Redução de atributos utilizando análise discriminante com aplicações na detecção de defeitos em couro bovino

Abstract

Este trabalho apresenta um estudo e análise de técnicas de redução de atributos, baseada na análise discriminante aplicada a problemas de detecção de defeitos em imagens de couros bovinos no estágio couro cru e wet-blue. Foi realizado um estudo sobre casos que geram problemas no uso da análise discriminante quando aplicada em situações propícias a problemas de singularidade. Das soluções encontradas, FisherFaces, CLDA, DLDA, YLDA e a técnica de Kernel, implementamos cada uma, e realizamos experimentos de desempenho, analisando a taxa de acerto, tempos de treinamento e classificação, à medida que a quantidade de atributos é reduzida. Os resultados experimentais indicaram que a redução de atributos pode manter a eficiência na classificação, mesmo em situações onde ocorre ou não a singularidade. Foram realizadas análises comparativas, apresentando cada resultado de desempenho comparados a técnicas de redução de atributos e classificadores diferentes. Identificamos também quais as melhores técnicas de extração de atributos e algoritmos de classificação, apresentando uma breve avaliação quanto a seus desempenhos e custo de processamento. E por fim realizamos uma comparação entre o sistema de classificação automática desenvolvido com a classificação feita manualmente por especialistas na área.

This paper presents a study and analysis of techniques for reduction of attributes, both based on discriminant analysis applied to problems of detection of defects in images taken from bovine leathers in raw and wet-blue stages. It has been done a study about problems that are likely to reach singularity problem. For this, we have implemented FisherFaces, CLDA, DLDA, YLDA, and Kernel technique algorithms. Then, we performed performance experiments in order to evaluate the classification rate as the number of attributes decrease. The experimental results based on comparative analysis of different reduction and classification techniques indicated us that the attribute reduction provides great efficiency in classification process, even with the singularity problem. Additionally, we present the best feature extraction techniques applied to this problem, showing their performance and computational cost. Finally, we compared the automatic system classification developed here with a specialist-guided classification.