Desempenho da deep learning na análise e categorização de imagens de defeito de madeira

Abstract

A inteligência artificial, no que diz respeito ao campo de pesquisa, tem tido grandes avanços e contribuído bastante em várias áreas, tal como a análise e categorização de imagens com o aprendizado de máquinas. Existem várias técnicas específicas para o reconhecimento de imagens e sua categorização, e uma delas utiliza redes neurais artificiais, que envolve o estudo específico, a extração das características por meio da análise de dados da imagem do objeto que está sendo analisado e a especificação de qual será o impacto delas no modelo neural para cada uma das categorias, o que muitas vezes envolve a imersão do pesquisador numa área ou campo de pesquisa que não é o dele. A deep learning, utilizando-se das redes neurais convolucionais artificiais tem a capacidade de aprender e extrair as características durante o treinamento, sem a especificação dessas características no modelo, sendo que, geralmente, apresentam até mesmo resultados melhores do que aqueles observados por modelos de redes neurais que tiveram as características observadas programadas por humanos. O objetivo desse trabalho é aplicar a deep learning em um conjunto de imagens de tábuas de madeira, avaliando seu desempenho na categorização dessas imagens. Utilizando uma ferramenta chamada Keras, uma biblioteca python que auxilia no carregamento de conjuntos de dados, produção e avaliação de modelos de redes convolucionais, foram elaborados alguns modelos e avaliados seus desempenhos na análise e categorização de imagens de defeito de madeira, obtendo resultados promissores, sendo o melhor deles um percentual de erro na categorização de 5,44%.