CAPACITAÇÃO
SMART 4.0
MÓDULO 14
Visão Computacional
Exsto Labtronix Tecnologia LTDA
Rua Dr. José Pinto Vilela, 156 - Centro
Santa Rita do Sapucaí - MG - CEP: 37540-000
Tel: +55 (35)3473-4050
www.exsto.com.br
Não é permitido a reprodução total ou parcial deste material por quaisquer meios sem
autorização escrita da empresa.
2023
www.exstolabtronix.com.br
CAPACITAÇÃO SMART 4.0
AUTORES DESCRIÇÃO MÓDULO
MATHEUS Versão Inicial Módulo 14
GONÇALVES
Exsto Labtronix Tecnologia LTDA
Rua Dr. José Pinto Vilela, 156 - Centro
Santa Rita do Sapucaí - MG - CEP: 37540-000
Tel: +55 (35) 3473-4050
www.exsto.com.br
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
Sumário Fundamentos de visão computacional......................7
Câmera da Smart 4.0....................................................15
Integrando a câmera ao braço robótico..................17
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
OBJETIVO DE APRENDIZAGEM
DO MÓDULO
Conhecer os fundamentos de visão computacional.
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
AULA 1
FUNDAMENTOS DE VISÃO
COMPUTACIONAL
HABILIDADE E COMPETÊNCIA:
Conhecer os fundamentos de visão computacional.
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
Fundamentos de Visão Computacional
O que é
(Figura 01 - Visão computacional)
A visão computacional é uma vertente de inteligência artificial que estuda a
habilidade das máquinas de poderem identificar cenas ou objetos, podendo assim
"ver" o que está se passando em determinada situação, modelando e replicando a
visão humana usando software e hardware.
Isso é feito a partir da combinação de tecnologias que permitem à máquina
capturar uma imagem, como as câmeras, e tecnologias que permitem o
processamento e análise dessas imagens, como os computadores.
Para que isso seja possível a visão computacional trabalha com outras duas
tecnologias da inteligência artificial, o Deep Learning e as Redes Neurais
Covolucionais (ou CNNs, Convolutional Neural Network) , que executam processos
desde o reconhecimento das características básicas até a identificação de
contornos e objetos.
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
Machine Learning e Deep Learning
(Figura 02 - Machine Learnig e Deep Learning)
Na Inteligência Artificial existem dois grupos de algoritmos, que são diferenciados
pela maneira de aprendizado, o Deep Learning e o Machine Learning.
No grupo Machine Learning, os algoritmos são mais dependentes da intervenção
humana, onde a presença humana é necessária para definir os recursos que
devem ser utilizados, além disso é necessário que os dados trabalhados por esses
algoritmos sejam dados estruturados.
Já no grupo Deep Learning, os algoritmos são mais automatizados e não dependem
tanto da intervenção humana, podendo definir automaticamente os recursos e
trabalhar com dados não estruturados.
Redes Neurais Convolucionais
(Figura 03 - Redes Neurais Convolucionais)
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
As RNCs ou CNNs podem ser definidas redes neurais artificiais de Deep Learning,
inspiradas no funcionamento do córtex visual cerebral, identificando elementos em
uma imagem. Numa RNC, cada camada é responsável por extrair determinadas
informações dos dados de entrada. A informação flui de camada para camada, com
a saída da camada anterior fornecendo a entrada para a camada seguinte da rede.
As RNCs podem ser divididas em dois módulos:
Módulo de convolução: responsável pela extração de elementos da imagem
que formam o seu conteúdo.
Módulo de classificação: responsável por classificar os dados extraídos durante
a etapa de convolução.
Etapas do processamento da visão computacional
(Figura 04 - Etapas do processamento da visão computacional)
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
O processamento de imagens pela visão computacional começa da mesma forma
que a visão humana, com o aprendizado. Para que um ser humano consiga
identificar que um determinado objeto é uma bola ou é uma caixa é necessário que
alguém lhe ensine isso, ligando o objeto à sua forma. Da mesma forma acontece
para as máquinas, para que elas consigam identificar o que é uma bola é
necessário que várias imagens de bolas, de diversas cores e tiradas de diversos
ângulos, sejam apresentadas. Quanto maior o número de imagens usadas na etapa
de aprendizado, maior precisa será a capacidade de identificação da máquina.
Nesse aprendizado a máquina examina cada pixel e identifica cada cor atribuindo
um código numérico a ela, transformando a imagem em uma matriz.
Esse processo de aprendizado é feito através das RNC.
Após a etapa de aprendizado, se feita corretamente, a máquina pode começar a
identificar imagens, para isso ela executa as seguintes etapas:
Aquisição: etapa da captação das imagens;
Processamento de imagens: etapa de adequação e otimização dos dados
visuais adquiridos. Para isso, podem ser aplicadas algumas técnicas como
retirada de ruídos, rotação da imagem, aplicação de filtros etc.;
Análise de imagens: Nesta etapa cada imagem é atribuída à uma função única
de duas incógnitas independentes, sendo interpretadas pelas máquinas
Na etapa do processamento de imagens ocorre a extração de características onde
as RNCs aplicam filtros, que são matrizes menores que percorrem a matriz gerada
pelos pixels da imagem, realizando a operação de convolução entre essas duas
matrizes e gerando assim outras matrizes, que correspondem a novas imagens
também conhecidas como Feature maps.
Após a extração de características e a criação das Features maps é aplicado a
técnica de Flattening, para transformar a matriz resultante das convoluções em um
vetor de 1 coluna que será usado como entrada da camada densa da rede, que
classifica a imagem
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
A camada densa da rede é uma rede neural treinada e usada para classificar os
vetores que resultaram da técnica de Flattening a partir de técnicas como o
DropOut, onde alguns neurônios ocultos da rede são temporariamente excluídos e
a partir do resultado dessa exclusão os pesos dos neurônios são atualizados.
Além do DropOut, existe a técnica de Backpropagation, usada para alcançar a menor
taxa de erro na camada de saída a partir da atualização dos pesos dos neurônios
da rede
Tipos de visão computacional
(Figura 05 - Tipos de visão computacional)
Existem alguns tipos de visão computacional que irão determinar as técnicas que
serão utilizadas e as aplicações de cada tipo:
Segmentação de imagens: divide uma imagem em várias regiões ou partes que
serão analisadas individualmente.
Detecção de objetos: identifica um objeto específico ou vários objetos em uma
imagem. Nesse modelo é usado uma coordenada X, Y para criar uma caixa
delimitadora para identificar tudo o que está dentro dela.
Reconhecimento facial: é um tipo avançado de detecção de objetos que não
apenas reconhece um rosto humano em uma imagem, mas também identifica
um indivíduo específico.
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
Detecção de borda: é uma técnica usada para identificar a borda externa de um
objeto ou paisagem.
Detecção de padrões: é um processo de reconhecimento de formas repetidas,
cores e outros indicadores visuais em imagens.
Classificação de imagens: agrupa as imagens em diferentes classes.
Correspondência de recursos: é um tipo de detecção de padrão que combina
semelhanças em imagens para ajudar a classificá-las.
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
Para saber mais
https://kotengenharia.com.br/visao-computacional-o-que-e/
http://www.gpec.ucdb.br/pistori/apresentacoes/visaoComputacional201
1.pdf
http://www.ic.uff.br/~julius/icc/vcomp.pdf
https://edisciplinas.usp.br/mod/folder/view.php?id=1041387
https://santodigital.com.br/o-que-e-visao-computacional-e-para-que-
serve/
https://certi.org.br/blog/visao-computacional/
https://blog.dsacademy.com.br/o-que-e-visao_computacional/
https://www.sas.com/pt_br/insights/analytics/computer-vision.html
https://www.ibm.com/br-pt/cloud/learn/machine-learning
https://www.sas.com/pt_br/insights/analytics/machine-learning.html
https://ateliware.com/blog/redes-neurais-convolucionais
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
AULA 2
EXPLORAÇÃO DE DISPOSITIVO -
CÂMERA DA SMART 4.0
HABILIDADE E COMPETÊNCIA:
Conhecer a fundo a câmera de visão utilizada na bancada
Smart 4.0.
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
Exploração de dispositivo - Câmera
da Smart 4.0
1. Abrir manual;
2. Explicação das características do dispositivo como leds de
sinalização de diagnóstico, dados lidos e enviados da câmera;
3. Configuração.
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
AULA 3
TUTORIAL - INTEGRANDO A CÂMERA
AO BRAÇO ROBÓTICO
HABILIDADE E COMPETÊNCIA:
Aprender como integrar a câmera ao robô.
Exstolabtronix
CAPACITAÇÃO SMART 4.0
Visão Computacional
Tutorial - Integrando a câmera
ao braço robótico
1. Configurar e iniciar a câmera;
2. Abrir programa padrão do robô e executar;
3. Validação.
Exstolabtronix
PRÓXIMO MÓDULO:
SISTEMA DE SUPERVISÃO LOCAL - IHM
