Classificação dos defeitos

Conforme já consolidado a partir da revisão bibliográfica, foi adotada a estratégia do uso de técnicas de inteligência artificial para a determinação dos componentes e classificação da madeira quanto aos defeitos (nós). Por essa razão, foram usados métodos de aprendizado de máquina SVM e RNA. Um classificador baseado em aprendizado de máquina SVM, devido aos bons resultados apresentados na classificação de dados em aplicações complexas (SHEN; BAI, 2004; LIBRALAO et al., 2005; ALMEIDA, 2007; OLIVEIRA et al., 2008) e um classificador usando RNA, em virtude dos resultados relatados em diversos trabalhos (LIBRALAO et al., 2005; KHOURY JUNIOR et al., 2006; OLIVEIRA et al., 2008; MARCANO-CEDENO et al., 2009).

O uso de dois métodos se justificou pela possibilidade de fazer uma comparação de suas eficiências e flexibilidades para o contexto em foco.

O desenvolvimento dessa etapa do projeto utilizou dois conjuntos de imagens de tábuas de madeiras distintos: 1) Um conjunto para realizar o treinamento e validação - operação exclusiva das RNAs - do classificador; 2) Um conjunto para realizar os testes do classificador. Utilizando as imagens da base de estudos preliminares e estudos gerais, foram criados os conjuntos 1 e 2 com2_/3e1_/3das imagens, respectivamente. Essa distribuição

e separação dos conjuntos de imagens visa a não especialização (e máxima generalização) do classificador, evitando altos índices de erro quando aplicado a imagens ainda não utilizadas. Os dados selecionados foram preparados para serem aplicados no sistema de geração do classificador. Isso significa aplicar o processo descrito anteriormente: divisão da imagem em blocos e extração de características. Além disso, cada bloco foi rotulado pelo tipo de defeito identificado - segundo a norma da NBR-12297 (ABNT, 1991b) e suas variações de incidência - ou pela presença de madeira isenta de defeitos (limpa), gerando um conjunto de classes distintas. As informações dos rótulos das classes foram usadas no conjunto de treinamento para gerar o classificador, enquanto que, para os demais conjuntos, foram usadas para verificar a qualidade do classificador (seu índice de acerto e erro).

No caso dos estudos preliminares, foram criados três grandes conjun- tos de blocos de ocorrências, cada uma pertencendo há uma dimensão específica (128x128, 64x64 ou 32x32 pixels). Cada conjunto foi formado por blocos selecionados, aleatoriamente, entre todas as imagens de tábuas, de maneira que apresentasse alguns exemplares para cada defeito e suas variações, além de madeira limpa. Para aplicar o processo de aprendizado de máquina, cada conjunto foi subdividido em um conjunto de treinamento, com aproximada- mente2_/3dos exemplares, e um de teste, com aproximadamente1_/3dos exemplares. Dessa

maneira, foi possível gerar um modelo de aprendizado generalista, mesmo contando com um número menor de imagens selecionáveis.

Já para os estudos gerais foi utilizado apenas um conjunto de imagens de 32x32 pixels contendo um total de 300 imagens distribuidas igualmente entre seis grupos, sendo um de madeira limpa e outros cinco de variações de presença de nó. Da mesma maneira que no estudos preliminares esse conjunto foi dividido em um conjunto de treinamento, com aproximadamente2_/3 dos exemplares, e um de teste, com aproximadamente 1_/3 dos

exemplares. Nesse caso, conforme já comentado, a base de exemplares foi gerada a partir das imagens de madeira sem nenhum tipo de processamento mecânico ou secagem.

Foi utilizado nesse projeto o SVM multiclasses para classificação não linear, com núcleo Gaussiano (RBF). Foi necessária a determinação de dois parâmetros: c

(custo ou penalização do classificador) e γ (gamma - que representa a largura da função), usando a ferramenta grid.py (parte integrante da biblioteca libsvm) (HSU et al., 2010). De- finidos os conjuntos de treinamento e teste da SVM, assim como sua função núcleo e seus parâmetros, foi realizado o treinamento para criação do modelo classificador de defeitos, usando a biblioteca de treinamento para SVMs libsvm, versão 3.14 (HSU et al., 2010). Apli- cando o conjunto de testes a esse modelo, foi possível verificar o índice de acerto e erro do classificador gerado.

Além do classificador baseado em aprendizado de máquina SVM foi utilizada a RNA perceptron de múltiplas camadas MLP. Para gerar o modelo classificador foram utilizadas as mesmas bases de treinamento e teste usadas na SVM. No caso das RNAs, no processo de treinamento foi utilizado aproximadamente 15% dos exemplares do conjunto de treinamento como dados de validação. Um dos pontos importantes do treinamento de uma rede MLP é a definição da quantidade de camadas ocultas e o número de neurônios dessas camadas. Por essa razão, foram gerados uma série de testes para escolher a melhor estrutura para cada caso. As variações foram de uma a duas camadas ocultas, com número variado de neurônios. A topologia final teve diferentes arranjos para cada conjunto de imagens.

Para realizar o processo de treinamento da rede MLP foi utilizado o software Weka, versão 3.6 (HALL et al., 2009). Usando a funcionalidade “Explorer” foi realizado o carregamento dos conjuntos de treinamento e teste e executados uma série de variações de treinamento para definir a melhor topologia de rede. Os resultados dos teste refletem a melhor topologia encontrada para cada caso.

No treinamento usando aprendizado de máquina foi necessário criar um modelo de classes para definir as imagens que seriam treinadas. Os trabalhos científicos normalmente relatam a presença ou não de um determinado defeito em um bloco de imagens (OLIVEIRA et al., 2008; KHOURY JUNIOR et al., 2006), porém, quando se considera a variação de tamanhos dos blocos de imagens (devido à sua resolução), é plausível supor que existam situações intermediárias, que devem ser levadas em consideração. Exemplificando, nas quatro imagens da Figura 34 os nós têm incidência variável na ocupação do bloco. A geração automatizada de blocos de imagens de uma determinada dimensão inevitavelmente cria essa situação, que pode ser crucial para uma análise de aprendizado de máquina.

Assim, buscando utilizar essa ocorrência favoravelmente no processo de aprendizado, foram definidas classes de nós com diferentes taxas de ocupação na imagem. Dessa maneira, foram criadas uma classe para imagem limpa (L1) e 5 (cinco) classes para imagens que apresentam nó (N1, N2, N3, N4 e N5), respectivamente com taxas de ocupação de nó com proporções aproximadas de <25%, 25%, 50%, 75% e >75%. Com isso, foram

Figura 34 – Imagem que ilustra blocos com a presença e variação de incidência de nó. definidas 6 classes de imagens para o treinamento dos blocos de imagens (Tabela 5).

Tabela 5 – Dados das classes que foram definidas para a realização do treinamento usando aprendizado de máquina SVM e RNA MLP.

Número Classe Referência

1 L1 Limpa 2 N1 Nó < 25 % 3 N2 _{Nó ≈ 25 %} 4 N3 _{Nó ≈ 50 %} 5 N4 _{Nó ≈ 75 %} 6 N5 Nó > 75 %

A Figura 35 ilustra as imagens dos blocos de 64x64 pixels das classes L1, N1, N2, N3, N4 e N5, respectivamente.

Figura 35 – Imagens dos blocos de 64x64 pixels das classes: A) L1; B) N1; C) N2; D) N3; E) N4; F) N5.