Rede neural convolucional para classificação de chapas polidas de rochas ornamentais

Abstract

ABSTRACT: Ornamental rocks are classified into commercial categories that are defined by color and texture characteristics found on material surface and the classification task is usually performed visually by a specialist. However, weariness and possible lighting variations in the environment where the rocks are analyzed contributes to the presence of errors in the final result. Therefore, the purpose of this work is to apply Machine Learning and Digital Image Processing methods and techniques for the construction of an automatic classification system for polished ornamental stone slabs. For the system development, a dataset with 34,630 images divided into 45 classes was used and processed to normalize lighting variation effects. And the classification was performed by a pre-trained Convolutional Neural Network on the ImageNet dataset. At the end of the process, the accuracy in the test set, obtained after the training steps, was 97.28%, which indicates the model’s ability to replace or complement the visual classification process.

RESUMO: As rochas ornamentais são separadas em categorias comerciais que se estabelecem a partir de características de cor e textura encontradas na superfície dos materiais, sendo a tarefa de classificação normalmente executada de forma visual por um especialista. No entanto, o cansaço e possíveis variações de iluminação no ambiente onde as rochas são analisadas contribuem para a presença de erros no resultado final. Portanto, a proposta deste trabalho consiste na aplicação de métodos e técnicas de Aprendizagem de Máquina e Processamento Digital de Imagens para a construção de um sistema automático de classificação de chapas polidas de rochas ornamentais. Para o desenvolvimento do sistema foi utilizado um conjunto de dados com 34.630 imagens divididas em 45 classes e processadas para normalizar efeitos de variação de iluminação. E a classificação foi realizada por uma Rede Neural Convolucional pré-treinada no conjunto de dados ImageNet. No final do processo, a precisão no conjunto de teste, obtida após as etapas de treinamento, foi de 97,28%, o que indica a capacidade do modelo para substituir ou complementar o processo visual de classificação.