200 mm. Acondicionaram-se as amostras Acondicionaram-se as amostras de acordo com a norma NP EN – Atmosferas normalizadas. (20º c 65% H.R). Colocaram-se as garras com uma distância entre si de 200 mm 1 mm, Colocaram-se as garras com uma distância entre si de 200 mm 1 mm, com uma pré-tensão definida pela norma ((EN ISO ).

28 DESCRIÇÃO DA TÉCNICA EXPERIMENTAL 2 - PREPARAÇÃO E ACONDICIONAMENTO DOS PROVETES Aplicou-se uma taxa de alongamento constante Aplicou-se uma taxa de alongamento constante de 60mm/mn. (1mm/s). Registou-se a curva tensão/extensão para cada amostra, Registou-se a curva tensão/extensão para cada amostra, sendo a tensão de rotura expressa em Newtons, a extensão de rotura é expressa em percentagem e a energia de rotura expressa em joules.

29 DESCRIÇÃO DA TÉCNICA EXPERIMENTAL RESUMO DO PROCESSO

30 DESCRIÇÃO DA TÉCNICA EXPERIMENTAL BASE DE DADOS DE IMAGENS IMAGEM PARA CONSULTA NORMALIZAÇÃO NORMALIZAÇÃO BASE DE DADOS NORMALIZADA CONSULTA NORMALIZADA VECTOR DE PROPRIEDADES DAS IMAGENS VECTOR DE PROPRIEDADES DA IMAGEM COMPARAÇÃO POR SIMILARIDADE N MELHOR APROXIMAÇÕES

31 DESCRIÇÃO DA TÉCNICA EXPERIMENTAL Segundo um sistema de C.B.I.R. - Content based image retrieval, as imagens capturadas, são submetidas a um processo de comparação com imagens de referência existentes numa base de dados, cujas características dinamométricas são conhecidas, permitindo desta forma estabelecer um modelo preditivo do comportamento mecânico do manto estirado. Segundo um sistema de C.B.I.R. - Content based image retrieval, as imagens capturadas, são submetidas a um processo de comparação com imagens de referência existentes numa base de dados, cujas características dinamométricas são conhecidas, permitindo desta forma estabelecer um modelo preditivo do comportamento mecânico do manto estirado.

32 RESULTADOS Com base nos resultados obtidos, procedeu- se à verificação da existência de relações estatísticas, bem como à averiguação da sua natureza e robustez. Com base nos resultados obtidos, procedeu- se à verificação da existência de relações estatísticas, bem como à averiguação da sua natureza e robustez. Deste modo, efectuou-se a determinação analítica dos coeficientes e parâmetros da equação estimada pelo método quadrático, e respectiva análise de variância. O resultado encontrado está expresso nos seguintes quadros Deste modo, efectuou-se a determinação analítica dos coeficientes e parâmetros da equação estimada pelo método quadrático, e respectiva análise de variância. O resultado encontrado está expresso nos seguintes quadros

33 RESULTADOS

34 RESULTADOS

35 RESULTADOS Direcção MD

36 RESULTADOS Direcção CD

37 RESULTADOS Direcção MD

38 RESULTADOS Direcção CD

39 RESULTADOS

40 CONCLUSÕES Foi desenvolvido uma montagem experimental para a captação e processamento de imagens de amostras de mantos pré agulhados sujeitas a um movimento uniaxial de estiragem controlado, com uma razão de alongamento constante, e que permite avaliar instantaneamente de um modo estático, a evolução conjugada das principais propriedades texturais e mecânicas.Foi desenvolvido uma montagem experimental para a captação e processamento de imagens de amostras de mantos pré agulhados sujeitas a um movimento uniaxial de estiragem controlado, com uma razão de alongamento constante, e que permite avaliar instantaneamente de um modo estático, a evolução conjugada das principais propriedades texturais e mecânicas.

41 CONCLUSÕES Os excelentes coeficientes de correlação obtidos entre imagens de resultados experimentais e os resultados previstos pela metodologia CBIR, permitem inferir que esta solução tecnológica poderá ser aplicável na catalogação em tempo real das propriedades texturais de mantos pré agulhados em meio industrial Neste trabalho introduziu-se uma nova técnica com vista à condução controlada do processo de estiragem de mantos pré agulhados fundamentada em recuperação de imagens por conteúdo, através da comparação simultânea de propriedades texturais e dinamométricas de imagens obtidas em ambiente experimental e respectiva comparação com imagens previamente adquiridas em condições controladas e arquivadas em base de dados. Os excelentes coeficientes de correlação obtidos entre imagens de resultados experimentais e os resultados previstos pela metodologia CBIR, permitem inferir que esta solução tecnológica poderá ser aplicável na catalogação em tempo real das propriedades texturais de mantos pré agulhados em meio industrial, e consequentemente, na estimação do seu comportamento futuro.

42 CONTACTO: Universidade da Beira Interior Unidade de Materiais Têxteis e Papeleiros Departamento de Ciência e Tecnologia Têxteis Engº Nuno José Ramos Belino Rua Marquês D´Ávila e Bolama, Nº – Covilhã – Portugal Tel: – Fax –


Carregar ppt "Center of Excellence ITSAPT and Textile Faculty TU, Liberec, CZ CITEVE, V.N.Famalicão, Portugal University of Minho, Portugal Belino, N.J.R; Nunes, M.F.;"

Apresentações semelhantes


Anúncios Google