INF1771 - INTELIGÊNCIA ARTIFICIAL
TRABALHO 3 – APRENDIZADO DE MÁQUINA
O objetivo do Trabalho 3 é desenvolver um sistema de reconhecimento de plantas
através de imagens de folhas. O sistema deve receber como entrada a imagem de uma
folha (como a mostrada na Figura 1) e ser capaz de identificar a espécie da planta a qual
aquela folha pertence.
Figura 1: Exemplo de folha que o sistema deve ser capaz de reconhecer.
Para essa tarefa, você tem a disposição um conjunto de 1907 imagens de folhas de 32
tipos diferentes de plantas. Esse conjunto de imagens foi criado pelos autores do artigo
“A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural
Network” [1]. Esse artigo também apresenta o método utilizado pelos autores para
realizar o processo de classificação, então é uma ótima fonte de informações para o
desenvolvimento deste trabalho.
As plantas que compõem o conjunto de imagens são as seguintes:
ID Nome
Arquivos
1001-1059
1060-1122
1552-1616
1123-1194
1195-1267
1268-1323
1324-1385
1386-1437
1497-1551
1438-1496
2001-2050
2051-2113
2114-2165
1
2
3
4
5
6
7
8
9
1
1
1
1
Pubescent Bamboo
Chinese Horse Chestnut
Anhui Barberry
Chinese Redbud
True Indigo
Japanese Maple
Nanmu
Castor Aralia
Chinese Cinnamon
Goldenrain Tree
Big-fruited Holly
Japanese Cheesewood
Wintersweet
0
1
2
3
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
3
3
3
4
5
6
7
8
9
0
1
2
3
4
5
6
7
8
9
0
1
2
Camphortree
2166-2230
2231-2290
2291-2346
2347-2423
2424-2485
2486-2546
2547-2612
2616-2675
3001-3055
3056-3110
3111-3175
3176-3229
3230-3281
3282-3334
3335-3389
3390-3446
3447-3510
3511-3563
3566-3621
Japan Arrowwood
Sweet Osmanthus
Geodar
Ginkgo
Crepe Myrtle
Oleander
Yew Plum Pine
Japanese Flowering Cherry
Glossy Privet
Chinese Toon
Peach
Ford Woodlotus
Trident Maple
Beale's Barberry
Southern Magnolia
Canadian Poplar
Chinese Tulip Tree
Tangerine
Para desenvolver o sistema de reconhecimento de plantas você deve utilizar algum
método de aprendizado de máquina supervisionado, visto que temos um conjunto
rotulado de exemplos para treinamento (imagens). Para isso, você deve seguir os
seguintes passos:
1
) Definir quais serão os atributos que serão usados para descrever os exemplos de
treinamento.
2
) Criar um programa para extrair os atributos das imagens de forma a gerar um
conjunto de treinamento e um conjunto de validação. Normalmente gera-se um
único conjunto de dados e depois se divide ele em dois conjuntos (treinamento e
validação). Cada imagem de folha será um exemplo de treinamento.
3
) Utilizar 4 algoritmos de aprendizado supervisionado, treinando-os com o
conjunto de treinamento e depois realizando classificação do conjunto de testes
para verificar qual algoritmo apresenta a melhor taxa de reconhecimento. Devem
ser utilizados os seguintes algoritmos:
•
•
•
•
Árvores de Decisão
K-Nearest Neighbor (KNN)
Support Vector Machine (SVM)
Rede Neural (usando backpropagation)
Não é necessário programar os algoritmos, é permitida a utilização de
ferramentas de aprendizado de máquina, como por exemplo, o Weka
(
http://www.cs.waikato.ac.nz/ml/weka/).
Se a taxa de reconhecimento estiver muito baixa para todos os algoritmos, deve-
se retornar para a etapa 1 e selecionar melhor os atributos para descrever os
exemplos de treinamento.
4
) Escolher um dos 4 algoritmos e implementa-lo na linguagem de sua preferencia.
Árvores de Decisão e KNN são os mais simples de serem implementados. No
caso do SVM, é permitido o uso da biblioteca LibSVM (http://www.csie.ntu.e
du.tw/~cjlin/libsvm/).
Programa Base
O programa base fornecido demonstra como alguns atributos podem ser extraídos das
imagens de treinamento. Os atributos extraídos pelo programa base são:
1
2
) Largura do retângulo englobante do maior objeto segmentado encontrado
imagem.
) Altura do retângulo englobante do maior objeto segmentado encontrado na
imagem.
3
4
5
) Perímetro do maior objeto segmentado encontrado na imagem.
) Área do maior objeto segmentado encontrado na imagem.
) 1° momento invariante de Hu do maior objeto segmentado encontrado na
imagem.
6
7
8
9
1
1
) 2° momento invariante de Hu do maior objeto segmentado encontrado na
imagem.
) 3° momento invariante de Hu do maior objeto segmentado encontrado na
imagem.
) 4° momento invariante de Hu do maior objeto segmentado encontrado na
imagem.
) 5° momento invariante de Hu do maior objeto segmentado encontrado na
imagem.
0) 6° momento invariante de Hu do maior objeto segmentado encontrado na
imagem.
1) 7° momento invariante de Hu do maior objeto segmentado encontrado na
imagem.
O programa base está disponível no seguinte link:
https://edirlei.com/aulas/ia_2013_1/Trabalho3ProgramaBase_2013_1.rar
O programa base foi desenvolvido utilizando a biblioteca de visão computacional
OpenCV (http://opencv.org/). Mais detalhes sobre o funcionamento do programa base e
como utilizar o OpenCV serão apresentados durante a aula.
Informações Adicionais:
•
Durante a etapa de teste dos 4 algoritmos não é necessário implementar todos os
classificadores para realizar os experimentos. É permitida a utilização de
ferramentas de aprendizado de máquina, como por exemplo, o Weka
(
http://www.cs.waikato.ac.nz/ml/weka/).
•
O download das imagens de treinamento pode ser feito acessando o seguinte
link:
http://sourceforge.net/projects/flavia/files/Leaf%20Image%20Dataset/1.0/Leave
s.tar.bz2/download
Ou copiado durante as próximas aulas (tragam um pen drive com pelo menos 1
GB livre).
•
A divisão dos exemplos de treinamento e teste deve ser feita de forma aleatória.
Normalmente 70% dos exemplos devem ser utilizados para treinamento e 30%
para testes. Você deve garantir também que os exemplos de cada classe sejam
distribuídos nestas mesmas proporções nos dois conjuntos.
•
•
A implementação de um dos algoritmos pode ser feita em qualquer linguagem
(
C/C++, C#, Java...), mas aconselha-se utilizar a linguagem C/C++ usando o
programa base para ler a imagem e realizar a classificação.
Você deve decidir quais atributos serão utilizados pelos classificadores. A
classificação pode piorar ou melhorar dependendo do conjunto de atributos
utilizado. Os atributos extraídos pelo programa base são apenas exemplos de
atributos que podem ser extraídos. Você deve escolher quais atributos serão
utilizados e fazer testes para verificar qual conjunto de atributos apresenta
melhores resultados.
•
Para se conseguir melhores resultados será necessário extrair mais características
das imagens de treinamento. O programa base extrai apenas algumas
características estruturais, mas existem muitas outras informações uteis que
podem ser extraídas computacionalmente das imagens.
Forma de Avaliação:
Será avaliado se todas as etapas do processo foram cumpridas corretamente. A
avaliação também será baseada na apresentação dos resultados durante a aula.
Essa apresentação deverá conter:
•
•
•
•
Descrição da modelagem dos exemplos de treinamento:
o Atributos selecionados para descrever os exemplos;
o Justificativa para a escolha dos atributos;
o Estrutura dos exemplos;
Descrição dos experimentos realizados:
o Variações na modelagem dos exemplos;
o Variações no conjunto treinamento e testes;
o Variação nos parâmetros dos algoritmos;
Comparação dos algoritmos analisados:
o Taxa de reconhecimento;
o Tempo gasto no processo de treinamento;
o Tempo gasto no processo de classificação de um exemplo desconhecido;
Implementação:
o Descrição de como o algoritmo escolhido foi implementado;
o Resultados alcançados pelo algoritmo que foi implementado (tempo
gasto no processo de treinamento, tempo gasto no processo de
classificação de um exemplo desconhecido, taxa de reconhecimento).
Bônus:
•
O trabalho que conseguir uma taxa de reconhecimento acima de 91% receberá
2
.0 pontos extras na nota.
•
O trabalho que implementar uma Rede Neural ou SVM sem utilizar nenhuma
biblioteca externa receberá 2.0 pontos extras na nota.
Data de Entrega:
1/07
0
Forma de Entrega:
Os trabalhos devem ser apresentados na aula do dia 01/07 (segunda) e 03/07 (quarta).
Todos devem enviar o trabalho até o dia 03/07 para o email edirlei.slima@gmail.com.
Não serão aceitos trabalhos enviados depois desta data.
Referências:
1] Stephen Gang Wu, Forrest Sheng Bao, Eric You Xu, Yu-Xuan Wang, Yi-Fan Chang
[
and Qiao-Liang Xiang. A Leaf Recognition Algorithm for Plant classification Using
Probabilistic Neural Network. In: IEEE 7th International Symposium on Signal
Processing and Information Technology, 2007. http://arxiv.org/pdf/0707.4289.pdf