Diante das imagens resultantes das etapas anteriores é realizada a identificação numérica propriamente dita. A identificação foi feita criando-se um banco de padrões composto por fragmentos de imagens coletados das próprias imagens de teste, para tentar conseguir um índice de acerto maior comparando-se com padrões gerados artificialmente. Caracteres como “3” e “5” não foram encontrados nas amostras das OP’s. O idealizado era de que o banco de padrões possuísse 4 exemplos de caractere para cada dígito de 0 a 9, ou seja, 40 padrões no total. A diferença entre os padrões é basicamente a escala, que é um artifício para minimizar efeitos de variação de escala. A inserção de muitos padrões no sistema tem como conseqüência o aumento no tempo de processamento, trata-se de uma razão de compromisso entre eficiência e confiabilidade no reconhecimento.
Como pode ser percebido pelas tabelas de acerto no reconhecimento (Tabelas 5.5 e 5.6), a maior parte dos caracteres foi reconhecida com índices insatisfatórios. Tal fato se deve a diversos fatores, dentre eles se destacam:
1. Qualidade da imagem – sem uma boa definição na imagem fica inviável o reconhecimento de padrões;
2. Alta correlação de alguns padrões com artefatos presentes na imagem – o caractere “1”, por exemplo, devido ao formato escolhido pela estampagem possuem correlação alta com qualquer risco vertical presente na imagem;
3. Correlação alta entre caracteres – caracteres como “0”, “3” (não está presente nas imagens coletadas), “6”, “8” e “9” possuem alta similaridade, sendo que qualquer falha na impressão pode ocasionar em uma confusão na identificação mesmo se ela for feita por um ser humano;
4. Favorecimento do caractere 7 – o alto índice de reconhecimento do caractere 7 também é devido a um artefato na imagem, que é uma linha tênue que ocorre frequentemente acima da região numérica. Tal fato gera uma tendência a identificar o caractere sete mais facilmente ou leva a classificar um caractere “1” como “7” indevidamente.
A tabela 5.5 mostra o número de imagens utilizadas por OP na etapa de reconhecimento e em que grupo as imagens ocorrem.
Tabela 5.5 – Número de imagens úteis por OP
OP GRUPO 1 (número de imagens) GRUPO 2 (número de imagens) 0679498 4 0 0682246 7 0 0684271 14 0 0741269 0 17 0741281 0 4 0741626 0 20
A tabela 5.6 mostra o índice de acertos no reconhecimento de cada caracter. Tabela 5.6 – Acertos da metodologia para cada grupo de imagens
CARACTER % de acertos no GRUPO 1 % de acertos no GRUPO 2 0 16,00 0,00 1 0,00 0,00 2 57,14 41,46 4 12,00 36,59 6 28,00 45,95 7 77,78 78,05 8 12,00 25,00 9 25,00 5,88
5.6 – Conclusões
No presente capítulo é apresentado um conjunto de resultados para cada etapa do processamento proposta. As estratégias de identificação do tarugo na cena e a parte de identificação dos padrões (caracteres) não obtiveram desempenho satisfatório, indicando uma revisão das mesmas visando uma melhoria de seu resultado e de sua robustez.
6 – CONCLUSÕES
É interessante analisar que a divisão do trabalho de processamento de imagem em etapas distintas e independentes pode facilitar a análise do problema. Entretanto, conforme é aumentado o número de etapas faz com que a confiança global caia exponencialmente conforme descrito a seguir.
A probabilidade de acerto de todas as etapas é condicionada ao acerto das etapas anteriores, o que pode levar a um nível de acerto global muito baixo se existir várias etapas de processamento (figura 6.1). Tentar agrupar etapas pode também não ser a solução. A escolha do número de etapas deve ser analisada com cuidado. O número de etapas também está diretamente ligado ao tempo de processamento, que para o sistema ideal proposto tem que girar em torno de 5 segundos para o processamento de todas as etapas. Metodologias como filtragem de imagens, correlação possuem ordem de complexidade elevada e se utilizadas excessivamente levarão a um acréscimo drástico no tempo de processamento. Tentativas de apenas melhorar o processamento da máquina onde é feita a análise tem caráter paliativo e pode não resolver o problema, sendo que o mais interessante é analisar a necessidade e coerência de cada ferramenta/etapa antes de adotá-la.
Figura 6.1 – Resultado de etapas consecutivas com confiança 0,95. Gráfico representa 0,95n, onde n é o número de etapas
Uma alternativa interessante e aparentemente viável de mudança no processo é a de, na pintura de tarugos provenientes de ordens de produções específicas, ser coberta apenas a parte rugosa. Tal estratégia torna a metodologia inicial de segmentação da face do tarugo válida novamente, supondo que agora o objeto de busca é um triângulo.
Uma alternativa para um melhor ajuste das metodologias de diagnóstico nebuloso é mudar o modelo Mamdani [20] para uma estrutura que suportasse treinamento. Dessa maneira fica bem mais simplificado o treinamento e possibilita erros menores no processo.
Um ponto crucial, talvez o mais importante, para a viabilidade do sistema de reconhecimento de ordens de produção, é a qualidade da estampagem numérica. Os caracteres numéricos presentes na estampa não devem, obrigatoriamente, possuir dependência entre eles, ou seja, não devem ser semelhantes morfologicamente entre si (correlacionados). Caracteres altamente correlacionados podem ser confundidos gerando incerteza na identificação.
Figura 6.2 – Padrões coletados na LIT (imagens com zoom manual da câmera) e sua imagem resultante da binarização local proposta por Niblack [11] com parâmetros (N =
31 e weight = -0.8)
Mudanças no processo podem não ser possíveis em alguns casos, mas durante o decorrer da elaboração deste trabalho estava sendo feita uma mudança na estampagem. Opiniões e discussões feitas sobre a estampagem auxiliarão a definir um rumo nessa mudança.
A falta da presença dos padrões “3”, “5” foi conseqüência do não aparecimento desses caracteres nas OP’s dos dias correspondentes à coleta de imagens “online”.
Dentre as imagens coletada durante o presente trabalho foram coletados padrões para a composição do banco de amostras que servem como referência no processo de identificação. A partir da Tabela 6.1 pode-se concluir que muitos deles estão altamente correlacionados entre si e para que o sistema gere resultados satisfatórios é necessário eliminar essa dependência ou reduzi-la a valores aceitáveis de maneira que não comprometam a identificação. Outra observação prática realizada foi a de que o dígito “1” escolhido pela estampagem atual tem o formato muito simples, ele possui correlação alta com qualquer traço ou entalhe vertical que aparece na imagem.
Tabela 6.1 – Correlação entre padrões reais coletados DÍGITO 0 1 2 4 6 7 8 9 0 1,00 0,41 0,30 0,38 0,51 0,38 0,47 0,43 1 0,41 1,00 0,40 0,41 0,34 0,35 0,35 0,36 2 0,30 0,41 1,00 0,41 0,46 0,46 0,58 0,43 4 0,41 0,45 0,49 1,00 0,42 0,38 0,44 0,45 6 0,51 0,32 0,46 0,44 1,00 0,31 0,71 0,56 7 0,38 0,34 0,49 0,37 0,31 1,00 0,33 0,27 8 0,49 0,33 0,58 0,42 0,71 0,32 1,00 0,54 9 0,43 0,34 0,43 0,45 0,56 0,27 0,54 1,00
O presente trabalho não cumpriu completamente seus objetivos, que estavam relacionados à implantação “online” do sistema, entretanto, apontou críticas e discussões válidas visando melhoramentos tanto do processo quanto das estratégias adotadas para o reconhecimento de padrões. A discussão é, portanto, válida indicando também perspectivas para desenvolvimentos de temas relacionados com o que muitas vezes é denominado de visão computacional.