Aplicação de Deep Learning na classificação de tábuas de madeira por meio de análise de imagens digitais

• Ano de defesa: 2019
• Autor(a) principal: Gomes, Roger Cristhian [UNESP]
• Orientador(a): Ballarin, Adriano Wagner, Almeida, Osvaldo César Pinheiro de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Aprendizado profundo; Automatização; Pinus; Redes Neurais Convolucionais; Automation; Convolutional Neural Networks; Deep learning
• Link de acesso: http://hdl.handle.net/11449/182529

O setor madeireiro e toda sua cadeia produtiva possuem grande força e importância para a economia brasileira, representando 1,5% do produto interno bruto nacional em 2016. Toda madeira serrada deveria, idealmente, ser submetida a uma classificação para definição mais precisa do seu destino e justa de seu valor comercial. Quando essa madeira serrada é destinada ao exterior, a classificação é, na maioria das vezes, obrigatória. Nas serrarias do país que em sua maioria são pequenas e pouco automatizadas, a classificação é normalmente feita por visão humana, ou seja, um profissional faz a análise visual de cada peça e a classifica segundo algum critério. Como em todo processo que envolve capacidade humana, o erro é inerente e, nesse caso, elevado, em torno de 52%, segundo a literatura. Dada a importância do setor, a demanda de matéria prima e a necessidade crescente dessa classificação, é extremamente justificável que esse processo seja aperfeiçoado. A alternativa é a automatização, visando sobretudo o aumento no acerto dessa classificação. O objetivo deste trabalho foi desenvolver um modelo de redes neurais artificiais usando Deep Learning (DL) para a classificação automatizada de madeiras serradas de Pinus, seguindo as recomendações das normas da ABNT. O modelo aplicou Redes Neurais Convolucionais (Convolutional Neural Network - CNN), técnica muito estudada recentemente e promissora em diversas áreas, principalmente no processamento de imagens digitais e visão de máquina. Foram experimentados vários modelos, sendo o de melhor performance com acurácia de 97,50%. Comparando com outras pesquisas na mesma área concluiu-se que DL com CNN produz resultados aceitáveis na classificação de tábuas, mesmo com poucas imagens (284), diferença na variedade do Pinus (elliottii e taeda) e apresentação (madeira verde ou seca, aplainada ou não).